CN108595833B - 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 - Google Patents

基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 Download PDF

Info

Publication number
CN108595833B
CN108595833B CN201810368250.9A CN201810368250A CN108595833B CN 108595833 B CN108595833 B CN 108595833B CN 201810368250 A CN201810368250 A CN 201810368250A CN 108595833 B CN108595833 B CN 108595833B
Authority
CN
China
Prior art keywords
neural network
snow
melting
salt
asphalt mixture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810368250.9A
Other languages
English (en)
Other versions
CN108595833A (zh
Inventor
郑木莲
周雯
刘青
王同福
徐达晖
李宜锋
马宗晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201810368250.9A priority Critical patent/CN108595833B/zh
Publication of CN108595833A publication Critical patent/CN108595833A/zh
Application granted granted Critical
Publication of CN108595833B publication Critical patent/CN108595833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Compositions Of Macromolecular Compounds (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法，包括以下步骤：1)设定融雪外加剂的掺量、沥青的用量、浸泡温度及浸泡时间为影响蓄盐沥青混合料融冰雪寿命的因素；2)获取BP神经网络的训练样本及BP神经网络的测试样本；3)完成BP神经网络的训练；4)调整BP神经网络中神经节点的数目，再将BP神经网络的测试样本输入到训练好的BP神经网络，选择最小的训练误差，以确定BP神经网络的参数，得最终的BP神经网络，然后根据最终的BP神经网络预测蓄盐沥青混合料融冰雪寿命，该方法实现蓄盐沥青混合料融冰雪寿命的准确预测。

Description

基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法
技术领域
本发明属于蓄盐沥青混合料融冰雪寿命预测技术领域，涉及一种基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法。
背景技术
冬季我国北方大部分地区伴有积雪结冰，南方个别地区还有冻雨形成，这一直困扰着道路交通部门，需要大量的人力物力清除冰雪，由此各个地方开始了主动抑制冻结技术的研究。主动抑制冻结技术是指在工程建设或大修路面中，预先主动采用相关技术或在混合料中添加专用材料使得路面具有特殊功能从而达到融雪除冰的目的，蓄盐沥青路面是其中的一种。蓄盐沥青路面是指在沥青混合料中掺加具有降低雨雪冰点功能的盐化物外加剂，在不损失沥青混合料路用性能的基础上，降低其结冰温度至0～20℃，形成具有自动及主动融雪功能的路面。一方面蓄盐沥青路面除冰效果好，弥补了人工除雪不及时引发的交通隐患；另一方面蓄盐沥青路面代替了撒布氯盐除雪的方法，大大减少了氯盐的使用量，不仅节约了资源还最大程度的保护了环境，因此具有广阔的应用前景。
蓄盐沥青混合料融冰雪长期使用寿命的预估方法一直是国内相关研究的重点，评价方法主要为浸泡法，通过比重瓶和电导率来测定蓄盐沥青混合料中融雪外加剂的累计析出质量，然而该方法试验周期过于漫长，耗时耗力，难以实施。且针对不同影响因素对外加剂析出快慢的影响，试验量较大，试验条件的不同也导致试验难以同时进行，试验周期大大延长。同时由于影响因素较多，随机性大，蓄盐沥青混合料的融冰雪使用寿命难以显式表达，难以根据试验数据预测准确相应的融冰雪使用寿命寿命，大大限制了融冰雪使用寿命预估方法的推广。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法，该方法实现蓄盐沥青混合料融冰雪寿命的准确预测。
为达到上述目的，本发明所述的基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法包括以下步骤：
1)设定融雪外加剂的掺量、沥青的用量、浸泡温度及浸泡时间为影响蓄盐沥青混合料融冰雪寿命的因素；
2)将马歇尔试样进行设定环境下的浸泡试验，分别记录不同融雪外加剂掺量、沥青用量、浸泡时间及浸泡温度下融雪外加剂的累计析出质量，然后将记录得到的融雪外加剂的累计析出质量作为马歇尔试样的试验数据，再将马歇尔试样的试验数据分为两组，其中一组作为BP神经网络的训练样本，另一组作为BP神经网络的测试样本；
3)将步骤1)中设置的影响蓄盐沥青混合料融冰雪寿命的因素作为BP神经网络的输入，再将马歇尔试样的试验数据作为BP神经网络的输出，设置人工神经网络的参数，然后将BP神经网络的训练样本输入到BP神经网络中，以建立影响因素与蓄盐沥青混合料融冰雪寿命之间的非线性映射，完成BP神经网络的训练；
4)调整BP神经网络中神经节点的数目，再将BP神经网络的测试样本输入到训练好的BP神经网络，选择最小的训练误差，以确定BP神经网络的参数，得最终的BP神经网络，然后根据最终的BP神经网络预测蓄盐沥青混合料融冰雪寿命。
BP神经网络包括输入层、隐含层及输出层，其中，选用tansig作为隐含层的传递函数，选用purelin作为输出层的传递函数，选用learngdm作为学习函数。
隐含层的神经节点数目通过经验公式法及尝试法确定，具体的，首先根据经验公式确定隐含层节点数的范围，然后用该范围内的数目进行逐个尝试，最终选取误差最小时对应的神经节点数目。
本发明具有以下有益效果：
本发明所述的基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法在具体操作时，将马歇尔试样进行设定环境下的浸泡试验，以获取BP神经网络的训练样本及BP神经网络的测试样本，然后利用BP神经网络的训练样本进行BP神经网络的训练，再通过BP神经网络的测试样本确定BP神经网络的参数，以此得到最终的BP神经网络，然后利用最终的BP神经网络预测蓄盐沥青混合料的融冰雪寿命，操作简单，预测的准确性较高，克服了难以对蓄盐沥青混合料融冰雪寿命准确预估的问题，便于应用。
附图说明
图1为本发明的流程图；
图2为本发明的三层神经网络的结构图；
图3为实施例一中检测样本的预测值与实测值对比图；
图4为实施例一的预测误差图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法包括以下步骤：
1)设定融雪外加剂的掺量、沥青的用量、浸泡温度及浸泡时间为影响蓄盐沥青混合料融冰雪寿命的因素；
2)将马歇尔试样进行设定环境下的浸泡试验，分别记录不同融雪外加剂掺量、沥青用量、浸泡时间及浸泡温度下融雪外加剂的累计析出质量，然后将记录得到的融雪外加剂的累计析出质量作为马歇尔试样的试验数据，再将马歇尔试样的试验数据分为两组，其中一组作为BP神经网络的训练样本，另一组作为BP神经网络的测试样本；
3)将步骤1)中设置的影响蓄盐沥青混合料融冰雪寿命的因素作为BP神经网络的输入，再将马歇尔试样的试验数据作为BP神经网络的输出，设置人工神经网络的参数，然后将BP神经网络的训练样本输入到BP神经网络中，以建立影响因素与蓄盐沥青混合料融冰雪寿命之间的非线性映射，完成BP神经网络的训练；
4)调整BP神经网络中神经节点的数目，再将BP神经网络的测试样本输入到训练好的BP神经网络，选择最小的训练误差，以确定BP神经网络的参数，得最终的BP神经网络，然后根据最终的BP神经网络预测蓄盐沥青混合料融冰雪寿命。
BP神经网络包括输入层、隐含层及输出层，其中，选用tansig作为隐含层的传递函数，选用purelin作为输出层的传递函数，选用learngdm作为学习函数；隐含层的神经节点数目通过经验公式法及尝试法确定，具体的，首先根据经验公式确定隐含层节点数的范围，然后用该范围内的数目进行逐个尝试，最终选取误差最小时对应的神经节点数目。
在实际操作时，进行三个平行试验，分别记录不同融雪外加剂掺量、沥青用量、浸泡时间和浸泡温度下的融雪外加剂累计析出质量数据，其中，外加剂含量试验方案、沥青用量试验方案及浸泡温度试验方案分别如表1、表2及表3所示。
表1
Figure BDA0001637861290000051
表2
Figure BDA0001637861290000052
表3
Figure BDA0001637861290000053
实施例一
采用三层神经网络结构，设定四个输入参数及一个输出参数，故BP神经网络的输入层为4个单元，BP神经网络的输出层为1个单元，其中，建立的BP神经网络输入参数为融雪外加剂掺量、沥青用量、浸泡时间及浸泡温度，输出参数为融雪外加剂累计析出质量。
按照上表试验方案，成型马歇尔试件进行浸泡试验，收集及整理试验数据，再进行归一化处理；
BP神经网络的学习函数采用learngdm，该学习函数为梯度下降的动量学习函数，利用神经节点的输入、误差、权值或阈值的学习速率及动量常数计算权值或阈值的变化率，以此确定BP神经网络权值及阈值的初值。
在整理的试验数据中随机选取20组数据作为检验样本，其余组数据作为学习样本，对BP神经网络进行训练，最终确定隐含层的节点数为25。
为检验BP神经网络对外加剂析出量预测的可行性，用实测数据中随机选取的20组作为检验样本检验得到的BP神经网络，对比分析检验样本的BP神经网络的预测值与实测值，结果如图3所示，可见，预测值与实际值的相关程度较高，误差较小，表明通过BP神经网络预测的外加剂累计析出量是可信的，满足使用要求，如图4所示。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (3)

1.一种基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法，其特征在于，包括以下步骤：
1)设定融雪外加剂的掺量、沥青的用量、浸泡温度及浸泡时间为影响蓄盐沥青混合料融冰雪寿命的因素；
2)将马歇尔试样进行设定环境下的浸泡试验，分别记录不同融雪外加剂掺量、沥青用量、浸泡时间及浸泡温度下融雪外加剂的累计析出质量，然后将记录得到的融雪外加剂的累计析出质量作为马歇尔试样的试验数据，再将马歇尔试样的试验数据分为两组，其中一组作为BP神经网络的训练样本，另一组作为BP神经网络的测试样本；
3)将步骤1)中设置的影响蓄盐沥青混合料融冰雪寿命的因素作为BP神经网络的输入，再将马歇尔试样的试验数据作为BP神经网络的输出，设置人工神经网络的参数，然后将BP神经网络的训练样本输入到BP神经网络中，以建立影响因素与蓄盐沥青混合料融冰雪寿命之间的非线性映射，完成BP神经网络的训练；
4)调整BP神经网络中神经节点的数目，再将BP神经网络的测试样本输入到训练好的BP神经网络，选择最小的训练误差，以确定BP神经网络的参数，得最终的BP神经网络，然后根据最终的BP神经网络预测蓄盐沥青混合料融冰雪寿命。
2.根据权利要求1所述的基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法，其特征在于，BP神经网络包括输入层、隐含层及输出层，其中，选用tansig作为隐含层的传递函数，选用purelin作为输出层的传递函数，选用learngdm作为学习函数。
3.根据权利要求1所述的基于BP神经网络的蓄盐沥青混合料融冰雪寿命预估方法，其特征在于，隐含层的神经节点数目通过经验公式法及尝试法确定，具体的，首先根据经验公式确定隐含层节点数的范围，然后用该范围内的数目进行逐个尝试，最终选取误差最小时对应的神经节点数目。
CN201810368250.9A 2018-04-23 2018-04-23 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法 Active CN108595833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810368250.9A CN108595833B (zh) 2018-04-23 2018-04-23 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810368250.9A CN108595833B (zh) 2018-04-23 2018-04-23 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法

Publications (2)

Publication Number Publication Date
CN108595833A CN108595833A (zh) 2018-09-28
CN108595833B true CN108595833B (zh) 2022-03-25

Family

ID=63614075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810368250.9A Active CN108595833B (zh) 2018-04-23 2018-04-23 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法

Country Status (1)

Country Link
CN (1) CN108595833B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111208196A (zh) * 2019-11-28 2020-05-29 郑州国电机械设计研究所有限公司 一种高强度螺栓早期疲劳损伤非线性超声波检测方法
CN112985608B (zh) * 2021-02-01 2022-08-02 河北工业大学 一种沥青运料过程温度监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1037526A (ja) * 1996-07-25 1998-02-10 Jdc Corp 膜構造屋根の融雪方法
CN102425148A (zh) * 2011-09-02 2012-04-25 铁道第三勘察设计院集团有限公司 基于静力触探和bp神经网络的路基沉降快速预测方法
CN102539651A (zh) * 2011-12-15 2012-07-04 长安大学 盐化物自融雪路面融雪寿命预估装置
CN104237323A (zh) * 2014-10-10 2014-12-24 北京市政路桥建材集团有限公司 融雪沥青混合料融雪长效性试验方法
CN104318347A (zh) * 2014-09-30 2015-01-28 上海电力学院 一种基于多传感器信息融合的输电线路覆冰状态评估方法
CN104361535A (zh) * 2014-11-26 2015-02-18 上海电力学院 一种输电线路覆冰状态评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1037526A (ja) * 1996-07-25 1998-02-10 Jdc Corp 膜構造屋根の融雪方法
CN102425148A (zh) * 2011-09-02 2012-04-25 铁道第三勘察设计院集团有限公司 基于静力触探和bp神经网络的路基沉降快速预测方法
CN102539651A (zh) * 2011-12-15 2012-07-04 长安大学 盐化物自融雪路面融雪寿命预估装置
CN104318347A (zh) * 2014-09-30 2015-01-28 上海电力学院 一种基于多传感器信息融合的输电线路覆冰状态评估方法
CN104237323A (zh) * 2014-10-10 2014-12-24 北京市政路桥建材集团有限公司 融雪沥青混合料融雪长效性试验方法
CN104361535A (zh) * 2014-11-26 2015-02-18 上海电力学院 一种输电线路覆冰状态评估方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Effect of Asphalt Content on the Marshall Stability of Asphalt Concrete Using Artificial Neural Networks;M. Saffarzadeh 等;《Scientia Iranica》;20090228;第16卷(第1期);第98-105页 *
Laboratory evaluation of long-term anti-icing performance and moisture susceptibility of chloride-based asphalt mixture;Mulian Zheng 等;《International Journal of Pavement Research and Technology》;20160407;第9卷;第140-148页 *
Temperature prediction model of asphalt pavement in cold regions based on an improved BP neural network;Bo Xu 等;《Applied Thermal Engineering》;20170408;第120卷;第568-580页 *
地源热泵系统融雪化冰可靠性设计及神经网络预测;屠艳平;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20121115(第11期);第C038-31页 *
基于神经网络理论的沥青混合料疲劳性能的预测模型;吕长永 等;《现代交通技术》;20050426(第2期);第4-7页 *
盐化物沥青混合料融冰雪性能及适应性气候分区研究;吴淑娟;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20130715(第7期);第C034-260页 *

Also Published As

Publication number Publication date
CN108595833A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
Safeeq et al. Influence of winter season climate variability on snow–precipitation ratio in the western United States
Zhou et al. Linking trends in urban extreme rainfall to urban flooding in China
CN108595833B (zh) 基于bp神经网络的蓄盐沥青混合料融冰雪寿命预估方法
Grønsten et al. Prediction of surface runoff and soil loss in southeastern Norway using the WEPP Hillslope model
CN111784052A (zh) 一种城市面源污染入河负荷量预测方法
Tfwala et al. Precipitation intensity-duration-frequency curves and their uncertainties for Ghaap plateau
Shi et al. Evaluating snow and ice control chemicals for environmentally sustainable highway maintenance operations
Wardeh et al. Review of the optimization techniques for cool pavements solutions to mitigate Urban Heat Islands
Pike et al. High latitude local scale temperature complexity: the example of Kevo Valley, Finnish Lapland
Wawrzyniak et al. Run-off modelling in an Arctic unglaciated catchment (Fuglebekken, Spitsbergen)
CN114638093A (zh) 冻土区冻融径流模拟方法、装置及计算机设备
Verrall et al. Temporal dynamics in alpine snowpatch plants along a snowmelt gradient explained by functional traits and strategies
Brimblecombe et al. Temporal resolution of climate pressures on façades in Oxford 1815–2021
McCool et al. Seasonal change of WEPP erodibility parameters for two fallow plots on a Palouse silt loam
CN111986464A (zh) 一种基于动态方法预报道路结冰的系统
CN104237323A (zh) 融雪沥青混合料融雪长效性试验方法
Faryabi et al. Hydrogeological drought management index (HDMI) as a tool for groundwater resource management under drought conditions (Case Study: Dayyer-Abdan district, Boushehr province)
CN110851767B (zh) 一种路用氯盐融雪剂最优撒布量的计算方法
Ageena et al. Variability of minimum temperature across Libya (1945-2009).
Boyer Preliminary analysis of summertime heat storage in traditional versus pervious concrete systems
Meena et al. Comprehensive laboratory testing and evaluation of the evaporative cooling effect of pavement materials
Neave et al. Salinity and erosion: a preliminary investigation of soil erosion on a salinized hillslope
Androjić et al. Influence of volumetric properties of asphalt samples on the electrical resistivity characteristics
Yu et al. Variations and trends of trans-boundary runoff in the longitudinal range-gorge region
Hedlund Nilsson et al. Evaluation of Snow Management using Green Infrastructure in Subarctic Climate

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant