基于BP神經(jīng)網(wǎng)絡的道路預防性養(yǎng)護決策研究

翟登攀,張熙穎

(吉林建筑大學 交通運輸學院,吉林 長春 130118)

隨著改革開放的不斷深入和國民經(jīng)濟的飛速發(fā)展，公路作為我國經(jīng)濟建設的“先行官”，無論是量還是質(zhì)均發(fā)展迅速。早期建設的瀝青路面結構已經(jīng)進入大規(guī)模養(yǎng)護維修期。當前我國瀝青路面的養(yǎng)護決策模式多采用經(jīng)驗式，決策效率較低且決策水平受決策者主觀因素影響較大，產(chǎn)生的養(yǎng)護不盡合理，導致延誤養(yǎng)護時機或造成經(jīng)濟損失。采用BP神經(jīng)網(wǎng)絡進行預防性養(yǎng)護決策可以解決上述問題。

1 神經(jīng)網(wǎng)絡基本原理

BP神經(jīng)網(wǎng)絡是最早由Rumelhart提出來的一種基于誤差反向傳播的神經(jīng)網(wǎng)絡[1]，具有自組織、自適應和自學習的能力，能夠?qū)嵤┐笠?guī)模的并行處理。同時其具有的非線性映射特性，大大地增強了適應環(huán)境的能力，具有較好的魯棒性和容錯性。誤差反向傳播網(wǎng)絡模型利用已知數(shù)據(jù)通過迭代梯度算法求解網(wǎng)絡的實際輸出與期望輸出之間的最小均方差值，并將信息反向傳遞和修改誤差。在誤差反向傳播的過程中不斷地對權值和閾值進行修正，以此達到降低誤差的目的，使網(wǎng)絡對輸入模式響應的正確率不斷提升[2-4]。本文將BP神經(jīng)網(wǎng)絡應用到季凍區(qū)瀝青路面預防性養(yǎng)護決策中，建立季凍區(qū)路面典型病害類型與預防性養(yǎng)護措施之間的非線性映射關系，借助MATLAB中的BP神經(jīng)網(wǎng)絡工具箱，通過特定的語句完成模型的建立與神經(jīng)網(wǎng)絡反射練習，為客觀地決策預防性養(yǎng)護措施提供技術支持。

2 神經(jīng)網(wǎng)絡設計

季凍區(qū)瀝青路面病害損害類型豐富，通常選取對瀝青路面影響較強且出現(xiàn)頻率較高的裂縫、車轍、凍脹翻漿、松散、坑槽等作為研究對象，本文選擇發(fā)生頻率最高且處理方式復雜的裂縫類病害的預防性養(yǎng)護決策作為研究對象。

2.1 預測指標的選取

隨著瀝青路面投入運營后所經(jīng)歷的凍融周期的增加，裂縫出現(xiàn)并且日漸發(fā)育嚴重，其養(yǎng)護方式也需不斷變化，本文首先根據(jù)資料[5-11]和《瀝青路面養(yǎng)護設計規(guī)范》[12](以下簡稱規(guī)范)確定6種養(yǎng)護方式，具體見表1。

表1 裂縫類病害預防性養(yǎng)護措施

不同類型裂縫對應的養(yǎng)護方式不同，需要將表1中養(yǎng)護措施組合進行預防性養(yǎng)護，現(xiàn)將表1中的不同組合進行編號并作為網(wǎng)絡輸出的預測指標。具體見表2。

2.2 影響因素的選擇

裂縫主要分為縱向裂縫、橫向裂縫、塊裂和不規(guī)則裂縫(主要指龜裂)。裂縫的成因、表現(xiàn)形式、發(fā)育程度不同，所對應的養(yǎng)護措施也不相同。影響裂縫養(yǎng)護措施選擇的因素包括溫度、累計軸次、降水量、裂縫的幾何特征。在自然條件相同時，本研究選取幾何特征建模分析。

根據(jù)規(guī)范和相關資料[13-14]，本文選取裂縫的長度、寬度、面積及裂縫長度占調(diào)查路段長度的比值作為影響因素對瀝青路面裂縫分類分級，并確定相應的養(yǎng)護方式。具體情況見表2。

表2 裂縫分級及養(yǎng)護措施

*養(yǎng)護措施即表1中各養(yǎng)護方式所對應的編號

3 神經(jīng)網(wǎng)絡算法和模型建立

3.1 BP神經(jīng)網(wǎng)絡模型結構

典型的BP神經(jīng)網(wǎng)絡一般包括輸入層、輸出層和隱含層，BP神經(jīng)網(wǎng)絡在進行學習和訓練時主要考慮因素有隱含層數(shù)、隱含層神經(jīng)元數(shù)、網(wǎng)絡權值、期望誤差和學習速率。

圖1 算法流程

3.2 數(shù)據(jù)的輸入

裂縫的發(fā)展是連續(xù)的，據(jù)此可知對在預防性養(yǎng)護范圍內(nèi)的裂縫幾何特征采用隨機遍歷法取值，模擬真實路面裂縫發(fā)生狀況是可行的。

現(xiàn)利用MATLAB中的rand函數(shù)(可實現(xiàn)在指定數(shù)據(jù)范圍內(nèi)進行均勻隨機取值)對各等級病害進行取值，所取數(shù)據(jù)的多少一般依據(jù)實際數(shù)據(jù)或經(jīng)驗總結，根據(jù)資料[16-17]，每個等級抽取100組數(shù)據(jù)，一共抽取800組數(shù)據(jù)，剔除其中明顯不合理的數(shù)據(jù)(包括裂縫長度極大超出預防性養(yǎng)護范圍、裂縫長寬值極小但其長度占路面總長度過大，裂縫寬度與寬度比值過大過小與實際情況不符等)組成后共720組，其中，前600組作為網(wǎng)絡的訓練數(shù)據(jù)，后120組作為測試數(shù)據(jù)，并組成600×4、120×4兩個矩陣。因橫向裂縫長度是以車道寬度為參考,因此,橫向裂縫長度取值時對其進行無量綱化，取值范圍設定為[0,1]。神經(jīng)網(wǎng)絡輸入?yún)?shù)是由表2的4項指標組成的矩陣。輸出參數(shù)為表2各參數(shù)對應的編號。令P為輸入向量，Y為輸出向量，導入數(shù)據(jù)矩陣，進行BP神經(jīng)網(wǎng)絡訓練學習，以確定網(wǎng)絡的隱含層節(jié)點數(shù)。對不同節(jié)點數(shù)的網(wǎng)絡預測相對誤差、均方差并進行分析，整理數(shù)據(jù)如表3所示。

表3 不同隱含層節(jié)點數(shù)神經(jīng)網(wǎng)絡預測誤差

從網(wǎng)絡的仿真結果來看，隱含層層數(shù)為12時，網(wǎng)絡的預測誤差相對較小，因此,選取12作為該BP神經(jīng)網(wǎng)絡的隱含層個數(shù)，其訓練時期望輸出與實際輸出的誤差如圖2所示。

圖2 期望輸出與實際輸出的誤差

3.3 數(shù)據(jù)測試

為了保證測試輸出結果的客觀性，在測試的120組數(shù)據(jù)中隨機選取100組數(shù)據(jù)，組成矩陣對網(wǎng)絡進行測試。期望輸出和實際輸出進行對比，如圖3所示。

圖3 期望輸出和實際輸出比較

根據(jù)圖3可以看出，訓練過后的BP神經(jīng)網(wǎng)絡誤差仍然存在，但具有較高的擬合度，存在微量誤差的原因是因為對裂縫分級的幾何尺寸數(shù)據(jù)并不可能連續(xù)，用數(shù)字很難對處理方式進行確切的劃分。BP神經(jīng)網(wǎng)絡采用四舍五入的方式來確定決策閾值，例如當實際輸出為3.4和3.5時，3.4會被判定為編號3所對應的養(yǎng)護措施，3.5會被判定為編號4所對應的養(yǎng)護措施，而實際上這兩個輸出所對應的裂縫病害并無實質(zhì)上的差別。

4 判別效果評價

本次BP神經(jīng)網(wǎng)絡訓練時采用新版newff函數(shù)中速度較快的trainlm函數(shù)，且采用提前結束、防止過訓練的策略，與動輒需要上千次的傳統(tǒng)網(wǎng)絡相比，收斂速度快，一般能在較小的迭代次數(shù)后收斂。如圖4所示為誤差下降曲線，根據(jù)圖像橫坐標可以看出，網(wǎng)絡在進行0～4共5次迭代后已經(jīng)達到所要求的精度。另外，為了抵消隨機因素的影響，取相同的訓練和測試樣本運算20次，并統(tǒng)計其正確率和迭代次數(shù)，如圖5所示。

圖4 誤差下降曲線

圖5 正確率與迭代次數(shù)

通過對裂縫病害不同養(yǎng)護方式的分類分級，用訓練好的神經(jīng)網(wǎng)絡對測試數(shù)據(jù)進行測試、判別，平均正確率達94.40%，從判別結果和誤差可以看出，BP神經(jīng)網(wǎng)絡對于裂縫病害養(yǎng)護措施決策具有較高的準確性，且計算收斂速度快，所需時間短，能夠較準確地對裂縫類病害做出養(yǎng)護性決策。

5 結束語

投入運營后，快速準確的預防性養(yǎng)護決策能夠很大程度上節(jié)約資金。在路面病害跟蹤檢測后，通過BP神經(jīng)網(wǎng)絡，輸入相對應的幾何參數(shù)后，可以快速準確地得出所需要的養(yǎng)護措施，避免人工方法的主觀性，能夠?qū)Πl(fā)育中的病害進行積極的預防性養(yǎng)護，確保公路的服務水平，同時節(jié)約養(yǎng)護資金。這種方法可以拓展到各種路面結構的預防性養(yǎng)護中，具有較好的發(fā)展前景。