作者简介:刘国光(1980—),中国民航大学副教授、博士.研究方向:机场工程、防灾减灾及防护工程.
中文责编:坪 梓; 英文责编:之 聿
1)中国民航大学机场学院,天津 300300; 2)中国科学院西北生态环境资源研究院冻土工程国家重点实验室,甘肃兰州 730026; 3)中国科学院西北生态环境资源研究院,甘肃兰州 730026; 4)成都双流国际机场飞行区管理部,四川成都 610030
1)Airport College, Civil Aviation University of China, Tianjin 300300, P.R.China2)State Key Laboratory of Frozen Soils Engineering, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730026, Gansu Province, P.R.China3)Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730026, Gansu Province, P.R.China4)Airfield Management Department, Chengdu Shuangliu International Airport, Chengdu 610030, Sichuan Province, P.R.China
geotechnical engineering; mitigation and protection engineering; highway and railway engineering; compactness; prediction model; artificial neural network; airport soil field
DOI: 10.3724/SP.J.1249.2021.01054
为提高机场土面区安全动态预测及保障能力,结合某机场为期6 a的土面区安全评估数据,建立基于人工神经网络(artificial neural network, ANN)的压实度预测模型.选取天然密度(natural density, ND)、实测含水率(actual water content, AW)、最优含水率(optimal water content, OW)、降水状况(rainfall condition, RC)和压实状况(compaction condition, CC)作为输入向量,以双曲正切S型传输函数作为传递函数,利用400组实测数据完成模型训练后,用随机抽取的100组测试数据对模型进行精确校验,通过纳什效率系数(Nash-Sutcliffe efficiency coefficient, NSE)分析ANN模型的预测能力,并进行工程应用验证.结果表明,充分训练后ANN模型的均方差为0.98,NSE计算值为0.89,可有效预测土面区压实度.机场对比试验结果表明,大部分测区预测误差在±5%之内,仅有1个样本误差为15%,NSE计算值为0.86,达到了工程应用精度.采用影响因素分析法优化ANN模型发现,ND和AW是影响压实度最重要的因素,管理部门可通过严格控制回填土级配和加强排水措施有效改善土面区安全性.
In order to improve the dynamic prediction and management capabilities of soil field safety in airfield, a new artificial neural network(ANN)model was established based on the evaluation data of six years in an airport.By factors analysis of the actual soil field of the airport, natural density(ND), actual water content(AW), optimal water content(OW), rainfall condition(RC)and compaction condition(CC)were chosen as the input data, and hyperbolic tangent sigmoid function was set as the transfer function.The network was trained by 400 sets of data and validated for its accuracy by 100 sets of data selected randomly from the database.The prediction capability of achieved ANN model was analyzed by Nash-Sutcliffe efficiency coefficient(NSE)method.And engineering application had been done in another airport.The results show that soil field compactness can be effectively predicted by well-trained ANN model with R-Squared of 0.98 and NSE of 0.89.The outcomes of validation test in another airport prove that the errors of most sample zones are between -5% and 5%, with only one exception of 15%, with calculated NSE of 0.86, which satisfies the requirements of engineering application.By optimization of ANN model with factor analysis method, it indicates that ND and AW are the controlling factors of model compactness prediction, and the best ways of improving the safety of soil field in airport are soil gradation and drainage control strictly.
随着中国民航运输业的蓬勃发展和航班日起降架次增加,飞机滑出跑道的飞行事故偶有发生[1].飞机在跑道上高速滑行时,受机械性能、天气情况和道面状况等因素影响,一旦冲出跑道,起落架折断,将造成重大灾难.为此,民用机场在跑道两侧设置了土面区作为飞机冲出跑道时的缓冲区域[2].《民用机场运行安全管理规定》要求土面区经过重型击实后土质压实度不得低于87%,且碾压和压实度测试每年不得少于两次[3].
压实度是机场土面区工作性能的关键指标,压实度不足将造成起落架沉陷或折断的二次事故,使救援工作难以开展.因此,在机场飞行区管理实践中,常采用割草配合机械设备碾压的方法改善土面区压实度.已有研究表明,增加碾压机械的轴重对土体压实度影响最明显[4],但过大的外荷载会破坏土体结构[5].单位面积压强[6]、循环外力幅值比[7]、碾压周期、土质、土体密度、含水量[8]、渗透阻力和孔隙水压力等都影响着土体压实度[9].因此,民航局要求压实度评价工作由第三方机构至少一年开展两次,常用方法为环刀取土配合室内实验,但仅能评价当前压实效果,缺乏实时性和预测性,难以为管理部门提供有针对性的指导意见.
预测土体压实度的主要技术手段是动态采集影响土体压实度的重要参数指标.针对含水量监测数据的统计分析可知,外界水分补给对土体压实度影响极大,含水率越高,压实度越差,外荷载作用深度越大[10].通过分析土粒含量、土壤光谱和底土深度等相关因素可建立土体压实度分析模型[11]或采用电阻率法[12]和传感器融合系统法[13]预测土体压实度.在获得足够数量的现场监测数据后,贝叶斯法[14]、土壤收缩曲线法[15]、有限元法[10]、聚类分析法[16]、压实曲线法[8]、遗传算法[17]和人工神经网络(artificial neural network, ANN)法[18]都可用于土体压实度预测.
