CN110334429A - 一种沥青路面剩余疲劳寿命的预测方法 - Google Patents
一种沥青路面剩余疲劳寿命的预测方法 Download PDFInfo
- Publication number
- CN110334429A CN110334429A CN201910583393.6A CN201910583393A CN110334429A CN 110334429 A CN110334429 A CN 110334429A CN 201910583393 A CN201910583393 A CN 201910583393A CN 110334429 A CN110334429 A CN 110334429A
- Authority
- CN
- China
- Prior art keywords
- bituminous pavement
- pavement
- fatigue
- layer
- modulus
- 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.)
- Granted
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Road Paving Structures (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种沥青路面剩余疲劳寿命的预测方法,将人工神经网络模型计算的结果代入车辆载荷作用次数与沥青路面疲劳裂缝之间的关系公式,以确定的疲劳疲劳裂缝率限值对应的车辆载荷作用次数与沥青路面实际承受的载荷作用次数之差作为沥青路面剩余疲劳寿命,该方法基于人工神经网络和统计方法,省略反算过程,使用工程技术人员容易获得的路面层厚度、模量、动态弯沉值大小和道路技术状况等数据,无需基于室内试验数据进行预测。本发明的沥青路面剩余疲劳寿命的预测方法基于工程技术人员容易获得的直接数据进行预测,并且基于人工神经网络模型,无需反算沥青路面模量,预测结果精确度较高。
Description
技术领域
本发明属于公路交通技术领域,涉及一种沥青路面寿命预测技术,具体涉及一种沥青路面剩余疲劳寿命的预测方法。
背景技术
对道路整体结构健康状况进行定期评定,是优化公路网养护和修复策略的一个前提。在过去的几年中,已经开发了许多技术来监测路面使用性能,这些技术大多使用无损检测技术。工程技术人员经常使用路面管理系统中的信息来评估路面的完整性,并确定其剩余服务寿命,这种评估是在网络和项目两级进行的。准确预测路面的剩余寿命对于规划短期和长期养护、恢复和重建战略至关重要。沥青路面疲劳开裂是沥青路面常见病害形式之一。沥青混合料的疲劳是在应力或应变标准低于材料极限强度的情况下,由于载荷的重复作用导致混合料开裂的一种破坏现象。沥青路面产生疲劳破坏的主要原因是由于在车辆载荷和环境的耦合作用下,应力、应变常处于拉压交变的状态,导致沥青路面的结构强度下降,产生疲劳开裂。作用在沥青材料的载荷重复次数越多,其所能承受的应力、应变就越小。对路面性能检测当前最新的无损检测方法之一是激光动态弯沉系统,通过动态弯沉的检测,反算路面结构层的模量,进而估算路面疲劳寿命。由于反算是一个迭代过程,需要一套模型将弯沉测量的结果与反算结果进行匹配测算。由于反算结果的非唯一性,得出的模量结果往往与实际值偏差较大,因此预测的剩余疲劳寿命大大低于或高于预测值。
发明内容
本发明为了克服现有技术存在的缺点和不足而提供了一种沥青路面剩余疲劳寿命的预测方法,用于实现沥青路面剩余疲劳寿命预测,为道路养护提供依据。该方法基于人工神经网络和统计方法,省略反算过程,使用工程技术人员容易获得的路面层厚度、模量、动态弯沉值大小和道路技术状况等数据,无需基于室内试验数据进行预测。
本发明为解决上述技术问题采用如下技术方案,一种沥青路面剩余疲劳寿命的预测方法,其特征在于具体步骤为:
步骤S1:调查统计待评定沥青路面的结构类型、厚度、每层模量及修建年限信息,同时调查统计沥青路面疲劳裂缝数量;
步骤S2:采用激光动态弯沉检测车对不同服务年限或不同荷载作用次数的沥青路面激光动态弯沉值;
步骤S3:采用人工神经网络模型计算出不同输入参数的输出结果,采用包含输入层、隐含层和输出层的三层人工神经网络模型进行计算,输入层有面层厚度、面层模量、基层厚度、基层模量、路基模量、累计交通荷载作用次数和激光动态弯沉值,输出层为沥青路面剩余疲劳作用次数,将得到的输入层数据样本分为训练样本和测试样本,确定神经网络模型的训练精度或最大训练次数直至满足训练精度要求,停止对神经网络模型的训练;
步骤S4:采用公式(1)计算不同荷载作用下的沥青路面剩余疲劳作用次数;
式中:Nf-路面剩余疲劳作用次数,×106,次;
f1、f2、f3-系数,f1=0.0796,f2=3.291,f3=0.854;
εt-沥青层底弯拉应变;
EAC-沥青层模量,MPa;
步骤S5:将人工神经网络模型计算的结果代入车辆载荷作用次数与沥青路面疲劳裂缝之间的关系公式(2),以确定的疲劳疲劳裂缝率限值Dmax=30%对应的车辆载荷作用次数与沥青路面实际承受的载荷作用次数之差作为沥青路面剩余疲劳寿命;
D=1-exp(-Tα) (2)
式中:D-路面疲劳裂缝率,%;
T-行车荷载作用次数,×106,辆;
α-与路面结构有关参数。
与现有技术相比,本发明具有以下优点和有益效果:
1、本发明的沥青路面剩余疲劳寿命的预测方法基于工程技术人员容易获得的直接数据进行预测,并且基于人工神经网络模型,无需反算沥青路面模量,预测结果精确度较高;
2、本发明确定沥青路面剩余疲劳寿命后,有助于道路管养部门合理安排养护维修工艺、列支养护维修预算资金,从而延长沥青道路使用寿命,提高道路服务水平,具有重要的技术和经济社会效益。
附图说明
图1是本发明的方法流程图;
图2是本发明人工神经网络计算流程图;
图3是本发明剩余疲劳寿命计算示意图;
图4是本发明剩余疲劳寿命具体计算图。
具体实施方式
下面将结合本发明中的附图对本发明具体实施过程中的技术方案进行清楚完整说明。
实施例
1、调查道路状况
某沥青路面由三层结构组成,其沥青路面结构如下:
沥青混凝土层75mm;
水泥稳定碎石基层300m;
水泥石灰稳定土底基层150mm;
路基。
2、对相同沥青路面结构不同荷载作用次数时的路面疲劳裂缝进行统计,对沥青路面承载性能采用激光动态弯沉设备进行检测。
表1不同荷载作用次数时疲劳裂缝及动态弯沉值
累计荷载次数(×10<sup>6</sup>,辆) | 0.01 | 0.5 | 1 | 2 | 4 | 5 | 6 |
疲劳裂缝率(%) | 0 | 0 | 0 | 0.01 | 0.2 | 0.6 | 1.3 |
激光动态弯沉(0.01mm) | 11.3 | 12.9 | 16.7 | 21.1 | 27.7 | 31.4 | 35.8 |
采用公式(1)计算不同荷载作用下的沥青路面剩余疲劳作用次数;
式中:Nf-路面剩余疲劳作用次数,×106,次;
f1、f2、f3-系数,f1=0.0796,f2=3.291,f3=0.854;
εt-沥青层底弯拉应变;
EAC-沥青层模量,MPa。
以表2中的数据作为输入层参数,将其分为训练样本和测试样本,确定本发明神经网络模型的训练精度2%,直至满足训练精度要求,停止对神经网络模型的训练。
表2神经网络模型输入参数
神经网络模型的预测值与实际值的结果列于表3,其误差在±2%以内,可以满足应用的要求。
表3模拟结果对比
将神经网络模型模拟计算的结果代入车辆载荷作用次数与沥青路面疲劳裂缝之间的关系公式(2),以确定的疲劳疲劳裂缝率限值对应的车辆载荷作用次数与沥青路面实际承受的载荷作用次数之差作为沥青路面剩余疲劳寿命;
D=1-exp(-Tα) (2)
式中:D-路面疲劳裂缝率,%;
T-行车荷载作用次数,×106,辆;
α-与路面结构有关参数。
取疲劳裂缝率限值Dmax=30%,对应的荷载作用次数为13.55×106,则疲劳寿命为7.55×106次,计算见附图4。
以上实施例描述了本发明的基本原理、主要特征及优点,本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明原理的范围下,本发明还会有各种变化和改进,这些变化和改进均落入本发明保护的范围内。
Claims (1)
1.一种沥青路面剩余疲劳寿命的预测方法,其特征在于具体步骤为:
步骤S1:调查统计待评定沥青路面的结构类型、厚度、每层模量及修建年限信息,同时调查统计沥青路面疲劳裂缝数量;
步骤S2:采用激光动态弯沉检测车对不同服务年限或不同荷载作用次数的沥青路面激光动态弯沉值;
步骤S3:采用人工神经网络模型计算出不同输入参数的输出结果,采用包含输入层、隐含层和输出层的三层人工神经网络模型进行计算,输入层有面层厚度、面层模量、基层厚度、基层模量、路基模量、累计交通荷载作用次数和激光动态弯沉值,输出层为沥青路面剩余疲劳作用次数,将得到的输入层数据样本分为训练样本和测试样本,确定神经网络模型的训练精度或最大训练次数直至满足训练精度要求,停止对神经网络模型的训练;
步骤S4:采用公式(1)计算不同荷载作用下的沥青路面剩余疲劳作用次数;
式中:Nf-路面剩余疲劳作用次数,×106,次;
f1、f2、f3-系数,f1=0.0796,f2=3.291,f3=0.854;
εt-沥青层底弯拉应变;
EAC-沥青层模量,MPa;
步骤S5:将人工神经网络模型计算的结果代入车辆载荷作用次数与沥青路面疲劳裂缝之间的关系公式(2),以确定的疲劳疲劳裂缝率限值Dmax=30%对应的车辆载荷作用次数与沥青路面实际承受的载荷作用次数之差作为沥青路面剩余疲劳寿命;
D=1-exp(-Tα) (2)
式中:D-路面疲劳裂缝率,%;
T-行车荷载作用次数,×106,辆;
α-与路面结构有关参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583393.6A CN110334429B (zh) | 2019-07-01 | 2019-07-01 | 一种沥青路面剩余疲劳寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583393.6A CN110334429B (zh) | 2019-07-01 | 2019-07-01 | 一种沥青路面剩余疲劳寿命的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334429A true CN110334429A (zh) | 2019-10-15 |
CN110334429B CN110334429B (zh) | 2023-05-02 |
Family
ID=68144644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583393.6A Active CN110334429B (zh) | 2019-07-01 | 2019-07-01 | 一种沥青路面剩余疲劳寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334429B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347541A (zh) * | 2020-11-09 | 2021-02-09 | 天津城建大学 | 车辆正常通行下沥青路面承载能力快速测试方法 |
CN112903982A (zh) * | 2021-03-18 | 2021-06-04 | 中交一公局第五工程有限公司 | 沥青路面力学性能无损监测方法及系统 |
CN113567269A (zh) * | 2021-07-22 | 2021-10-29 | 同济大学 | 一种考虑自愈合的沥青疲劳寿命评价方法 |
CN114002094A (zh) * | 2021-12-29 | 2022-02-01 | 山东高速集团有限公司 | 一种用于预测路面结构疲劳损伤的系统及方法 |
CN114970276A (zh) * | 2022-06-06 | 2022-08-30 | 邢台路桥建设总公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
