基于橫斷面特征的瀝青路面車轍損傷主層位判別

張瀚文，閆桃芬

（1.四川漢信建設工程有限公司，四川 廣元 628000；2.錫林郭勒盟交通運輸事業(yè)發(fā)展中心，內(nèi)蒙古 錫林浩特 026000）

1 引言

隨著我國高速公路建設的不斷發(fā)展，及時、準確的路面病害預防與處置變得更加重要。車轍作為瀝青路面一種主要病害形式，對路面結構有著極大的危害，甚至影響到車輛行駛安全性[1～5]。根據(jù)《公路技術狀況評定標準》（JTG H20-2007）[6]中車轍檢測的規(guī)定，中國每年需要檢測超過12 萬公里高速公路的車轍病害。同時，車轍損傷主層位的判斷仍舊依賴于現(xiàn)場開挖或鉆芯取樣等有損類檢測手段，檢測方法效率低，樣本點位有限，且缺乏代表性，回填后易造成二次破壞[7，8]。因此，快速、準確的掌握車轍損傷主層位是確定車轍處置時機與銑刨處置深度的關鍵。

13點激光車轍檢測車[9，10]現(xiàn)已廣泛應用于國省干線的車轍表面指標檢測，積累了大量的車轍橫斷面數(shù)據(jù)，該方法能夠快速獲取車轍橫斷面數(shù)據(jù)，并用于計算車轍橫斷面指標。因此，研究人員試圖利用車轍橫斷面數(shù)據(jù)無損識別車轍損傷主層位。Bonaquist[11]探討了利用車轍橫斷面指標的變化判定不同路面結構損傷程度的可能性。Simpson[12]利用5 點激光車轍檢測設備獲取了面層、基層、路基等四種損傷主層位的車轍表面數(shù)據(jù)，建立車轍最大深度、正負面積、正負面積比等幾何特征指標與車轍損傷主層位關系，并提出了面層損傷車轍和路基損傷車轍的損傷主層位識別模型。NCHRP（National Cooperative Highway Research Program）[13]通過有限元模擬的方法分析了車轍橫斷面特征指標，提出了識別界限更明確的損傷層位車轍橫斷面曲線，并用車轍深度、正面積、負面積、總面積以及正負面積比等5個特征指標，建立了識別面層損傷、基層損傷和路基損傷的車轍判斷方法。Solyman[14]采用直尺法精確量測了路面車轍橫斷面數(shù)據(jù)，驗證了NCHPR 提出的損傷層位識別方法的可行性，得到了較好的結論。上述研究表明，雖然鉆芯取樣可以獲取精確的車轍路面層位變形數(shù)據(jù)，進行車轍損傷主層位識別，但存在檢測效率低，點位代表性差等缺陷。而通過建立激光檢測獲取的車轍橫斷面數(shù)據(jù)與路面層位損傷的相關關系，可以無損、高效地識別車轍損傷主層位，具有極大的研究潛力。之前研究的橫斷面指標主要由5點或9點激光車轍檢測設備構建，提取的指標少且精度低，影響車轍損傷層位的判斷，而且研究均以全厚式雙層瀝青路面為研究對象，并未探究中國普遍采用的三層式半剛性瀝青路面。

為此，本文以13 點激光車轍檢測設備獲取的實測車轍橫斷面數(shù)據(jù)，計算了3段車轍的7類橫斷面評價指標，并以10m 評定單元實地鉆芯確定了車轍損傷主層位。根據(jù)上述數(shù)據(jù)構建多分類器識別分類模型進行損傷主層位自識別并驗證識別結果，最終建立路面橫斷面指標與面層損傷主層位的關系。研究結果能夠大幅減少車轍檢測時的鉆芯作業(yè)量，為車轍損傷主層位的無損檢測提供方法，為多點激光檢測數(shù)據(jù)應用提供思路，為車轍層位變形理論分析提供依據(jù)。

