作者简介:柯文豪(1986—),男,长安大学博士研究生. 研究方向:基于路用性能的路面设计方法. E-mail: kwh860225@126.com
中文责编:坪 梓; 英文责编:之 聿
1)长安大学材料科学与工程学院,陕西西安 710064; 2)中交第一公路勘察设计研究院有限公司,陕西西安 710065
Ke Wenhao1, Chen Huaxin1, Lei Yu2, and Zhang Tao21)School of Materials Science and Engineering, Chang'an University, Xi'an 710064, Shaanxi Province, P.R.China2)China Communications Construction Company First Highway Consultants Company Limited, Xi'an 710065, Shaanxi Province, P.R.China
road engineering; prediction method; crack; expressway; asphalt concrete pavement; general regression neural network
DOI: 10.3724/SP.J.1249.2017.04378
采用相关分析法对沥青路面裂缝的不同影响因素进行分析,采用广义回归神经网络(general regression neural network,GRNN))建立沥青路面裂缝预测模型,选用50组高速公路路面实测数据对模型进行训练,选用6组实测数据对模型进行检验. 结果表明,使用年限和累计轴载次数与裂缝高度正相关; 沥青层厚度、半刚性结构层厚度和上面层沥青用量与裂缝呈中度负相关; 下面层沥青用量与裂缝呈低度正相关; 年最低气温与裂缝相关性极弱.预测值与实测值偏差较小,裂缝预测值与实测值最大偏差为12.71%,说明模型预测效果较好.
The relationship between crack and influencing factors is analyzed by using correlation analysis method. The prediction model for crack of asphalt pavement is established by using of general regression neural network(GRNN). In order to establish the model, 50 sets of measured data of expressway pavement are selected for determining model parameters, and 6 sets of measured data are selected for model validation. The service life and the cumulative number of standard axle loads are highly positive correlated with crack. The asphalt concrete layer thickness, the semi-rigid structural layer thickness and the surface layer asphalt content are moderately negative correlated with crack. The bottom layer asphalt content is low positively correlated with crack. The correlation between annual minimum temperature and crack is weak. The deviation of predicted values and measured ones is small. The maximum deviation is 12.71%, which shows that the model is feasible.
随着中国路网的逐步完善,公路修筑急速由建设期转入运营养护期. 在养护期如何保障路面长期性能优良是目前面临的一个主要问题. 从欧美等发达国家历史经验看,对路面进行合理的养护规划是解决该问题的一个有效手段. 然而无论采用何种养护规划方法,首先需要解决的是路面路用性能预测问题. 其中,裂缝作为沥青路面最主要的病害类型,对其进行科学预测尤为重要. 国外对沥青路面裂缝预测的研究较早,其中影响较大的为美国国有公路运输管理员协会(American association of state highway and transportation officials, AASHTO)路面性能预测模型,其针对沥青路面自上而下(top-down)裂缝、 自下而上(bottom-up)裂缝和温度裂缝均建立了对应的预测模型[1-7]. 然而以上模型均为通过室内试验并结合美国当地路面情况得到,由于路面结构类型、施工水平和环境交通特征与中国实际情况都存在较大差异,无法直接采用. 国内学者对路面性能预测也开展了相关研究,武建民等[8]建立了基于时间序列分析法的自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA)对路面行驶使用性能指数(riding quality index,RQI)进行预测[8]; 周鹏飞等[9-24]分别采用马尔可夫链与神经网络组合模型、信息扩散理论、灰色系统理论等对路面性能指数进行预测.以上预测模型主要为综合性的指数模型,并未针对裂缝预测开展相关性研究. 曾胜等[25]通过对沥青玛蹄脂碎石路面逐年裂缝的观测,采用灰色关联法建立使用年限与路面裂缝率的模型对路面裂缝进行预测,由于观测样本单一且影响因素较少,使其适用性受限.
本研究考虑环境、交通、路面结构和路面材料等因素,根据多条高速公路沥青路面历年裂缝实测数据,采用相关分析法对裂缝的不同影响因素进行分析,确定影响程度,进而采用广义回归神经网络(general regression neural network,GRNN)预测方法建立裂缝的预测模型.
影响沥青路面裂缝的因素有环境、交通、路面结构、路面材料和施工水平等.本研究选取路面使用年限、累计标准轴载作用次数、年最低气温、沥青层厚度、半刚性结构层厚度、上面层沥青用量和下面层沥青用量等作为沥青路面裂缝影响因素,并采用相关性分析方法,分析以上因素对裂缝的影响程度.
本研究选取深圳市机荷高速、南光高速、盐排高速、盐坝高速; 陕西省靖王高速、西长高速、西安绕城高速、延靖高速、榆绥高速等高速公路路面设计数据及部分年限的检测数据进行分析. 其中,各路段使用年限、累计标准轴载作用次数、沥青层厚、半刚性结构层厚度、上面层沥青用量和下面层沥青用量等数据从设计文件中得到; 年最低气温通过搜集项目所在地区气候数据得到; 裂缝从历年路面检测资料及养护维修资料中获得.
各路段路面结构如表1,可见各路段路面结构均为半刚性基层路面, 沥青层厚度为15~22 cm, 半刚性结构层厚度为40~62 cm,与国内目前常用的路面结构形式一致.各影响因素及裂缝数据如表2.
采用相关分析法分析各影响因素对沥青路面裂缝的影响程度,分析结果如表3,从表3可见,使用年限、累计轴载作用次数、年最低气温、下面层沥青用量与裂缝呈正相关; 沥青层厚度、半刚性结构层厚度、上面层沥青用量与裂缝呈负相关. 其中使用年限、累计轴载作用次数与裂缝高度相关; 沥青层厚度、半刚性结构层厚度、上面层沥青用量与裂缝呈中度相关; 下面层沥青用量与裂缝呈低度相关; 年最低气温与裂缝则相关性极弱.
随着使用年限及累计轴载作用次数的增加,路面疲劳裂缝逐步扩展,裂缝增多; 沥青层厚度的增大有利于减少及降低半刚性结构层反射裂缝的扩展速率,从而减少路面裂缝; 半刚性基层厚度的增大有利于提高基层整体强度,减少基层裂缝的产生,从而减少反射至路表的裂缝; 上面层采用沥青用量较大的沥青玛蹄脂碎石等沥青混合料,其抗裂性能较好,有利于减少路面裂缝; 下面层采用沥青碎石等沥青用量较少的沥青碎石类材料,在一定程度上有利于减少及延缓反射裂缝; 路面裂缝对年最低气温的变化不敏感,其主要原因为低温对温度裂缝的影响较大,而在全国大多数区域内温度裂缝并非半刚性基层沥青路面主要裂缝形式,因此,其对沥青路面裂缝的影响有限. 相关性分析结论与工程实际情况较为吻合,说明采用相关分析法分析各因素对沥青路面裂缝的影响程度是可行的.
为预测沥青路面裂缝,采用GRNN方法建立裂缝的预测模型. GRNN具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,适用于解决非线性问题. GRNN在逼近能力和学习速度上较径向基函数(radial basis function,RBF)网络有更强的优势,网络最后收敛于样本量积聚较多的优化回归面,并且在样本数据较少时,预测效果也较好.
模型建立首先需选取训练样本及测试样本. 将表2中56组样本分为训练样本及测试样本,训练样本选取第1~50组数据; 测试样本选取第51~56组数据. 由于年最低气温与裂缝率的相关性极弱,故将该因素剔除后,选取使用年限、累计轴载作用次数、下面层沥青用量、沥青层厚度、半刚性结构层厚度和上面层沥青用量作为影响因素,采用GRNN神经网络建立模型,对第1~50组数据进行训练,训练均方误差为0.000 333 9,训练完成后,对第51~56组数据的裂缝率进行预测.
综上研究认为:
1)采用相关分析法对裂缝的不同影响因素进行分析,结果表明,使用年限、累计轴载作用次数与裂缝高度正相关; 沥青层厚度、半刚性结构层厚度、上面层沥青用量与裂缝中度负相关; 下面层沥青用量与裂缝低度正相关; 年最低气温与裂缝相关性极弱;
2)采用GRNN神经网络建立用于沥青路面裂缝预测的神经网络模型,可考虑交通量、温度、路面结构、路面材料等影响因素,且预测值与实测值偏差小,最大偏差为12.71%;
3)基于GRNN神经网络逼近能力强、学习速度快的特性,在后续研究中随着样本采集数的不断增大,沥青路面裂缝预测的精度也将不断提升.
深圳大学学报理工版
JOURNAL OF SHENZHEN UNIVERSITY SCIENCE AND ENGINEERING
(1984年创刊 双月刊)
主 管 深圳大学
主 办 深圳大学
编辑出版 深圳大学学报理工版编辑部
主 编 阮双琛
国内发行 深圳市邮电局
国外发行 中国国际图书贸易集团有限公司(北京399信箱)
地 址 北京东黄城根北街16号
邮 编 100717
电 话 0755-26732266
0755-26538306
Email journal@szu.edu.cn
标准刊号 ISSN 1000-2618
CN 44-1401/N