IT202100007688A1 (it) | 2021-04-01 | 2022-10-01 | Rino Conte | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
CN114970276B (zh) * | 2022-06-06 | 2024-05-24 | 邢台路桥建设集团有限公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565312A (zh) * | 2011-12-14 | 2012-07-11 | 河海大学 | 预估高速公路沥青路面剩余寿命的方法 |
CN102693450A (zh) * | 2012-05-16 | 2012-09-26 | 北京理工大学 | 一种基于遗传神经网络的曲轴疲劳寿命预测方法 |
CN104849155A (zh) * | 2015-05-26 | 2015-08-19 | 武汉理工大学 | 通过芯样疲劳-模量综合性能预测沥青路面剩余寿命的方法 |
WO2018107730A1 (zh) * | 2016-12-16 | 2018-06-21 | 海口未来技术研究院 | 复合材料的疲劳寿命预测方法及预测系统 |
-
2019
- 2019-07-01 CN CN201910583393.6A patent/CN110334429B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565312A (zh) * | 2011-12-14 | 2012-07-11 | 河海大学 | 预估高速公路沥青路面剩余寿命的方法 |
CN102693450A (zh) * | 2012-05-16 | 2012-09-26 | 北京理工大学 | 一种基于遗传神经网络的曲轴疲劳寿命预测方法 |
CN104849155A (zh) * | 2015-05-26 | 2015-08-19 | 武汉理工大学 | 通过芯样疲劳-模量综合性能预测沥青路面剩余寿命的方法 |
WO2018107730A1 (zh) * | 2016-12-16 | 2018-06-21 | 海口未来技术研究院 | 复合材料的疲劳寿命预测方法及预测系统 |
Non-Patent Citations (1)
Title |
---|
樊永华等: "基于人工神经网络的沥青路面剩余寿命分析", 《三峡大学学报(自然科学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347541A (zh) * | 2020-11-09 | 2021-02-09 | 天津城建大学 | 车辆正常通行下沥青路面承载能力快速测试方法 |
CN112347541B (zh) * | 2020-11-09 | 2023-04-25 | 天津城建大学 | 车辆正常通行下沥青路面承载能力快速测试方法 |
CN112903982A (zh) * | 2021-03-18 | 2021-06-04 | 中交一公局第五工程有限公司 | 沥青路面力学性能无损监测方法及系统 |
CN112903982B (zh) * | 2021-03-18 | 2023-05-30 | 中交一公局第五工程有限公司 | 沥青路面力学性能无损监测方法及系统 |
IT202100007688A1 (it) | 2021-04-01 | 2022-10-01 | Rino Conte | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
CN113567269A (zh) * | 2021-07-22 | 2021-10-29 | 同济大学 | 一种考虑自愈合的沥青疲劳寿命评价方法 |
CN113567269B (zh) * | 2021-07-22 | 2022-06-17 | 同济大学 | 一种考虑自愈合的沥青疲劳寿命评价方法 |
CN114002094A (zh) * | 2021-12-29 | 2022-02-01 | 山东高速集团有限公司 | 一种用于预测路面结构疲劳损伤的系统及方法 |
CN114970276A (zh) * | 2022-06-06 | 2022-08-30 | 邢台路桥建设总公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
CN114970276B (zh) * | 2022-06-06 | 2024-05-24 | 邢台路桥建设集团有限公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110334429B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334429A (zh) | 一种沥青路面剩余疲劳寿命的预测方法 | |
Setyawan et al. | Predicting the remaining service life of road using pavement condition index | |
Pérez-Acebo et al. | Modeling the international roughness index performance on semi-rigid pavements in single carriageway roads | |
Schwartz et al. | Global sensitivity analysis of mechanistic–empirical performance predictions for flexible pavements | |
Selezneva et al. | Characterization of transverse cracking spatial variability: use of long-term pavement performance data for continuously reinforced concrete pavement design | |
Ogungbile et al. | Developing cost model for preliminary estimate of road projects in Nigeria | |
Norouzi et al. | Performance-based design of asphalt pavements concerning the reliability analysis | |
Chen et al. | Prediction of the pre-erosion stage of faulting in jointed concrete pavement with axle load distribution | |
Saghafi et al. | Artificial neural networks and regression analysis for predicting faulting in jointed concrete pavements considering base condition | |
Nega et al. | Distress identification, cost analysis and pavement temperature prediction for the long-term pavement performance for Western Australia | |
Bektas et al. | Pavement condition: New approach for Iowa department of transportation | |
Adeke et al. | Assessment of pavement condition index: a case of flexible road pavements on the university of agriculture Makurdi Campus | |
Tutumluer et al. | Development of improved overlay thickness design alternatives for local roads | |
Hong | Modeling heterogeneity in transportation infrastructure deterioration: application to pavement | |
Sharma et al. | A review of pavement condition rating models for flexible pavements | |
Liu | A methodology for developing performance-related specifications for pavement preservation treatments | |
Jannat | Database development for Ontario's local calibration of mechanistic–empirical pavement design guide (MEPDG) distress models | |
Ford et al. | Methodology for estimating life expectancies of highway assets | |
Haider et al. | Effect of axle load spectrum characteristics on flexible pavement performance | |
Ermoshin et al. | Assessment of road pavement durability taking into account the variability of the traffic load parameters | |
Kohler et al. | Influence of the coefficient of thermal expansion on the cracking of jointed concrete pavements | |
Haider et al. | Process and data needs for local calibration of performance models in the AASHTOWARE Pavement ME Software | |
Sein et al. | Uncertainty in condition prediction of bridges based on assessment method–Case study in Estonia | |
Muddasani et al. | A Comprehensive Investigation | |
Dabous et al. | Defect-based urgency index for bridge maintenance ranking and prioritization |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230317 Address after: No.6, Gaoyuan Road, high tech Zone, Xinxiang City, Henan Province Applicant after: HENAN GAOYUAN MAINTENANCE TECHNOLOGY OF HIGHWAY Co.,Ltd. Applicant after: HENAN HIGHWAY MAINTENANCE ENGINEERING RESEARCH CENTER Address before: No.6, Gaoyuan Road, high tech Zone, Xinxiang City, Henan Province Applicant before: HENAN GAOYUAN MAINTENANCE TECHNOLOGY OF HIGHWAY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |