【技术实现步骤摘要】
本专利技术涉及道路工程和人工智能，尤其涉及一种多模型融合的沥青混合料疲劳寿命预测方法及系统。
技术介绍
1、沥青混合料作为常用的道路铺装材料，其疲劳寿命直接决定了路面的耐久性和使用寿命。准确预测沥青混合料的疲劳寿命对于道路设计、施工和维护具有重要的工程应用价值。目前，常见的疲劳寿命预测方法主要包括实验室试验法、经验公式法和数值模拟法。然而，这些方法存在显著的不足：实验室试验法周期长且成本高，且难以模拟真实的路面环境；经验公式法虽然简单，但缺乏适应性，难以应对不同材料和施工条件；数值模拟法虽然能够模拟复杂条件，但计算资源消耗大且对模型的精度要求高，导致应用范围有限。因此，现有技术难以在效率、准确性和适用性之间找到平衡。
技术实现思路
1、针对上述现有技术存在的诸多问题，本专利技术提供一种多模型融合的沥青混合料疲劳寿命预测方法及系统，本专利技术通过灰色关联分析法筛选出与沥青混合料疲劳寿命密切相关的主要影响因素，将这些影响因素作为bp神经网络模型的输入特征，并通过遗传算法优化bp神经网络的初始权值和阈值，以提高模型的预测精度和泛化能力。通过多次迭代，最终实现对沥青混合料疲劳寿命的准确预测，显著提高了预测的效率与精度。
2、一种多模型融合的沥青混合料疲劳寿命预测方法，包括以下步骤：
3、收集沥青混合料的间接拉伸疲劳实验数据，并对所述沥青混合料的实验数据进行归一化处理，生成归一化后的实验数据集；
4、基于灰色关联分析法对所述归一化后的实验数据集进行分析，计
5、构建bp神经网络模型，所述bp神经网络模型包括输入层、隐藏层和输出层，输入层的节点数为所述主要影响因素的数量，输出层的节点数为1个，用于输出沥青混合料的疲劳寿命预测值；
6、利用遗传算法对所述bp神经网络模型的初始权值和阈值进行优化处理，所述遗传算法包括初始化种群、设置交叉概率和变异概率，并根据适应度函数选择适应度较高的个体进行交叉和变异操作，直至得到优化后的bp神经网络模型的权值和阈值；
7、使用优化后的bp神经网络模型对所述沥青混合料的实验数据进行疲劳寿命预测，输出沥青混合料的疲劳寿命预测结果。
8、优选的，所述数据预处理步骤中进行的归一化处理采用以下公式进行：
9、
10、其中，x为原始实验数据；xmin和xmax分别为所述实验数据的最小值和最大值；x*为归一化后的数据，其范围为[0,1]。
11、优选的，所述灰色关联度分析法中，灰色关联系数的计算公式为：
12、
13、其中，ξi(k)为第i个特征在第k个指标上的灰色关联系数；△i(k)＝|y(k)-xi(k)|，ρ为分辨系数，ρ∈(0，∞)，ρ越小，分辨力越大，ρ的取值区间为(0，1)，当ρ≤0.5463时，分辨力最好，通常取ρ＝0.5。
14、优选的，所述灰色关联分析法中的灰色关联系数的阈值范围设定为0.5至1.0。
15、优选的，所述bp神经网络模型的隐藏层节点数通过以下公式确定：
16、hiddennum＝sqrt(m+n)+a
17、其中，m为输入层节点数；n为输出层节点数；a为1至10之间的整数。
18、优选的，所述bp神经网络模型的训练采用反向传播算法进行，所述反向传播算法通过最小化均方误差来调整网络权值和阈值。
19、优选的，所述遗传算法的适应度函数为bp神经网络模型的预测误差的倒数，以确保适应度值与预测精度成正比。
20、优选的，所述遗传算法的种群规模设定为30，交叉概率设定为0.8，变异概率设定为0.2，进化迭代次数设定为50次。
21、优选的，所述预测结果通过与实际实验数据进行比较，计算预测误差，并对所述bp神经网络模型的参数进行进一步优化调整。
22、一种用于实施所述多模型融合的沥青混合料疲劳寿命预测方法的系统，所述系统包括：
23、数据采集模块，用于收集沥青混合料的间接拉伸疲劳实验数据，包括温度、油石比、应力水平、沥青含量、空隙率和荷载次数，并对所述沥青混合料的实验数据进行归一化处理，生成归一化后的实验数据集；
24、特征分析模块，用于基于灰色关联分析法对所述归一化后的实验数据集进行分析，计算每个输入参数与沥青混合料疲劳寿命之间的灰色关联度，并筛选出与沥青混合料疲劳寿命最相关的主要影响因素；
25、神经网络构建模块，用于构建bp神经网络模型，所述bp神经网络模型包括输入层、隐藏层和输出层，输入层的节点数为所述主要影响因素的数量，输出层的节点数为1个，用于输出沥青混合料的疲劳寿命预测值；
26、优化模块，用于利用遗传算法对所述bp神经网络模型的初始权值和阈值进行优化处理，所述优化模块包括用于初始化种群、设置交叉概率和变异概率的组件，并根据适应度函数选择适应度较高的个体进行交叉和变异操作，直至得到优化后的bp神经网络模型的权值和阈值；
27、预测模块，用于使用优化后的bp神经网络模型对所述沥青混合料的实验数据进行疲劳寿命预测，并输出沥青混合料的疲劳寿命预测结果。
28、相比于现有技术，本专利技术的优点及有益效果在于：
29、本专利技术通过灰色关联分析、遗传算法和bp神经网络技术手段，实现了提高沥青混合料疲劳寿命预测的准确性、效率和适应性的效果。
30、与现有技术相比，本专利技术通过灰色关联分析筛选出与疲劳寿命相关的关键影响因素，减少了输入特征的冗余；
31、本专利技术利用遗传算法对bp神经网络的权值和阈值进行优化，避免了神经网络容易陷入局部最优的缺陷；
32、本专利技术通过多模型融合的方法，显著提高了预测的精度和模型的泛化能力。
33、本专利技术不仅有效解决了现有技术中实验周期长、成本高以及预测精度低的问题，还能够适应不同类型的沥青混合料和复杂的施工条件。
本文档来自技高网...【技术保护点】
1.一种多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述数据预处理步骤中进行的归一化处理采用以下公式进行：
3.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述灰色关联度分析法中，灰色关联系数的计算公式为：
4.根据权利要求3所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述灰色关联分析法中的灰色关联系数的阈值范围设定为0.5至1.0。
5.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述BP神经网络模型的隐藏层节点数通过以下公式确定：
6.根据权利要求5所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述BP神经网络模型的训练采用反向传播算法进行，所述反向传播算法通过最小化均方误差来调整网络权值和阈值。
7.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述遗传算法的适应度函数为BP神经网络模型的预测误差的
8.根据权利要求7所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述遗传算法的种群规模设定为30，交叉概率设定为0.8，变异概率设定为0.2，进化迭代次数设定为50次。
9.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述预测结果通过与实际实验数据进行比较，计算预测误差，并对所述BP神经网络模型的参数进行进一步优化调整。
10.一种用于实施权利要求1至9任一所述多模型融合的沥青混合料疲劳寿命预测方法的系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述数据预处理步骤中进行的归一化处理采用以下公式进行：
3.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述灰色关联度分析法中，灰色关联系数的计算公式为：
4.根据权利要求3所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述灰色关联分析法中的灰色关联系数的阈值范围设定为0.5至1.0。
5.根据权利要求1所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述bp神经网络模型的隐藏层节点数通过以下公式确定：
6.根据权利要求5所述的多模型融合的沥青混合料疲劳寿命预测方法，其特征在于，所述bp神经网络模型的训练采...
【专利技术属性】
技术研发人员：侯志勇，刘树祥，王久增，刘帅，赵毅，詹洁，孙峥，马东旭，张宇，张庆宇，鲁振熙，蒋文浩，翟晓静，张智慧，崔瑶，艾剑波，王媛媛，王岩，贺艳茹，夏利宏，肖巍，
申请(专利权)人：唐山高速公路集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。