一种基于连续弯沉盆的道路病害卷积神经网络识别方法技术

本发明专利技术公开了一种基于连续弯沉盆的道路病害卷积神经网络识别方法，涉及道路病害检测技术领域，包括以下步骤，首先为连续弯沉测试车辆配置标准轴载，布设弯沉盆的多个路表弯沉点位并通过顺序排列形成弯沉盆矩阵；再开展路面病害的动态弯沉响应分析；利用卷积神经网络算法构建连续弯沉盆与多种道路病害情况之间的非线性关系模型，并不断调整使其识别性能达到最优化；最后将实测道路连续弯沉盆数据输入卷积神经网络中，对该道路所具有的病害情况进行识别

【技术实现步骤摘要】
一种基于连续弯沉盆的道路病害卷积神经网络识别方法


[0001]本专利技术属于道路病害检测
，具体涉及一种基于连续弯沉盆的道路病害卷积神经网络识别方法
。

技术介绍

[0002]随着道路建设蓬勃发展，我国在高等级公路建设方面取得了巨大的成果，其中半刚性基层沥青路面占据了主体地位
。
但是半刚性基层沥青路面病害普遍存在并且种类繁多，如裂缝
、
车辙
、
松散
、
脱空
、
唧泥等，道路病害的出现不仅降低道路承载能力，还影响交通安全，造成道路养护费用较高，并且通常情况下当沥青路面结构内部存在病害时，其在路表的表现是不明显的，从而导致不能第一时间发现隐蔽病害
。
[0003]目前大多对病害道路采取的检测和修复措施，往往是当病害发展到路表且明显的时候，而此时病害对道路的影响也通常已经达到了较为严重的时候了，养护维修成本更高
。
因此及时在道路存在病害初期时，精确发现道路病害和定位病害，对于阻止病害的进一步发展极为重要，这不仅有利于降低道路养护成本，而且对交通安全和经济发展大有裨益，且对道路的管养具有重要的实际工程意义
。
[0004]传统的开挖法或者钻芯取样法操作简单直观，一般是在道路出现明显破坏时使用的方法，该方法有利于工作人员直观的观察和测量道路发生的破损情况，但缺点是仅代表局部道路情况，并且可能会对道路造成进一步损害
。
常用的无损检测方法，例如探地雷达
(GPR)、
落锤式弯沉仪
(FWD)
等在道路病害检测方面广泛应用，避免了对道路的伤害，可重复性高，但也存在不同的缺点，如：
FWD
使用时需要短时封闭交通；
GPR
检测病害时不能直接评价病害对承载力的影响，并且需要建立雷达信号和材料特性
、
层间状况或病害情况之间的相关关系，计算复杂
。
[0005]相比之下，车辆移动荷载作为自然的激励振源具有极大的便利性，沥青路面的在荷载作用下的反应直接与承载能力相关，完好道路和病害道路的动力响应情况差异巨大，因此可借助于连续弯沉盆探查道路内部病害信息
。
然而，目前基于移动车辆荷载开发的移动弯沉车在道路病害识别方面的理论体系和应用方法都有待进一步发展
。
[0006]因此提供一种能够充分利用连续弯沉盆数据开发道路病害的识别方法，以提高道路病害识别的工作效率和识别精度，对于道路科学的
、
可针对性的养护具有重要意义
。

技术实现思路

[0007]针对传统道路病害检测方法存在的局限性强
、
效率低下
、
容易对道路造成进一步损害
、
计算复杂以及容易对交通造成干扰的缺陷和问题，本专利技术提供一种基于连续弯沉盆的道路病害卷积神经网络识别方法
。
[0008]本专利技术解决其技术问题所采用的方案是：一种基于连续弯沉盆的道路病害卷积神经网络识别方法，包括以下步骤：
[0009]S1、
为连续弯沉测试车辆配置标准轴载；
[0010]S2、
布设弯沉盆的多个路表弯沉点位并通过顺序排列形成弯沉盆矩阵；
[0011]S3、
通过对道路病害具体情况的分析，开展路面病害的动态弯沉响应分析，所述道路病害情况包括单一病害不同范围和程度以及多种类型病害的叠加，得到不同病害类型与程度的数据集；
[0012]S4、
利用卷积神经网络算法，以所述弯沉盆矩阵作为输入数据，以对应病害指标作为输出，构建连续弯沉盆与多种道路病害情况之间的非线性关系模型，并不断调整卷积神经网络使其识别性能达到最优化；
[0013]S5、
根据道路病害识别需求，将实测道路连续弯沉盆数据输入上述训练好的卷积神经网络中，对该道路所具有的病害情况进行识别
。
[0014]进一步地，所述
S1
中连续弯沉测试车辆的标准轴载为
10
吨
。
[0015]进一步地，所述弯沉盆的多个弯沉点位沿车辆移动方向等间距布置，以左侧或右侧的车轮中心为弯沉盆中心点位
。
[0016]进一步地，所述
S3
路面病害类型包括各结构层松散类病害
、
裂缝类病害以及土基唧泥病害
。
[0017]进一步地，所述
S4
输出的病害指标包括面层开裂长度
、
面层松散区模量减小值
、
面层松散区水平范围
、
基层与底基层开裂长度
、
基层与底基层松散区模量减小值
、
基层与底基层松散区水平范围
、
土基局部区域模量减小值
、
土基局部区域模量降低水平范围
。
[0018]进一步地，所述卷积神经网络结构包括输入层
、
卷积层
1、
池化层
、
卷积层
2、Dropout
层
、
全连接层和输出层
。
[0019]进一步地，所述
S4
中使用决定系数
(R2)
对模型输出指标的回归预测效果进行说明，
R2的计算公式为：
[0020][0021]式中：
n
为样本个数，
y
i
为计算值，
y
i
为真实值，为真实值的平均值
。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]本专利技术提供的确定方法，以连续弯沉车辆跨越病害时提取的连续弯沉盆作为卷积神经网络的输入数据，将面层开裂
、
面层松散
、
面层松散
、
基层与底基层开裂
、
基层与底基层松散
、
基层与底基层松散
、
土基松散
、
土基唧泥等病害指标作为输出数据，在完成卷积神经网络模型的设计和训练后，使用弯沉盆矩阵作为输入数据能够对路面病害进行识别，各病害指标的预测效果总体较好，满足道路病害识别的一般工程需求
。
[0024]本专利技术通过布设多个路表弯沉点位并形成弯沉盆矩阵，可以全面收集和记录道路的弯沉数据，为后续的病害识别提供基础；本专利技术方法可以快速准确地识别道路病害，为道路维护和修复提供有针对性的指导，提高交通安全和道路使用效率
。
[0025]本专利技术提供的道路病害识别方法，可以在连续弯沉检测车辆正常行驶过程中开展，避免了检测指标与道路病害情况之间的复杂换算，对道路无损伤且操作简单，有助于提升实际应用中的工程效率
。
附图说明
[0026]图1为本专利技术荷载移动区域示意图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于连续弯沉盆的道路病害卷积神经网络识别方法，其特征在于：包括以下步骤：
S1、
为连续弯沉测试车辆配置标准轴载；
S2、
布设弯沉盆的多个路表弯沉点位并通过顺序排列形成弯沉盆矩阵；
S3、
通过对道路病害具体情况的分析，开展路面病害的动态弯沉响应分析，得到不同病害类型与程度的数据集；所述道路病害情况包括单一病害不同范围和程度以及多种类型病害的叠加；
S4、
利用卷积神经网络算法，以所述弯沉盆矩阵作为输入数据，以对应病害指标作为输出，构建连续弯沉盆与多种道路病害情况之间的非线性关系模型，并不断调整卷积神经网络使其识别性能达到最优化；
S5、
根据道路病害识别需求，将实测道路连续弯沉盆数据输入上述训练好的卷积神经网络中，对该道路所具有的病害情况进行识别
。2.
根据权利要求1所述的基于连续弯沉盆的道路病害卷积神经网络识别方法，其特征在于：所述
S1
中连续弯沉测试车辆的标准轴载为
10
吨
。3.
根据权利要求1所述的基于连续弯沉盆的道路病害卷积神经网络识别方法，其特征在于：所述
S2
弯沉盆的多个弯沉点位沿车辆移动方向等间距布置，以左侧或右侧的车轮中心为弯沉盆中心点位
。4.
根据权利要求1所述的基于连续弯沉盆的道路病害卷积神经网络识别方法，其特征在于：所述
S3
路面病害类型包括各结构层松散类病害...

【专利技术属性】
技术研发人员：黄静卿，谢申健，蔡迎春，徐建，吴蕾，张南朝，黄亮，
申请(专利权)人：郑州大学，
类型：发明
国别省市：