路网沥青旧料综合再生站点规划与效益

徐光霁 韩诚嘉 马 涛 黄晓明 黄若昀

(东南大学交通学院, 南京 211189)(江苏高速公路工程养护技术有限公司, 南京 210000)

经过近30年的快速发展,我国公路交通运输网络规模和能力不断扩大,随着使用期的不断延长,我国公路大量进入维修期.交通运输部的统计数据表明,我国每年仅干线公路养护维修产生的废弃沥青混合料就近2亿t,而再生利用率不足30%[1].因此,对路面养护过程中的废弃旧料进行高效回收利用,不仅具有重要的工程经济效益和社会环境效益,也是推动公路绿色建设与可持续发展的重要技术途径.当前单个再生工程中路面回收旧料的随意使用,无论是再生效率、再生品质还是再生规模都很难满足未来旧料的规模化再生利用需求,成为目前旧料整体再生利用率低的重要原因之一[2].

目前,国内外关于沥青旧料回收仓库选址的研究较少,Han等[3]提出了一种基于ArcGIS与Floyd算法的再生沥青混合料集散中心选址的多因素分析方法.此外,沥青路面再生技术对道路性能恢复方面的研究已经十分成熟,但是对于再生技术经济性分析评价的研究相对较少.薛国胜[4]针对沥青路面就地热再生技术经济分析,引入成本效益分析法对就地热再生与铣刨重铺2种方案的经济性进行了对比;聂忆华等[5]针对厂拌热再生,从设备生产成本等5个方面采用收益现值法定量计算了厂拌热再生的经济效益;姚胜等[6]定量计算了乳化沥青厂拌冷再生技术与热拌沥青混合料节约的经济效益;吴振亚等[7]建立了针对水泥基层就地冷再生的经济成本计算简化模型.虽然针对各种沥青路面再生技术均有学者提出了成本的计算方式,但是成本计算的考虑因素差异较大,多数研究针对具体的再生工程项目提出,缺少综合比较多种再生沥青再生混合料全生产周期的系统性计算模型.

因此,本研究面向区域路网的整体再生需求,提出基于深度人工神经网络(ANN)的再生沥青混合料存储站点选址模型,通过分析不同再生混合料在全养护施工过程中的经济与环境效益,并结合Dijkstra最短路径算法与两阶段神经网络模型,最终建立多时间需求的沥青混合料再生回收站点规划体系.并以江苏省高速公路养护工程为依托进行了回收站点选址案例分析,对区域路网沥青路面回收料协同再生的投资净现值进行了定量分析研究.

1 再生技术综合效益分析

沥青路面在长期服役中受到环境因素与交通荷载的耦合作用会发生老化,老化后的沥青变硬、变脆,使用性能下降,进而使得沥青混合料的路用性能和耐久性降低,路面产生开裂、松散等病害.再生是老化的逆过程,通过加入再生剂,调节老化沥青中的化学组分,改善组分之间的相容性,使老化沥青恢复或接近原来的性能[8].再生沥青路面由回收的废旧路面材料经专用设备翻挖、回收、加热、破碎、筛分后,与新沥青、新集料、再生剂等拌和成混合料,再经过摊铺、碾压,重新铺筑于路面.当前的再生技术按照拌和场地可分为就地再生和厂拌再生2种方式;按照拌和温度可分为热再生和冷再生2种方式.本研究将从经济成本与环境效益2个角度出发对不同再生方式生产的再生沥青混合料综合效益进行定量分析.

1.1 再生技术的经济成本分析

考虑再生沥青混合料从旧路铣刨到再生再到铺筑的完整再生过程,其机械成本费用依据《公路工程预算定额》(JTG/T 3832—2018)和《公路工程机械台班费用定额》(JTG T3833—2018)进行计算.再生沥青路面材料生产过程分为5个阶段,分别是旧路铣刨阶段、旧路运输阶段、混合料拌和生产阶段、新路运输阶段以及新路铺筑阶段.沥青混合料的成本主要来自原材料费用、机械成本费用和人工成本费用[9],其中混合料成本中的机械成本又被分为设备使用费用以及油耗费用.