在众多预测手段中,ANN法因其不需要为输入变量和预测结果指定本构关系,也不需要穷举预测结果的全部影响因素,仅通过数据训练建立输入因素和输出结果的对应关系,因此,被应用于边坡滑移[19]、稳定性预测[20]、不同深度土壤温度估计[21]、土壤侵蚀敏感性预估[22]、土壤盐度预测[23]及压实度预测等领域.杨学超等[24]根据路基碾压试验的数据,基于对ANN的分析,建立了路基压实度预测的ANN模型,为路基碾压施工中的压实度预测提供了新的研究思路.李细荣[25]通过土的激光图像提取压实度特征参数,建立了ANN预测模型,并对预测模型进行有效验证,证明了用ANN模型预测土体压实度的可行性.RANASINGHE等[26]应用ANN法建立模型对滚动强夯法的有效性进行先验预测,模型的预测结果与实测数据吻合度较好.为通过优化输入因素的方法比较不同ANN模型的预测误差和稳定性,本研究建立了预测土体压实度的ANN模型,利用2015—2020年在某机场开展的土面区压实度测试结果进行模型训练与校验,实现土体压实度的动态预测,并通过另一机场对比实测试验,验证了模型的可靠性,为机场管理部门提高土面区压实度安全管理提供了技术建议.
ANN指由大量的处理单元互相连接而形成的复杂信息处理系统,是一种多层前馈式网络,按误差逆传播算法通过反向传播误差信号调整网络权值训练数据[27],使实际输出与期望输出的误差最小[28].ANN有多层和单层之分,它的每一层包含若干个神经元,各个神经元之间用有向弧线连接,通过对输入变量的反复训练学习,达到处理输入变量、模拟输入输出关系的目的,且它只需要知道引起输出变量变化的影响因素.因此,利用ANN建模的关键在于输入变量(即影响因素)的选取,它提供了被预测系统的基本信息[29].ANN在处理土体压实度影响因素等模糊、随机性和非线性数据方面具有明显的优势,对结构复杂、因果关系不明确的土体压实度预测尤为适用.
土体压实度影响因素见图1.在为某机场进行长期压实度评估后发现,同一飞行区土质情况接近,土体地表植被接近,经重型击实后最大干密度值接近.因此,选取天然密度(natural density, ND)、实测含水率(actual water content, AW)、最优含水率(optimal water content, OW)、测试前1个月内降水状况(rainfall condition, RC)和测试前2个月内压实状况(compaction condition, CC)作为ANN模型的输入变量,这些变量可以分别通过试验和飞行区管理部门的巡场记录得到.选取压实度作为模型的输出值,利用Matlab可建立结构为N(5,3,1)的土体压实度预测模型,其中,“5”表示输入层中有5个输入向量; “3”表示设置的隐含层中有3个节点; “1”表示输出层有1个输出向量,即压实度.
图2为某机场连续6 a土面区压实度测试方案.该机场位于珠江入海口,地形属于丘陵地带,土质为赤红壤,气候属于亚热带海洋性气候,雨量富足,年均日照时间长.从图2可见,测点分布在跑道两侧土面区,每个土面区的测点至少3个,每个测点环刀取土3次,共收集1 728组压实度数据.从实测的土面区压实度结果中随机抽取500组数据,其中,400组数据用于输入ANN模型进行训练,100组数据用于校验,部分原始输入变量和期望输出变量可扫描文末右下角二维码.模型选用双曲正切S型传输函数(Tansig函数),将神经网络层中的净输入信号转换为净输出信号,训练次数上限设置为5万次.
利用前400组数据将ANN模型完成训练后,可用已测试数据进行土体压实度预测效果校验,压实度预测值与实测值的对比见图3.ANN模型的预测准确性可通过纳什效率系数(Nash-Sutcliffe efficiency, NSE)评估[29],
其中, n为样本数; Mi为预测值; Oi为实测值; O^-i为实测值的平均值.当0.6≤NSE<0.8时,认为模型预测结果是可以接受; 当1.0>NSE≥0.8时,认为模型预测能力优秀; 当NSE=1.0时,认为模型预测性能最佳.
图3 实测压实度与预测压实度的对比
Fig.3 Comparisons of compactness between the predicted results and in-situ test results
图3为实测压实度与预测压实度的对比. 由图3可知,土面区压实度预测值与实测值的拟合直线均方差(R-Squared, R2)为0.98,同时NSE计算值为0.89,表明根据该机场压实度测试数据建立的ANN模型对本机场的压实度具有出色的预测能力.为验证上述ANN模型的适用性,在另一机场进行了验证试验.
在图4所示的14个测区进行环刀取土,在实验室测得土样的实测密度与含水率,如表1. 制作含水率分别为12%、14%、15%、16%和17%的土样进行重型击实试验,得到最优含水率为13.4%,最大干密度为1.96 g/cm3,进而计算得到每个采样点的实测压实度.
表1 对比机场测区土样天然密度及含水率测试结果
Table 1 Natural density and mass water content test results for soil samples of text zones in contrast airport
结合上述实测参数和机场飞行区管理部门记录的数据,输入ANN模型进行压实度预测.比较预测值与实测值,可得14个土面区的压实度预测误差(图5).其中,13个分区的预测误差在±5%内,只有1个分区预测误差达到15%,同时NSE计算值为0.86,说明利用ANN模型快速预测土面区压实度能够满足工程应用精度.因此,飞行区管理部门可根据土面区压实度测试报告历史数据建立并训练ANN模型,通过监测土面区含水率和记录降水与压实情况,利用ANN动态预测土面区压实度变化,实现土面区安全的实时管控,为飞行区管理部门加强安全监管提供指导意见.
为给机场飞行区管理部门提供改进安全工作的技术方案,通过缩减输入向量对上面建立的ANN模型进行优化分析.在输入变量中依次剔除ND、AW、OW、RC和CC数据后,利用同样的400组数据重新训练并进行预测,压实度预测值和实测值的平均误差情况如图6.由图6可知,剔除ND、AW和RC 3个影响因素后平均预测结果偏大,表明这3项因素对预测结果影响较大,不能忽略.而剔除OW后对平均预测结果影响不大,但预测结果稳定性变差.造成这种现象的原因在于最优含水率受土质影响较大,同一机场飞行区回填时土质接近,因此OW接近,忽略它对预测结果影响不大.但如图3所示,机场飞行区面积较大,土面区土质存在差别,剔除OW将会影响预测结果的稳定性.因此,当根据土面区土质情况分区建立ANN模型时,可不考虑OW因素.此外,剔除CC后平均预测结果偏小,稳定性波动大,模型的压实度预测结果小于实测压实度,预测结果偏安全.在机场压实机械和压实周期不变的情况下,该因素可以忽略.
为进一步比较各因素对预测结果的影响,在输入变量中依次将5组影响因素两两剔除,重新建立ANN模型重复上述计算.其中,同时剔除ND和AW两个影响因素后,在训练模型时计算中断,说明在此ANN模型中ND和AW是应重点分析的影响因素,不可轻易剔除.其余9种组合的预测结果误差情况如图7.图7的横坐标为同时剔除的输入向量,纵坐标为ANN模型训练后预测压实度的相对误差平均值.与图6相比,剔除两种影响因素后预测结果平均误差率显著增加,整体预测结果偏低,预测结果稳定性变差.其中,剔除OW-ND组合后整体误差最大,表明除直接导致ANN模型失效的ND-AW组合外,ND-OW对预测结果误差影响最大.分别剔除RC-ND、RC-CC、OW-AW、RC-AW和OW-RC等影响因素后,预测结果平均误差较小,但结果稳定性变差,上述5种组合中RC出现了4次,说明RC对预测结果误差影响相对较小,但对结果稳定性影响较大.剔除含CC的组合计算结果波动性最大,与图6结论一致.
由上述分析可知,在影响土面区压实度的5种因素中,对ANN模型预测能力影响从高到低排列为AW、ND、RC、CC和OW.此外,机场飞行区土面区压实度变化具有明显的规律性:影响土体压实度最主要的因素是回填土的类型; 级配良好的土颗粒形成的土体压实度高; 降水对机场土面区压实度具有不利影响,当飞行区排水能力较差,造成土面区局部含水量过高甚至接近饱和状态,压实度将大大降低.因此,在机场飞行区的设计、建设和运营过程中要加强对土面区回填土级配控制并提高其排水能力.
为提高机场飞行区内土面区安全保障能力,结合某机场连续6 a的压实度测试数据,建立了具有较强预测能力的压实度预测ANN模型.通过因素分析法进行模型优化,为机场管理部门提供了预测压实度的技术方案和提升压实度的工作建议,可知:
1)通过足够的数据样本进行训练,建立的ANN模型预测结果和实测结果线性拟合后的R2为0.98,NSE计算值达到了0.89,表明模型具有出色的预测能力.另一机场预测结果的误差在±5%内,仅有个别样本误差为15%,同时NSE计算值为0.86,表明达到了工程预测精度要求.
2)利用ANN预测模型,机场管理部门可根据压实度测试报告中提供的土质情况和最优含水率等因素,建立符合机场自身特点的压实度动态预测ANN模型,并可利用传感器监测土面区含水率实现压实度的实时报告,为飞行区安全管理提供指导意见.
3)通过ANN模型的优化分析可知,在输入的5种压实度预测影响因素中,ND和AW对压实度影响最大. 在飞行区土面区施工过程中加强回填土级配控制和提高排水能力,将大大方便机场运营阶段的土面区安全管理工作.
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 李清泉
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