基于BP神经网络的沥青混合料水稳定性预测模型

尹 豪，王志雄，王蓝英

基于BP神经网络的沥青混合料水稳定性预测模型

尹 豪1，王志雄2，王蓝英1

(1.重庆交通大学土木工程学院，重庆 400074;2.江西戆粤高速公路股份有限公司九景管理处，江西九江 332000)

考虑到冻融劈裂强度比(TSR)试验需要消耗大量的时间与物力，并且沥青混合料水稳定性影响因素与评价指标之间很难建立一个十分准确的数学模型，在分析选取影响沥青混合料水稳定性的因素后，通过BP神经网络模型对已有35组试验数据进行训练学习及检验，建立了TSR预测模型。结果表明:这种预测方法的最小相对误差为1．50%，最大相对误差为4．94%，预测精度较好，可用于TSR试验值的预测，为混合料水稳定性的初步判断与评价提供了一定借鉴。

沥青混合料;水稳定性;BP神经网络;TSR预测模型

0 引言

水损害是沥青路面的一种常见早期病害，而沥青混合料的水稳定性一定程度上反映了沥青路面抗水损害的能力。目前，针对沥青混合料水稳定性的研究主要集中在抗水损害能力的改善和水稳定性评价方法及影响因素分析等方面［1-6］，而由于沥青、集料及沥青混合料性能对混合料水稳定性影响较为复杂，故针对混合料水稳定性预测模型的研究较少。

《公路工程沥青及沥青混合料试验规程》(JTG E20—2011)中评价沥青混合料水稳定性的方法主要是浸水马歇尔试验与冻融劈裂试验，这2种方法都需要进行较长时间的养护;并且《公路沥青路面施工技术规范》(JTG F40—2004)中要求，采用马歇尔试验确定最佳沥青用量后，要对水稳定性进行验证性试验，评判其是否满足规范要求，如果不满足，需要重新进行设计。现阶段道面配合比设计过程中，已经积累大量沥青混合料水稳定性试验数据，而人工神经网络可以较准确地建立水稳定性影响因素与指标值的非线性映射模型。其中，BP神经网络模型在预测沥青混合料各项性能中已得到广泛应用，如谭忆秋等人利用BP神经网络模型对沥青混合料低温性能、低温弯拉应变、体积参数建立了预测模型［7］;崔鹏等人基于误差分级迭代法的BP神经网络对沥青混合料抗剪强度建立了预估模型［8］。

本文利用BP神经网络模型对已有试验数据进行训练学习，建立冻融劈裂强度比(TSR)的预测模型，分析预测值误差，以期根据预测结果初步判断沥青混合料的水稳定性能否满足规范要求，避免进行大量重复性的试验操作。

1 BP神经网络

BP神经网络具有较强的非线性映射能力，考虑到影响因素对沥青混合料水稳定性影响的非线性及复杂性，BP神经网络特别适合求解这类内部机制复杂的问题;其次，BP神经网络具有自学习和自适应能力，能通过学习自动提出输入输出间的“合理规则”，并自适应地将学习内容记忆于网络的权值中;另外，BP神经网络具有将学习成果应用于新知识的能力;最后，它还具有一定的容错能力，即使系统受到局部损伤时，依然可以正常工作［9-14］。鉴于BP神经网络的以上优点，应用BP神经网络算法对沥青混合料TSR值进行预测较为可行。

2 沥青混合料水稳定性影响因素

影响沥青混合料水稳定性的因素较多，不仅包括混合料自身因素，还有环境因素，其中主要取决于沥青性质、矿料性质、沥青与矿料之间相互作用的性质，以及沥青混合料的空隙率、沥青膜的厚度等。沥青对混合料水稳定性的影响，主要表现在沥青的酸性和沥青的黏度。通常认为，沥青的黏度和酸性越大，与集料的黏附性越好。沥青种类可以表征沥青的黏度和酸性，但是相同标号的同种沥青，黏度差异性很大，故本文采用60℃动力黏度对沥青进行分类，以60℃动力黏度作为量化指标。在集料方面，对混合料水稳定性影响较大的是集料的碱性、棱角性以及集料的洁净程度等［15］。施工过程中，集料的棱角性与洁净程度都会被控制在规范要求的范围内，并且这2个指标难以进行量化，故本文仅考虑在棱角性与洁净程度大体相同的情况下集料的碱性对混合料水稳定性的影响。对于沥青混合料而言，混合料水稳定性主要取决于混合料的空隙率与沥青膜厚度等。根据《公路工程沥青及沥青混合料试验规程》(JTG E20—2011)，混合料有效沥青膜厚度的计算公式为

式中:SA为集料的比表面积(m2·kg－1);Pi为集料中各粒径的质量通过百分率(%);FAi为各筛孔对应的表面积系数(m2·kg－1);DA为沥青膜有效厚度(m);ρb为沥青25℃时的密度;Ps=100－Pb，即矿料占沥青混合料总质量的百分比。

所以，沥青混合料的水稳定性影响因素的量化指标可以归纳为:沥青60℃动力黏度、集料碱性、混合料的油石比、空隙率、饱和度以及矿料各筛孔的通过百分率。

3 TSR预测模型的建立

3．1 样本选取及归一化处理

根据水稳定性影响因素的分析，输入影响因素有17个，输出结果为1个。依据分析结果，选取了35组冻融劈裂试验结果，如表1(30组训练样本)与表2(5组确认样本)所示。在网络训练前，需要将不在［0，1］之间的影响因子，如60℃动力黏度等，利用式(3)进行归一化处理，以使其满足相应传递函数的要求。

3．2 网络设计与训练

经证实，3层BP神经网络对于在闭区间内的任意一个连续函数都可以用一个隐含层的BP网络逼近，一个3层的BP网络可以完成任意n维到m维的映射。故本文采用3层神经网络模型(输入层、单隐层和输出层)对TSR值进行预测。

本文输入向量维数为17，输入层神经元数为17个;输出向量的维数为1，输出层的神经元数为1个。对于隐含层而言，其神经元数目并不固定，需要

根据实际的训练情况进行修正，而隐含层神经元个数q和输入层神经元个数M之间的关系为q=2M+1。故隐含层的经验神经元数目为35个，通过训练步数和误差结果分析，最后设定隐含层神经元数目为30个，其结构如图1所示。

表1 冻融劈裂试验训练样本

表2 冻融劈裂试验确认样本

对于输入输出范围在［0，1］区间，输入层与隐含层之间的传递函数通常设定为S型正切函数Tansig，输出层神经元的传递函数为Logsig，训练函数Trainlm利用Levenberg-Marquardt算法对网络进行训练。

训练歩长、训练目标误差及学习速率的选择可以根据经验进行确定，训练歩长较小，预测能力较大，通常选取步长为1 000;训练目标误差越小越好，但也要有合适值，本文选取0.000 1;学习速率选取很重要，较快的学习速率会导致系统不稳定，较慢则会导致训练周期较长，达不到误差要求，经试算选取学习速率为0.1，具体设计参数见表3。

图1 沥青混合料TSR预测神经网络结构

对于［0，1］范围的输出值还需要进行反归一化处理(式4)，以便将其转换到原实际数据范围内，得到最终的仿真结果。

表3 具体设计参数

4 模型预测结果及误差分析

利用30组冻融劈裂强度比训练样本数据对网络进行训练，另外将5个确认样本作为测试样本，所得模型拟合度及误差变化曲线如图2、3所示。经过33次训练后，模型拟合度R2=0.998 93，接近1，表明BP网络模型能较好地进行冻融劈裂强度试验结果的预测;且误差为9.8861×10－5，远小于目标精度1×10－4，表明该模型具有较好的泛化能力。由图4及表4可知，实测结果与预测结果差异较小，实际值与预测值之间的最小残差为1.300 1%，最小相对误差为1.5%，而最大残差为4.143 3%，最大相对误差为4.94%，表明预测值精度较高，所建立的神经网络预测模型较为准确，可以用以初步判定沥青混合料的冻融劈裂强度比。将所建立的基于BP人工神经网络的TSR预测模型进行存储，作为“专家知识经验”，便可用于对沥青混合料TSR值的初步预测。

图2 模型拟合度

图3 误差变化曲线

图4 TSR预测值与实测值比较

表4 冻融劈裂强度比预测结果

5 结语

本文通过对沥青混合料水稳性影响因素的分析，建立了基于BP神经网络的沥青混合料TSR预测模型，主要结论如下。

(1)从沥青、集料以及混合料方面分析了影响水稳定性的影响因素，选取了沥青60℃动力黏度、集料碱性、混合料的油石比、空隙率、饱和度以及各筛孔的通过百分率作为TSR预测模型的输入因素。

(2)应用BP神经网络算法建立了混合料水稳定性影响因素与冻融劈裂强度比TSR之间的3层BP神经网络非线性预测模型。利用预测模型计算得到的预测值最大残差为4.143 3%，最大相对误差为4.94%，模型拟合度达0.998 93，可实现对混合料TSR值进行初步预测。

(3)利用已积累的大量沥青混合料试验数据，对TSR值进行初步预测，有效地避免了不必要的人力、物力及财力的浪费。

［1］ 杨文锋．沥青混合料抗水损害能力研究［D］．武汉:武汉理工大学，2005．

［2］ 王新刚．沥青抗剥落剂对混合料水稳定性的改善作用研究［J］．筑路机械与施工机械化，2015，32(1):73-75．

［3］ 赵永利，吴 震，黄晓明．沥青混合料水稳定性的试验研究［J］．东南大学学报:自然科学版，2001，31(3):99-102．

［4］ 周骊巍．沥青混合料水稳性研究［D］．天津:河北工业大学，2005．

［5］ 吴 梁，周 娇．浸水劈裂试验评价沥青混合料水稳定性［J］．筑路机械与施工机械化，2013，30(7):46-49．

［6］ 江 曼，吴金荣，童雪雪．聚酯纤维与盐分对沥青混合料的水稳性影响研究［J］．硅酸盐通报，2015，34(3):873-877．

［7］ 谭忆秋，公维强，徐慧宁．基于BP神经网络沥青混合料低温弯拉应变预测模型［J］．沈阳建筑大学学报:自然科学版，2009，25(2):224-229．

［8］ 崔 鹏，邵敏华，杨 斐，等．基于神经网络的沥青混合料抗剪强度预估方法［J］．同济大学学报:自然科学版，2008，36(9):1191-1194．

［9］ 任瑞波，汲 平，李美玲．基于遗传神经网络沥青混合料抗车辙性能研究［J］．山东建筑大学学报，2010，25(3):226-230．

［10］ 李 红，彭 涛．基于BP、RBF神经网络混凝土抗压强度预测［J］．武汉理工大学学报，2009，31(8):33-36．

［11］ 任瑞波，钟 阳，张肖宁，等．柔性路面结构参数反算的人工神经元法［J］．哈尔滨建筑大学学报，2000，33(4):100-104．

［12］ 王雪青，喻 刚，孟海涛．基于GA改进BP神经网络的建设工程投标报价研究［J］．土木工程学报，2007，40(7):93-98．

［13］ 马 强，马少华，毛宗磊．利用遗传算法优化BP神经网络［J］．科技广场，2008(12):196-197．

［14］ 申全军，刘加锋．基于人工神经元网络技术的沥青混合料马歇尔试验性能预测模型［J］．山东交通科技，2005(4):17-19．

［15］ 高春妹．集料清洁度对沥青混合料水稳定性的影响研究［D］．长春:吉林大学，2007．

Prediction Model of Asphalt Mixture Water Stability Based on BP Neural Network

YIN Hao1，WANG Zhi-xiong2，WANG Lan-ying1
(1．School of Civil Engineering，Chongqing Jiaotong University，Chongqing 400074，China;2．Jiujing Management Division of Jiangxi Ganyue Expressway Co．，Ltd．，Jiujiang 332000，Jiangxi，China)

Considering that the test on the freeze-thaw tensile strength ratio(TSR)requires a lot of time and material resources，and it is difficult to establish a very accurate mathematical model between the influencing factors and the evaluation indicators of the moisture susceptibility of asphalt mixture，after analyzing and selecting the factors that affect the moisture susceptibility of asphalt mixture，the BPneural network model was used to train and inspect 35 sets of test data，and the TSR prediction model was established．The results show that the minimum relative error of this prediction method is 1.50%and the maximum is 4.94%．The great accuracy makes it capable of TSR test value prediction，which provides a reference for the preliminary judgment and evaluation of asphalt mixture＇s moisture susceptibility．

asphalt mixture;moisture susceptibility;BP neural network;TSR prediction model

U414．01

B

1000-033X(2017)10-0063-05

2017-02-28

江西省交通科技项目(2015B0050);重庆市科学技术委员会社会民生科技创新专项项目(CSTC2016SHMSZX30005)

尹 豪(1992-)，男，湖北阳新人，硕士，研究方向为路基路面结构与材料。

［责任编辑:杜卫华］