1.2 再生技术的经济成本分析

沥青路面再生技术所带来的环境效益需要考虑完整的再生沥青混合料的生产以及铺筑过程,按照施工顺序将再生路面分为4个阶段,分别是旧路处理阶段、新料生产阶段、混合料生产阶段以及路面施工阶段,记为E1～E4.建立沥青路面再生技术能耗与排放量化清单来分析不同再生技术不同阶段的能耗与负环境效应气体排放,将单位再生沥青混合料的能耗与废气排放通过与同热量同排放的标准煤燃烧等效计算成本.表1给出了不同气体带来的不同负环境效益以及等效换算系数[10-11],全球变暖以碳排放作为标准排放,酸化效应以硫排放作为标准排放,健康危害以氮排放作为标准排放,可吸入颗粒物按照PM2.5和PM10作为标准排放[12].

表1 排放气体对应不同负环境效益下的转换系数

由于燃烧标准煤会同时产生4类负环境效益气体,因此取换算标准煤质量最大的一类负环境效益结果作为最终换算结果,采用下式计算1 t再生沥青混合料的能耗与负环境效应气体排放的等效费用成本[13]：

(1)

式中,Cenv、Ce1、Ce2分别为环境费用、能耗费和排放费,元/t;Nij为在阶段i时选用j类设备的台班数;Ep,k为k种燃料每kg释放的p种排放气体的质量,mg;αcoal为燃烧标准煤产生单位能耗的费用,元/MJ;βcoal为燃烧标准煤产生单位气体排放的费用,元/MJ;k为燃料种类;p为排放气体种类;Hk为k种燃料每kg的净发热,MJ;Sk,ij为在阶段i时选用j类设备添加k种燃油的消耗,kg;γp为p类排放气体的转换系数(见表1).

计算出不同再生方式的再生沥青混合料的单位成本与普通沥青混合料的经济成本与环境收益,然后根据下式计算不同再生方式的综合收益率：

(2)

式中,Fa为不同再生方式a的综合收益率,元/t;Cenv,n、Cc,n分别为普通沥青混合料的环境费用与成本费用;Cenv,a、Cc,a分别为第a种再生方式的再生沥青混合料的环境费用与成本费用.

2 基于深度神经网络的混合料需求模型

为了实现对路网养护所需使用的沥青混合料的准确预测,以准确估计使用再生技术为区域路网带来的再生效益,本文提出了一种基于二阶段深度人工神经网络的路网养护沥青需求量间接预测模型.模型由2个独立的深度神经网络构成：一阶段神经网络模型基于当前道路的健康状况预测自然衰减下的未来道路健康状况;二阶段神经网络基于未来道路健康状况进行养护处置方案模糊决策.之后根据处置方案进行路网沥青需求量计算,流程如图1所示.

图1 二阶段深度人工神经网络的预测模型流程图

人工神经网络是一种现代人工智能算法,拥有较强的快速拟合复杂非线性映射的能力与泛化性能力.人工神经网络算法包含2个关键步骤：① 通过激活函数将非线性连续添加到网络中,以便网络可以获得拟合高度非线性映射的能力;② 通过误差反向传播来连续训练隐藏层的权重和偏差,以便网络可以在迭代过程中连续逼近现实[14].

图1中左侧神经网络(模型1)的作用是基于目前的道路健康状况对未来(本文为1年后,取决于检测周期)道路的健康状况进行预测.模型1的输入为t时刻的路面车辙深度指数(RDI)、路面破损状况指数(PCI)、路面抗滑性能指数(SRI)和路面行驶质量指数(RQI),输出为t+1时刻的RDI、PCI、SRI和PQI.网络结构共有14层结构层,包括8层全连接层和6层功能层.全连接各层的神经元数量分别为256、256、128、128、64、64、14和4个.功能层分别为批归一化层(BN)和Dropout层.BN层用于解决深度学习中梯度弥散的问题,通过计算每次训练的均值和均方差,通过减均值再除以均方差的方式对采样分布进行尺度缩放与偏移,使得新的分布更切合数据的真实分布,保证模型的非线性表达能力[15].Dropout层用于解决过拟合问题,在每批训练中随机忽略隐藏层的一部分神经元,这种方式可以减少隐层节点间的相互作用,使网络不会过于依赖某些局部特征[16].

图1中右侧神经网络(模型2)的作用是基于路面健康状况来决策所需要的养护方案(此处并非为具体方案,而是方案的处置类别).模型2的输入为t时刻的RDI、PCI、SRI和RQI,输出为概率分布(P(无需养护)、P(预防性养护)、P(小修)、P(中修)、P(大修)).网络的结构层共有14层,与模型1的结构类似,区别是最后一层全连接层的激活函数被替换成Softmax函数,输出一个长度为5的概率分布.

模型1中,预测的跨度与训练样本的时间间隔有关,本文以江苏省养护监测数据为案例,根据技术状况评定规范与养护现状,因此预测跨度取为1年,训练样本为在未经养护的情况下前后一年道路的技术状况检测指标.模型2中,养护方案按照处置程度分为无需养护、预防性养护、小修、中修和大修5种,由于对区域路网的沥青再生混合料需求估算属于模糊估计,精度要求不严格,因此根据每种处置方案对沥青路面处置的平均厚度,结合道路宽度即可估算出沥青混合料的数量.

3 旧料再生站点规划模型

旧料仓库综合选址将综合考虑高速公路旧料产量与需求量、旧料仓库适宜选址的地理环境因素与总运距,来确定最优旧料仓库位置.本研究以Han等[3]的沥青路面旧料(reclaimed asphalt pavement,RAP)存储仓库选址模型为基础,进一步进行优化与改进,具体包括：在综合运距计算时考虑多种再生混合料的综合收益率Fa,并使用Dijkstra算法来求解最短路径问题.

3.1 仓库需求量计算

常用的旧料存储仓库简化模型[3]如图2所示.该模型将存储仓库的辐射范围简化成以仓库为中心的圆形区域,根据旧料仓库费用和混合料的运输成本与辐射半径的导数关系,计算出仓库的经济半径.并基于经济半径与路网区域面积,根据下式确定区域内需要设置的仓库数N：

(3)

式中,r为经济半径,km;C1为旧料仓库设置费和运营费,万元;C2为旧料仓库运营费,万元;γ为材料的密度,t/m3;ρ为材料关于公路的线密度,t/km;kc为1 t混合料平均每km的运输费,万元/km;Sarea为区域总面积,km2.

图2 旧料仓库为中心的多条相交路网示意图

在确定仓库数量后,开始进行旧料仓库位置的确定.将选址应考虑因素划分为2类：区域运输经济性与仓库设置环境条件.

3.2 经济运距因素

旧料的总运距除了与仓库-回收点距离有关,还与旧料的产量、需求量有关.若某一地点距离仓库较近,但其旧料的产量、需求量巨大,则需要运输车多次往返运输,其总运距也将显著增加.因此,本文进一步将旧料产销量与最短路径相结合,选出总运距最短的仓库地址.若将邻接矩阵中的元素设置为相邻2个节点之间的距离,则可通Dijkstra最短路径算法求得任意2个节点之间的最短路径.

Dijkstra最短路径算法是一种求某一起点到除该点外剩余所有点的最短距离的算法.本文将起始点设置为旧料仓库,通过Dijkstra最短路径算法计算出该起始点(仓库)到其他所有路网节点的最短距离,然后进行累加求和,即可得到该起始点(仓库)到全路网节点的最短路径.

类似地,若将邻接矩阵中的元素设置为相邻路网节点之间的旧料产销总量,则可以计算出任意2个节点之间的最小旧料产销量的路径.即通过该条路径从A点到达B点,可使得所需要运输的旧料总量最少.此外,不同的再生沥青混合料的综合经济成本也有区别,因此将区域路网中所有端点与交点进行不重复编号,建立Dijkstra算法邻接矩阵,可达两点之间的综合运距SD(A,B)按照下式计算：

(4)

式中,S(A,B)为A点与B点之间的真实距离;Na(A,B)为A点与B点之间产生的第a种再生混合料的数量.将计算后的邻接矩阵按行求和后再降序排列即可得到基于经济性选址因素的推荐选址点排序.

3.3 环境因素

地理环境因素对于回收点的选址有着至关重要的作用.回收点及旧料仓库所在地应尽量靠近现有养护工区,同时尽量避免人口密集区、降水量大湿度高地区以及湿地湖泊等保护区.通过对现有数据(再生企业分布、降水量、人口、现有养护工区、距离高速公路的距离)的综合分析,建立评分体系,以ArcMap为载体,建立旧料回收点选址的地理分布图.其中对于不利于建立回收点的因素赋值低分,对于有利于建立回收点的因素赋值高分,按照下式计算：

Sgeo=w1Sm+w2Spre+w3Sl+w4Spop

(5)

式中,Sgeo为环境总评分;Sm为山地因素评分;Spre为降水因素评分;Sl为湖泊因素评分;Spop为人口因素评分;w1～w4为各对应因素的权重.将计算后的路网节点降序排列，即可得到基于环境条件因素的推荐选址点排序[3].

3.4 选址流程

确定了RAP料仓库的需求数量、基于GIS的环境因素和使用Dijkstra算法计算的经济运距因素后,为了最大限度利用现有再生资源,旧料仓库的解空间范围为区域路网现有的道路养护工区.旧料仓库选址的第1步是在全局综合运距节点矩阵(Dijkstra最短路径排序结果)中找到最小值节点,并计算空间距离以找到节点附近的Q个沥青搅拌站(Q为可调阈值,本文推荐取值为3).然后将地理环境因子值最小的沥青搅拌站的位置作为第1个旧料仓库位置.以第1个仓库的位置为中心,并以仓库的经济半径r为半径绘制圆,以移除圆覆盖区域中的沥青搅拌站和网络节点.从其余节点中选择矩阵中值最小的节点,继续从其余站点中找到Q个附近的养护工区,并将地理环境因子值最小的站点作为第2个旧料仓库的位置.重复上述步骤,遍历网络中的所有节点,直到找到所有旧料仓库之后停止计算.基于上述研究,本文给出了沥青旧料回收站点的规划布局体系模型,其中包括基于当年养护方案需求的当年仓库布局模型，以及考虑未来需求的前瞻性旧料存储仓库布局模型.

4 案例研究

案例分析以10年的江苏省高速公路路网养护数据为例,建立面向高速公路网络的沥青旧料回收站点选址模型.已知数据为路网每年的养护里程数据、铣刨得到的RAP料产量、养护需求的沥青混合料数量以及各路段适宜采用的再生养护技术.主流再生技术包括：厂拌热再生、厂拌冷再生、就地热再生以及就地冷再生技术.在计算再生沥青混合料的环境效益时,首先要明确标准煤的折算单价与排放标准.标准煤是指热值为29.307 MJ/kg的煤炭,它是标准能源的一种表示方法,标准煤折算单价为原煤单价乘以原煤发热量除以发热标准量.

本文采用20.920 MJ的工业煤进行计算,根据2020年国家统计局6月份统计数据,山西混煤(热值为20.920 MJ)价格为485元/t,计算得出标准煤单价为346.43元/t.工业锅炉每燃烧1 t标准煤,就产生二氧化碳2 620 kg,二氧化硫8.5 kg,氮氧化物7.4 kg,可吸入颗粒物约3.25 kg.经过计算得到4种再生方式在江苏省内适用情况的综合收益率,如表2所示.

表2 不同沥青再生技术的综合收益率

基于江苏省2014—2019年某高速公路200 km的百米监测数据(上下行),分别制作模型1与模型2所需的训练集.模型1的训练集数据约为214 000条,模型2的训练数据集约为900条.按照训练集、验证集、测试集7∶2∶1的比例进行划分,使用Tensorflow2.0框架建立深度人工神经网络并分别进行训练.

其中模型1的路面状况预测网络训练后的预测精度误差分析结果如图3(a)所示,模型2的决策网络训练后的决策精度如图3(b)所示,二者都实现了高精度、低损失值的训练效果.模型1和模型2的训练过程损失值变化如图3(c)、(d)所示.模型1经历100次训练,模型2经过150次训练后均达到设定的收敛条件(损失值小于设定的阈值).使用测试集数据对模型1与模型2的精度进行验证,模型1的测试集样本精度误差为94.4%,模型2的测试集样本精度误差为97.5%.根据训练得到的二阶段模型,对江苏省高速公路网络剩余寿命周期内每年用于养护的再生沥青混合料需求进行估算.

(a) 路面健康状况预测精度

(b) 路面养护决策精度

(c) 预测网络的收敛精

(d) 决策网络的收敛精度

根据路网内各道路不同再生混合料的适用情况以及对未来5年混合料不同再生混合料适用状况的预测值,根据标定的路网节点建立Dijkstra邻接矩阵求解区域路网节点的最短路径之和.同时使用ArcMap建立选址环境buffer图,基于上文选址流程进行选址规划求解,如图4所示.

图4(b)为江苏省高速公路网的沥青旧料回收站点选址结果.完成沥青回收料旧料选址结果后,使用费用效益分析法分析选址结果服务于区域路网的整体再生养护所创造的经济效益.按照道路全生命周期30年计算,利用下式计算全生命周期的江苏省路网再生优势净现值：

(6)

式中,Vnpv为全生命周期的江苏省路网再生优势净现值,元;BL为第L个单位公里道路的收益,元/km;CL为第L个单位公里道路的花费,元/km;Bs,L为第L个单位公里道路养护带来的综合社会效益,元/km;Cc,L为第L个单位公里道路的养护成本,元/km;FL为第L个单位公里道路的再生综合收益率,元/km;t为道路服役时间，年；T为路网的一个养护周期年限,年;f为折现系数.江苏省路网全生命周期的再生养护净现值计算结果如图5所示.

(a) 环境因素可视化

(b) 回收旧料仓库选址结果

图5 江苏省路网全生命周期的再生养护净现值

由图5可知,按照30年计算道路的全寿命周期,每次路面经过大修后经济曲线就会出现拐点并放缓增速,在寿命周期末,再生沥青混合料养护比普通沥青混合料养护的总综合效益提升约15亿元.这表明沥青路面的综合再生利用措施在区域路网中的推广具有较大的投资回报,也证明了与其配套的江苏省区域路网RAP料存储调配仓库是必不可少的.

5 结论

1) 对比分析了4种再生方式与普通沥青混合料在经济成本与环境效益的费用差,建立了考虑完整施工养护过程的再生沥青混合料综合收益率定量计算方法.

2) 基于区域路段养护数据的路网宏观需求,提出二阶段深度人工神经网模型,实现了路网养护再生沥青需求量间接预测计算.

3) 综合考虑环境与经济因素,基于Dijkstra最短路径算法,建立了面向区域路网不同时间需求的RAP料存储站点布局体系,实现了基于江苏省高速公路网络养护需求的RAP料仓库选址,并定量评估了道路全寿命周期内路网再生养护投资净现值.

4) 本文在计算仓库经济半径时考虑统一堆放的处置模式,针对未来RAP料精细化处置模式可将模型进行对应改进.