CN113626988A - 沥青混合料含水率预测方法、系统、设备及存储介质 - Google Patents
沥青混合料含水率预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113626988A CN113626988A CN202110808380.1A CN202110808380A CN113626988A CN 113626988 A CN113626988 A CN 113626988A CN 202110808380 A CN202110808380 A CN 202110808380A CN 113626988 A CN113626988 A CN 113626988A
- Authority
- CN
- China
- Prior art keywords
- asphalt mixture
- water
- model
- water content
- dielectric
- 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.)
- Pending
Links
- 239000010426 asphalt Substances 0.000 title claims abstract description 352
- 239000000203 mixture Substances 0.000 title claims abstract description 299
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 283
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002131 composite material Substances 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 239000004575 stone Substances 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 26
- 239000012615 aggregate Substances 0.000 description 18
- 238000002791 soaking Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 235000019738 Limestone Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000006028 limestone Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000005464 sample preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
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)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及一种沥青混合料含水率预测方法、系统、设备及存储介质,其方法包括基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;获取待测沥青混合料的测定参数,并利用沥青混合料含水率预测模型预测待测沥青混合料的含水率。本发明对实现沥青路面中含水率的检测提供了理论依据,有助于评价沥青路面中的含水状态,避免沥青路面发生严重的水损害。
Description
技术领域
本申请涉及道路材料检测技术领域,尤其是涉及一种沥青混合料含水率预测方法、系统、设备及存储介质。
背景技术
随着交通领域的基建发展,高速公路由于其覆盖范围广,一直被作为重点建设的项目。沥青作为高速公路的主要铺路材料,沥青路面在使用过程中会暴露于自然环境中,而水分的存在将对沥青路面造成水分破坏。因此,检测和控制沥青路面中的水分含量对提升沥青路面的使用性能和延长使用寿命具有重要的现实意义。
沥青路面水损坏是目前沥青路面早期最常见、破坏力最大的病害形式,它可能导致沥青路面出现网状裂缝、唧浆和沟槽等病害问题出现。这些病害的出现会严重影响沥青路面的使用性能。
目前仅存在几种不准确的沥青路面含水量检测方法。一般情况下,可以钻芯取样的方法来检查沥青路面内部的积水情况。以探地雷达(GPR)为代表的无损检测方法具有快速,无损的优点,已广泛用于沥青路面各结构层的质量检测。无损检测方法是基于沥青路面不同位置处的介电常数的差异来进行质量检查和病害识别,该方法实现的基础是建立沥青混合料介电特性和工程指标之间的理论联系。在现有的研究中,部分专家和学者通过构建沥青混合料介电特性与压实度、沥青含量等指标之间的理论联系,取得了一定的实践验证和应用,但是很少有关于沥青路面含水量检测的研究,因此在沥青路面含水量检测方面还有待进一步研究。
发明内容
有鉴于此,本申请提供一种沥青混合料含水率预测方法、系统、设备及存储介质,用以解决如何对沥青混合料的含水率进行预测的技术问题,从而有助于评价沥青路面中的含水状态,避免沥青路面发生严重的水损害。
为了解决上述问题,第一方面,本发明提供一种沥青混合料含水率预测方法,所述方法包括:
基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
基于所述含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
获取所述水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
获取待测沥青混合料的测定参数,并利用所述沥青混合料含水率预测模型预测所述待测沥青混合料的含水率。
可选的,所述预设的复合材料介电模型采用瑞利模型;则基于瑞利模型所述构建沥青混合料介电模型,其表达式如下:
构建含水沥青混合料介电模型,其表达式如下:
其中,εas为沥青混合料的介电常数,εa为空气的介电常数,εb为沥青的介电常数,εs为集料的介电常数,va为空气的体积百分比,vb为沥青的体积百分比,vs为集料的体积百分比,vm为水分的体积百分比,εm为水的介电常数。
可选的,基于所述含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型,包括:
所述含水的沥青混合料中各组分的体积关系,满足以下条件:
vs=1-va-vb-vm (3)
将式(3)代入式(2),得到含水的沥青混合料中水分体积与各组分介电常数的关系模型,具体如下:
可选的,获取所述水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型,包括:
基于所述水分重量与沥青混合料重量的占比关系,沥青混合料的含水率表示为:
联立式(4)和式(5),得到基于介电特性的沥青混合料含水率预测模型,具体如下:
其中,Sm为沥青混合料的含水率,mm为水的重量,mas为沥青混合料的重量,ρm为水的密度。
可选的,将空气的体积百分比νa设置为零;沥青的体积百分比νb满足以下条件:
式中,Pa为油石比,Gmb为沥青混合料的毛体积密度,ρb为沥青的密度;
联立式(6)和式(7)后,将所述沥青混合料含水率预测模型表示为:
可选的,所述获取待测沥青混合料的测定参数,包括:
从预设的参数数据库中获取待测沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度以及水的介电常数;
获取所述待测沥青混合料的重量;
基于所述待测沥青混合料的重量,并利用预设的水中重法,计算所述待测沥青混合料的毛体积密度。
可选的,所述利用所述沥青混合料含水率预测模型预测所述待测沥青混合料的含水率,包括:
根据所述待测沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度以及水的介电常数,以及待测沥青混合料的重量和毛体积密度,并利用所述沥青混合料含水率预测模型,计算所述待测沥青混合料的含水率。
第二方面,本发明提供一种沥青混合料含水率预测系统,所述系统包括:
构建介电模型模块,用于基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
构建含水关系模块,用于基于所述含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
构建预测模型模块,用于获取所述水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
含水预测模块,用于获取待测沥青混合料的测定参数,并利用所述沥青混合料含水率预测模型预测所述待测沥青混合料的含水率。
第三方面,本申请提供的一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述沥青混合料含水率预测方法的步骤。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述沥青混合料含水率预测方法的步骤。
采用上述实施例的有益效果是:通过复合材料介电模型,构建含水沥青混合料介电模型,从而考虑水分对介电特性的影响;利用含水的沥青混合料中各组分的体积关系和含水沥青混合料介电模型,得到含水的沥青混合料中水分含量和各组分介电常数的关系模型,从而便于构造基于介电特性的沥青混合料含水率预测模型,从而利用该含水率预测模型预测待测沥青混合料的含水率,对实现沥青路面中含水率的测量提供了理论依据,有助于评价沥青路面中的含水状态,避免沥青路面发生严重的水损害。
附图说明
图1为本发明提供的沥青混合料含水率预测系统的应用场景示意图;
图2为本发明提供的沥青混合料含水率预测方法一实施例的方法流程图;
图3为本发明提供的沥青混合料含水率预测系统一实施例的原理框图;
图4为本发明提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种沥青混合料含水率预测方法、系统、设备及存储介质,以下分别进行详细说明。
图1为本申请实施例所提供的沥青混合料含水率预测系统的场景示意图,该系统可以包括服务器100,服务器100中集成有沥青混合料含水率预测系统,如图1中的服务器。
本申请实施例中服务器100主要用于:
基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
获取水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
获取待测沥青混合料的测定参数,并利用沥青混合料含水率预测模型预测待测沥青混合料的含水率。
本申请实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本申请实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,例如图1中仅示出2个终端,可以理解的,该沥青混合料含水率预测系统还可以包括一个或多个其他终端,具体此处不作限定。
另外,参照图1所示,该沥青混合料含水率预测系统还可以包括存储器200,用于存储数据,如沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度、水的介电常数等数据。
需要说明的是,图1所示的沥青混合料含水率预测系统的场景示意图仅仅是一个示例,本申请实施例描述的沥青混合料含水率预测系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着沥青混合料含水率预测系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
参照图2,图2是本申请提供的沥青混合料含水率预测方法一实施例的方法流程图,该方法的步骤包括:
S1、基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
S2、基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
S3、获取水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
S4、获取待测沥青混合料的测定参数,并利用沥青混合料含水率预测模型预测待测沥青混合料的含水率。
本实施例,沥青混合料是指选取沥青和集料混合制成,并含有水和空气,需要说明的是,浸水的沥青混合料中空气体积忽略不计。
本实施例通过复合材料介电模型,构建含水沥青混合料介电模型,从而考虑水分对介电特性的影响;利用含水的沥青混合料中各组分的体积关系和含水沥青混合料介电模型,得到含水的沥青混合料中水分含量和各组分介电常数的关系模型,从而便于构造基于介电特性的沥青混合料含水率预测模型,从而利用该含水率预测模型预测待测沥青混合料的含水率,对实现沥青路面中含水率的检测提供了理论依据,有助于评价沥青路面中的含水状态,避免沥青路面发生严重的水损害。
可选的,在本实施例中,预设的复合材料介电模型采用瑞利模型;则基于瑞利模型构建沥青混合料介电模型,其表达式如下:
构建含水沥青混合料介电模型,其表达式如下:
其中,εas为沥青混合料的介电常数,εa为空气的介电常数,εb为沥青的介电常数,εs为集料的介电常数,va为空气的体积百分比,vb为沥青的体积百分比,vs为集料的体积百分比,vm为水分的体积百分比,εm为水的介电常数。
需要说明的是,瑞利(Rayleigh)模型是目前较为常见的复合材料介电模型之一,具有较高的适用性,可以作为相关理论研究的基础。但考虑到对沥青混合料中水分含量的测量,因此在基于瑞利(Rayleigh)模型的沥青混合料介电模型的基础上,添加水分含量因素,便于研究沥青混合料中水分含量对介电特性的影响。
可选的,本实施例的步骤S2,即基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型,包括:
含水的沥青混合料中各组分的体积关系,满足以下条件:
vs=1-va-vb-vm (3)
将式(3)代入式(2),得到含水的沥青混合料中水分体积与各组分介电常数的关系模型,具体如下:
需要说明的是,通过沥青混合料中集料的体积百分比表达式,对含水沥青混合料介电模型进行变换处理,可以得到所需要的水分体积含量与各组分介电常数的关系,便于进一步研究沥青混合料中含水率。
可选的,本实施例的步骤S3,即获取水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型,包括:
基于水分重量与沥青混合料重量的占比关系,沥青混合料的含水率表示为:
联立式(4)和式(5),得到基于介电特性的沥青混合料含水率预测模型,具体如下:
其中,Sm为沥青混合料的含水率,mm为水的重量,mas为沥青混合料的重量,ρm为水的密度。
可选的,将空气的体积百分比νa设置为零;沥青的体积百分比νb满足以下条件:
式中,Pa为油石比,Gmb为沥青混合料的毛体积密度,ρb为沥青的密度;
联立式(6)和式(7)后,将沥青混合料含水率预测模型表示为:
需要说明的是,在一实施例中,沥青混合料在浸水操作之后,沥青混合料中的所有内部空隙充满了水分,因此,空气成分不再存在,将空气的体积百分比设置为零。此外,油石Pa为沥青混合料中沥青含量和集料含量之比。
可选的,本实施例的步骤S4中获取待测沥青混合料的测定参数,包括:
从预设的参数数据库中获取待测沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度以及水的介电常数;
获取待测沥青混合料的重量;
基于待测沥青混合料的重量,并利用预设的水中重法,计算待测沥青混合料的毛体积密度。
需要说明的是,沥青混合料包含沥青、集料和水,因此,在存储的参数数据库中可以获得沥青密度、沥青的介电常数、集料的介电常数、油石比这些用料参数和配料参数,此外,水的密度、水的介电常数属于现有可获取的属性参数,也可以从参数数据库中获得。进一步地,通过测定待测沥青混合料的重量,然后通过现有的水中重法,计算待测沥青混合料的毛体积密度。
可选的,本实施例的步骤S4中利用沥青混合料含水率预测模型预测待测沥青混合料的含水率,包括:
根据待测沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度以及水的介电常数,以及待测沥青混合料的重量和毛体积密度,并利用沥青混合料含水率预测模型,计算待测沥青混合料的含水率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
下面结合一个具体沥青混合料的试验来验证本实施的沥青混合料含水率预测模型。
(1)试验样品准备
选用AC-20C石灰岩沥青混合料试件作为研究对象,集料为来自中国湖北省的石灰岩和玄武岩,沥青为SBS改性沥青,各项指标均满足规范要求,最佳油石比为4.3%,试件空隙率应保证控制在4%左右,其配合比如下表1所示。
表1石灰岩AC-20C沥青混合料级配组成
备样的方法如下:
(a)准备初始样品。采用来自中国湖北省的SBS改性沥青,同时采用来自中国湖北省的石灰岩集料,将集料和沥青组合制作沥青混合料旋转压实试件。
(b)切割测量样品。由于得到的沥青混合料旋转压实试件直径为150mm、高度为170mm的试件,再利用钻芯机和切割机将试件加工成直径为100mm、高度为50mm左右的标准试件所示。控制所得标准试件空隙率在4±0.5%范围内,每种类型的沥青混合料至少准备3个完好无损的平行试验样品。
(2)试验设计
试验前应将沥青混合料样品保存在阴凉的地方,并应将其置于水平面上以免样品变形。去除样品的表面残渣,称量干燥样品的质量。将样品放入水箱的挂篮中浸泡5分钟以上,以确保内部空隙完全充满水并称量样品在水中的重量。从水中取出试样,用干净柔软的毛巾轻轻擦拭试样表面的水,然后称重试样。在此过程之后,沥青混合物中的所有内部间隙都充满了水分,空气成分不再存在。测量干燥的沥青混合料样品的介电常数,待浸水后测定沥青混合料的介电常数。
本实施例所用的介电常数测试仪为美国Adek公司生产的Percometer介电常数测试仪,根据Percometer介电常数测试仪对于被测物体的尺寸要求,需要将试件加工成直径为100mm、高度为50mm左右的标准试件。控制所得标准试件空隙率在4±0.5%范围内,每种类型的沥青混合料至少准备3个完好无损的平行试验样品。
本试验中试验样品浸水的水箱水温为25℃±0.5℃。本试验中对试验样品进行称量时,质量需要精确到0.1g。本试验中Percometer介电常数测试仪的测试频率为40MHz。
进一步地,测量每个沥青混合物样品的浸水前后的重量,计算出每组沥青混合物的水分含量,同时用Percometer介电常数测试仪测量在浸入水中之前和之后每组沥青混合物的介电常数,并计算每组介电常数的平均值。
(3)建立基于介电特性的沥青混合料含水率预测模型
式中,εas为沥青混合料浸水后的介电常数,εb为沥青的介电常数,εs为集料的介电常数,εm为水的介电常数,Sm为沥青混合料的含水率,ρm为水的密度,ρb为沥青的密度,Pa为油石比,Gmb为沥青混合料的毛体积密度,mas为沥青混合料浸水后的重量。
(4)验证含水率预测模型
根据浸水前后的沥青混合料重量,计算各沥青混合料试件的实际含水率如表2所示。
表2含水率实测结果
根据各沥青混合料试件的介电常数测试结果,并基于本实施例的沥青混合料含水率预测模型计算各沥青混合料试件的理论含水率,并与实际含水率进行对比,计算各组预测结果的相对误差如下表3所示。
表3各沥青混合料试件的含水率预测相对误差
根据表3各沥青混合料含水率预测的相对误差结果,可知本实施例的含水率预测模型具有较高的预测精度,各沥青混合料含水率预测相对误差均在5%以下,可以作为沥青混合料含水率预测的理论基础。
本申请通过复合材料介电模型,构建含水沥青混合料介电模型,从而考虑水分对介电特性的影响;利用含水的沥青混合料中各组分的体积关系和含水沥青混合料介电模型,得到含水的沥青混合料中水分含量和各组分介电常数的关系模型,从而便于构造基于介电特性的沥青混合料含水率预测模型,从而利用该含水率预测模型预测待测沥青混合料的含水率,对实现沥青路面中含水率的检测提供了理论依据,有助于评价沥青路面中的含水状态,避免沥青路面发生严重的水损害。
本实施例还提供一种沥青混合料含水率预测系统,该沥青混合料含水率预测系统与上述实施例中沥青混合料含水率预测方法一一对应。如图3所示,该沥青混合料含水率预测系统包括构建介电模型模块301、构建含水关系模块302、构建预测模型模块303和含水预测模块304。各功能模块详细说明如下:
构建介电模型模块301,用于基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
构建含水关系模块302,用于基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
构建预测模型模块303,用于获取水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
含水预测模块304,用于获取待测沥青混合料的测定参数,并利用沥青混合料含水率预测模型预测待测沥青混合料的含水率。
关于沥青混合料含水率预测系统的具体限定可以参见上文中对于沥青混合料含水率预测方法的限定,在此不再赘述。上述沥青混合料含水率预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
参照图4,本实施例还提供了一种计算机设备,该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图4仅示出了计算机设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据,例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有计算机程序40。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行沥青混合料含水率预测处理方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行存储器20中计算机程序40时实现以下步骤:
基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
获取水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
获取待测沥青混合料的测定参数,并利用沥青混合料含水率预测模型预测待测沥青混合料的含水率。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
基于含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
获取水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
获取待测沥青混合料的测定参数,并利用沥青混合料含水率预测模型预测待测沥青混合料的含水率。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种沥青混合料含水率预测方法,其特征在于,所述方法包括:
基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
基于所述含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
获取所述水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
获取待测沥青混合料的测定参数,并利用所述沥青混合料含水率预测模型预测所述待测沥青混合料的含水率。
6.根据权利要求1所述的沥青混合料含水率预测方法,其特征在于,所述获取待测沥青混合料的测定参数,包括:
从预设的参数数据库中获取待测沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度以及水的介电常数;
获取所述待测沥青混合料的重量;
基于所述待测沥青混合料的重量,并利用预设的水中重法,计算所述待测沥青混合料的毛体积密度。
7.根据权利要求6所述的沥青混合料含水率预测方法,其特征在于,所述利用所述沥青混合料含水率预测模型预测所述待测沥青混合料的含水率,包括:
根据所述待测沥青混合料中沥青密度、沥青的介电常数、集料的介电常数、油石比、水的密度以及水的介电常数,以及待测沥青混合料的重量和毛体积密度,并利用所述沥青混合料含水率预测模型,计算所述待测沥青混合料的含水率。
8.一种沥青混合料含水率预测系统,其特征在于,所述系统包括:
构建介电模型模块,用于基于预设的复合材料介电模型,构建沥青混合料介电模型以及含水沥青混合料介电模型;
构建含水关系模块,用于基于所述含水沥青混合料介电模型,并利用含水的沥青混合料中各组分的体积关系,构建沥青混合料中水分体积与各组分介电常数的关系模型;
构建预测模型模块,用于获取所述水分重量与沥青混合料重量的占比关系,并基于含水的沥青混合料中水分体积与各组分介电常数的关系模型,构建基于介电特性的沥青混合料含水率预测模型;
含水预测模块,用于获取待测沥青混合料的测定参数,并利用所述沥青混合料含水率预测模型预测所述待测沥青混合料的含水率。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述沥青混合料含水率预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述沥青混合料含水率预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110808380.1A CN113626988A (zh) | 2021-07-16 | 2021-07-16 | 沥青混合料含水率预测方法、系统、设备及存储介质 |
PCT/CN2021/120078 WO2023284114A1 (zh) | 2021-07-16 | 2021-09-24 | 沥青混合料含水率预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110808380.1A CN113626988A (zh) | 2021-07-16 | 2021-07-16 | 沥青混合料含水率预测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113626988A true CN113626988A (zh) | 2021-11-09 |
Family
ID=78379980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110808380.1A Pending CN113626988A (zh) | 2021-07-16 | 2021-07-16 | 沥青混合料含水率预测方法、系统、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113626988A (zh) |
WO (1) | WO2023284114A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029150B (zh) * | 2023-02-21 | 2023-06-20 | 珠江水利委员会珠江水利科学研究院 | 一种基于数模演算确定压实度的方法 |
CN116503845B (zh) * | 2023-06-25 | 2023-09-12 | 四川省交通勘察设计研究院有限公司 | 一种再生沥青混合料中的假骨料含量检测方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363163A (zh) * | 2020-11-04 | 2021-02-12 | 武汉理工大学 | 一种基于雷达无损检测的路面空洞含水率计算方法及装置 |
CN112525956A (zh) * | 2020-11-17 | 2021-03-19 | 武汉理工大学 | 基于温度-频率等效模型的沥青混合料质量评价方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102503244B (zh) * | 2011-10-17 | 2013-03-27 | 交通运输部公路科学研究所 | 骨架嵌挤型粗粒式高模量沥青混凝土组成及其确定方法 |
CN108760838B (zh) * | 2018-04-25 | 2021-04-20 | 江苏大学 | 一种基于介电特性的叶片含水率预测模型的建立方法 |
CN110927222A (zh) * | 2019-11-28 | 2020-03-27 | 武汉理工大学 | 一种量化温度、频率影响因素的沥青混合料质量评价方法 |
CN112578005A (zh) * | 2020-11-25 | 2021-03-30 | 武汉理工大学 | 一种量化相对湿度因素的沥青混合料质量评价方法 |
-
2021
- 2021-07-16 CN CN202110808380.1A patent/CN113626988A/zh active Pending
- 2021-09-24 WO PCT/CN2021/120078 patent/WO2023284114A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363163A (zh) * | 2020-11-04 | 2021-02-12 | 武汉理工大学 | 一种基于雷达无损检测的路面空洞含水率计算方法及装置 |
CN112525956A (zh) * | 2020-11-17 | 2021-03-19 | 武汉理工大学 | 基于温度-频率等效模型的沥青混合料质量评价方法 |
Non-Patent Citations (1)
Title |
---|
孟美丽: "基于频率和温度的混凝土与沥青混合料介电模型研究", 《中国博士学位论文全文数据库 工程科技II辑》, pages 2 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023284114A1 (zh) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11454606B2 (en) | Method and systems relating to construction material assessment | |
US11740224B2 (en) | Embedded wireless monitoring sensors | |
CN113626988A (zh) | 沥青混合料含水率预测方法、系统、设备及存储介质 | |
El-Badawy et al. | Performance of MEPDG dynamic modulus predictive models for asphalt concrete mixtures: local calibration for Idaho | |
Liu et al. | Analysis and comparison of different impacts of aging and loading frequency on fatigue characterization of asphalt concrete | |
CN113567753B (zh) | 沥青混合料的介电等效转换方法、系统、设备及介质 | |
Zhang et al. | The effect of sea salt solution erosion on cohesion, chemical and rheological properties of SBS modified asphalt | |
Zhou et al. | A new damage model accounting the effect of joint orientation for the jointed rock mass | |
Yi et al. | Detection of setting time in cement hydration using patch antenna sensor | |
Wang et al. | Rheological characterization of fine-grained sediments under steady and dynamic conditions | |
Xiong et al. | Estimation of density and moisture content in asphalt mixture based on dielectric property | |
Gashahun | Investigating sand quality effect on concrete strength: a case of Debre Markos and its vicinities | |
Zhang et al. | A simplified approach for prediction of concrete resistivity: experimental study and mathematic model | |
Zhong et al. | Research on detection method of concrete compressive strength based on dielectric properties | |
Zhang et al. | Experimental simulation for moisture damage of saturated asphalt mixture and evolution of mixture’s pore water pressure, accumulative strain | |
Zhang et al. | Theoretical Derivation of and Experimental Investigations into the Dielectric Properties Modeling of Concrete | |
Fu et al. | Mixing ratios and cementing mechanism of similar silty mudstone materials for model tests | |
Ye et al. | Nonlinear creep properties and time-to-failure prediction of sandstone under saturated and dry conditions | |
CN113704986A (zh) | 路面状况综合评价方法、系统、设备及存储介质 | |
Khoury et al. | Performance of a stabilized aggregate base subject to different durability procedures | |
Zhang et al. | Influence of temperature on the dielectric properties of asphalt mixtures | |
Yang et al. | Road performance and prediction model for carbonaceous mudstone soil-rock mixtures under wet-dry cycles | |
Tomor et al. | Evaluation of the Loss of Uniaxial Compressive Strength of Sandstones Due to Moisture | |
CN114034740B (zh) | 基于介电特性的基层新拌混合料含水率检测方法及系统 | |
Yu et al. | Moisture content prediction model of asphalt mixtures based on dielectric properties |
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 |