2 車轍樣本信息檢測

2.1 檢測路段信息

為建立車轍橫斷面特征指標與路面損傷主層位的相關關系，應首先獲取充足的實地瀝青路面橫斷面數(shù)據(jù)與對應的鉆芯芯樣。本文選取陜西省某高速K973+000～K985+650下行路段行車道為試驗路段，路面結構為5cm 的AC-13 上面層、6cm 的AC-20 中面層、9cm 的ATB-30 下面層組成的面層和32cm 的水泥穩(wěn)定碎石基層、20cm 的水泥穩(wěn)定碎石底基層組成的基層。通過對該路段現(xiàn)場觀測發(fā)現(xiàn)，路面存在多處車轍病害，但道路破損狀況較好。

2.2 車轍橫斷面指標提取

采用中國交通運輸部標準[15]的13點激光車轍檢測設備，檢測結果精度較3 點、5 點激光檢測設備有大幅提升[16，17]，2010年后開始大規(guī)模應用于中國高速公路檢測[18]，檢測設備的檢測橫梁寬度為2300mm，沿橫梁方向非均勻布設有9個垂直激光傳感器，檢測車及其分布間距如圖1所示，在輪跡帶處密集，而非輪跡帶處稀疏，左、右兩端各布設兩個斜射激光傳感器，有效檢測寬度可達3600mm，圖1中D1、D2、…D7為一側(cè)的激光車轍照射點。激光垂直精度為1mm，檢測速度為20 km/h～100 km/h。

圖1 激光位移傳感器橫向分布示意圖

Simpson 根據(jù)5 點車轍儀檢測的車轍斷面數(shù)據(jù)，提出了正面積、負面積、填充面積、直尺深度、直尺寬度、包絡線深度與包絡線寬度在內(nèi)的7個指標[19]；在其基礎上，美國聯(lián)邦公路局（FHWA）利用長期路面性能計劃（LTPP）采集的車轍橫斷面數(shù)據(jù)（3 點、5 點激光設備數(shù)據(jù)），通過相關性分析和配對樣本t檢驗的方法對上述7項路面車轍評價指標的相關關系進行了研究[20]。NCHRP 提出了車轍最大深度、最大水平寬度、正面積、負面積、正負面積比、最大凸起高度、凸凹比等7個橫斷面特征指標，用于車轍橫斷面描述[21]。本文對采集到的13點車轍橫斷面數(shù)據(jù)，依據(jù)NCHRP提出的方法計算車轍最大深度、最大水平寬度、正面積、負面積、正負面積比、最大凸起高度、凸凹比等7個橫斷面特征指標。

為了最大程度保證縱向檢測位置的一致和檢測結果連續(xù)、可靠，將激光檢測設備的采樣間距設置為20cm，一個檢測評定單元內(nèi)（即10m）共有50 個橫斷面的高程數(shù)據(jù)。通過對13點激光車轍檢測設備的深度指標數(shù)據(jù)進行初步分析，選取了圖2所示的3處不同嚴重程度的車轍作為樣本數(shù)據(jù)，記作partA、partB和partC，車轍長度分別為350m、430m 和320m，車轍在輪跡帶處明顯下陷，同時中部和兩側(cè)凸起，但凸起高度與寬度較小。

圖2 車轍位置空間分布圖

為計算上述7個車轍特征指標，依托MATLAB平臺編寫程序繪制車轍橫斷面圖形并按如下方式提取指標：將各點依次相連構成車轍橫斷面的形狀，連接首尾點并向兩側(cè)延伸構成的直線假定為原始路面線，修正路面橫坡后記為測定基準線。如圖3所示，以橫軸為測定基準線，縱軸為路面高程，計算車轍橫斷面7個指標。

圖3 車轍橫斷面評價指標的計算

2.3 車轍層位損傷調(diào)查

為了獲得與車轍橫斷面指標所匹配的車轍層位損傷主層位數(shù)據(jù)，對車轍路段內(nèi)每隔50m 就在輪跡帶處鉆芯，得到變形后上面層、中面層和下面層各結構層位的厚度，再對比路肩芯樣的厚度數(shù)據(jù)，以此代表區(qū)域內(nèi)各檢測評定單元的車轍損傷主層位。為計算上、中、下面層的車轍變形率，需要獲取原始路面結構的各層位厚度代表值，因此對每個車轍的前、中、后段選擇9個芯樣數(shù)據(jù)，分別計算每個車轍路段各層位厚度的平均值，獲得三個車轍路段上、中、下面層的平均厚度分別為partA：5.2cm、6.5cm、8.9cm；partB：5.1cm、6.3cm、9.2cm；partC：4.9cm、6.7cm、9.4cm。

為建立可靠的車轍橫斷面指標與損傷主層位識別分類模型，在保證樣本量的前提下，同時為避免路面的大面積損傷，以50m 的間隔在輪跡帶車轍凹陷最低點進行鉆芯，其結果代表50m 內(nèi)10m 評定單元的車轍損傷主層位屬性，并以10m 為間隔與車轍橫斷面指標計算結果進行匹配，得到表1 所列的層位損傷樣本數(shù)據(jù)，上面層損傷（Ⅰ型）43個、中面層損傷（Ⅱ型）35個、下面層損傷（Ⅲ型）32個，共110組數(shù)據(jù)，用以進行車轍層位損傷識別模型的構建，即分類模型的目標變量y。

圖4 現(xiàn)場鉆芯示意圖

圖5 芯樣測量圖

表1 層位損傷芯樣數(shù)據(jù)

3 車轍損傷模型訓練與輸出結果

3.1 樣本整合與標準化

將檢測調(diào)查得到的車轍橫斷面指標數(shù)據(jù)記為X，與層位損傷數(shù)據(jù)的樣本屬性標簽按樁號匹配，得到原始樣本數(shù)據(jù)集合見表2。為避免指標數(shù)量級的不同帶來數(shù)據(jù)擾動等誤差，對自變量X 進行標準化處理[22]。同樣，為適應分類算法的訓練需要，數(shù)值化處理非數(shù)值屬性的目標變量y，即用0、1、2 分別代表車轍損傷主層位上面層、中面層、下面層的車轍。

表2 層位損傷識別樣本數(shù)據(jù)集

3.2 分類器集成與訓練

構建分類器目的在于通過車轍的橫斷面指標對車轍表面層中的具體變形主層位進行概率模型的分類預測，由于統(tǒng)計學中的集成算法其自身的優(yōu)越性和對樣本數(shù)據(jù)的適應性，通過個體間不具有強依賴性的組件學習器并行生成的隨機化方法，常作為多分類系統(tǒng)用于對數(shù)據(jù)進行有監(jiān)督的學習，可獲得比單一學習器優(yōu)越的泛化性能[23]。由于隨機森林、樸素貝葉斯、邏輯回歸分別具有不同的學習偏好，滿足本文目標多分類器集成學習的基本條件，以該三類組件學習器按照軟投票的結合策略進行模型訓練[24]。

在多分類器訓練前，需要進行特征工程選擇有最佳橫斷面指標向量X，基于常用的k-10 交叉驗證的算法劃分訓練集和驗證集，首先使用RFE 遞歸特征消除法選擇最佳橫斷面特征子集；然后帶入多分類器進行訓練，以得到層位分類預測的概率判別，并驗證多分類器的訓練結果，具體流程如圖6所示。

圖6 車轍損傷模型訓練流程圖

3.3 概率判別與混淆矩陣輸出

車轍損傷模型經(jīng)訓練、驗證后，通過RFE遞歸特征算法分析得到在橫斷面特征向量維度為5 的時候交叉驗證的平均錯誤率最低，剔除重要性排序最低的正面積和最大凸起高度兩個指標，輸出10-折交叉驗證集在各個面層為變形主層位的概率判別結果見表3。對變形主層位分類的概率判別選擇最大概率所對應的面層即得到損傷主層位的位置，通過對判別概率的平均值、標準差的對比，說明判別結果有較高的可靠度。

表3 車轍層位識別結果

結合實際鉆芯結果中的主層位樣本標簽，對比其判別準確性，輸出其混淆矩陣，如圖7 所示。Test1 到Test10 為10-折交叉驗證劃分的10 個不重疊的樣本測試集，每個測試集的結果為一個獨立的混淆矩陣，每個矩陣的行表示實際的損傷主層位標簽，列表示概率判別的損傷主層位分類結果，對角線的元素表示分類與實際一致的結果，分類錯誤的樣本位于Test2、Test8 和Test10 中，出錯測試集的平均預測準確率為90%，整體平均預測準確率達到97%，整體預測準確性良好，下面對預測的概率分布和出錯的樣本元素進行具體分析。

圖7 混淆矩陣

3.4 車轍損傷層位空間分布結果

根據(jù)混淆矩陣的結果作損傷主面層的預測空間分布，如圖8所示，橫軸為樁號，標紅區(qū)域（箭頭指向區(qū)域）為預測錯誤的位置。由圖可知，三個車轍路段的損傷主層位分別為上面層、下面層和中面層，初步結果說明通過路面橫斷面指標能夠有效識別車轍損傷主層位，并獲得不同路段的各主層位分布比重及具體位置信息。

圖8 車轍損傷層位空間分布圖

4 車轍層位損傷判別分析

根據(jù)多分類器的判別結果，對應樣本樁號得到圖8所示的車轍區(qū)段損傷主層位分布圖，紅色標記處為誤判斷面位置，具體信息列于表4?？梢钥闯鲎R別錯誤由以下兩種情況引發(fā)：

表4 誤判樣本信息

①損傷主層位轉(zhuǎn)變引起的識別錯誤：樣本40 將上面層損傷識別為中面層損傷，樣本48 將中面層損傷識別為下面層損傷，通過對比芯樣數(shù)據(jù)發(fā)現(xiàn)車轍損傷主層位逐步延伸至下一層，此時路面橫斷面指標的指向性較為模糊，使得識別模型出現(xiàn)錯誤。

②施工因素引起的識別錯誤：樣本102識別中面層為損傷主層位，與鉆芯結果顯示下面層損傷結果不同。其判別概率可靠度約74%，與判別結果可靠度的平均值90%相差較大。通過鉆芯芯樣分析，這是由于層間粘結強度不足導致中、下面層脫開引發(fā)的車轍病害，因此車轍橫斷面的形態(tài)有較大的不同，使得識別模型出現(xiàn)錯誤。

綜上所述，車轍損傷層位的識別結果在車轍損傷層位交替區(qū)域的正確率較低，同時不良的道路施工質(zhì)量也對識別準確率有影響。在實際檢測過程中，可以在損傷層位識別結果突變區(qū)域補充鉆芯，保證檢測結果的準確性和可靠性。

5 結語

①基于現(xiàn)場13 點激光檢測和鉆芯取樣獲取的110組車轍樣本數(shù)據(jù)集，通過RFE 特征遞歸算法確定橫斷面指標向量的最佳子集，保留車轍深度、凸凹比、最大水平寬度、正負面積比、負面積等5個指標，通過車轍橫斷面特征指標在已知層位芯樣監(jiān)督學習下建立了多分類器模型，總體識別正確率為97%；驗證了流動型車轍損傷層位識別具體到上面層、中面層以及下面層的概率判別的可行性。

②車轍損傷層位的識別結果在車轍損傷層位交替區(qū)域的正確率較低，同時不良的道路施工質(zhì)量也對識別準確率有影響。在實際檢測過程中，可以在損傷層位識別結果突變區(qū)域補充鉆芯，保證檢測結果的準確性和可靠性。

③基于多分類器集成的車轍損傷層位識別，從工程實踐的角度意義較大，可以據(jù)此對結構危害較嚴重的路段進行重點排查，或為鉆芯取樣或斷面開挖選點提供輔助信息。然而，由于受到不同層位車轍樣本數(shù)量和質(zhì)量的制約，仍然具有較大的局限性；同時，由于車轍常常不僅局限于單一層位，組合型車轍多層位識別還有待進一步研究。