CN113821861A - 一种基于多元回归的路基路面压实质量测量方法和系统 - Google Patents
一种基于多元回归的路基路面压实质量测量方法和系统 Download PDFInfo
- Publication number
- CN113821861A CN113821861A CN202111198093.XA CN202111198093A CN113821861A CN 113821861 A CN113821861 A CN 113821861A CN 202111198093 A CN202111198093 A CN 202111198093A CN 113821861 A CN113821861 A CN 113821861A
- Authority
- CN
- China
- Prior art keywords
- compaction
- regression model
- roadbed
- road surface
- compaction quality
- 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
- 238000005056 compaction Methods 0.000 title claims abstract description 160
- 238000000691 measurement method Methods 0.000 title claims description 12
- 238000007477 logistic regression Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 20
- 238000012417 linear regression Methods 0.000 claims description 25
- 238000005096 rolling process Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 3
- 230000009123 feedback regulation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000009490 roller compaction Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 22
- 238000010276 construction Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Road Repair (AREA)
Abstract
本发明公开了一种基于多元回归的路基路面压实质量测量方法和系统,包括:获取不同标段、不同区域、不同压实材料和不同压实工艺下影响路基路面压实质量的历史样本参数集;建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型;实时获取多个当前生产参数,并利用优化后的多元逻辑回归模型对多个当前生产参数进行计算,对当前路基路面的压实质量进行预测。本发明考虑多种生产参数对于压实质量的不同影响,使得利用多元逻辑回归模型计算得到的压实质量值更加客观和准确;此外,由于该多元逻辑回归模型能够直接计算得到当前路基路面压实质量的数值,使得压实质量值的显示更加直观易获取。
Description
技术领域
本发明属于路基路面施工技术领域,具体涉及一种基于多元回归的路基路面压实质量测量方法和系统。
背景技术
路基路面填筑施工质量是确保路基路面长期性能稳定以及基础设施的使用寿命的关键环节。路基路面填筑碾压质量控制不善容易引起很多病害,如路面早期破坏、路基开裂、路基不均匀沉降和路基塌陷等。
传统的路基路面主要仍采用现场点抽样检测或监理旁站来控制路基路面的压实质量和碾压施工参数,以进一步实现对路基路面填筑施工质量的控制。然而,现场点抽样检测方法虽然检测精度较高,但是无法反映路基路面整体填筑施工质量情况,并且无法满足路基路面建造大规模机械化施工的实际需求,费时费力,效率低下。而监理旁站则基于人为判断碾压施工参数如碾压遍数等是否合格的方式来实现对路基路面建造质量的控制,这种方式存在误判、控制精确性较差以及受人为因素影响较大的问题,不利于对路基路面填筑施工质量进行实时有效的控制。
随着技术的发展,出现了路基路面智能压实测量系统,主要通过在振动压路机钢轮内侧安装压实传感器,并根据压实响应信号进行分析,对信号进行处理得出测量值,例如得到CMV(Compaction Meter Value,压实度计值)用于表征路基压实度,并助力于识别路基缺陷和病害,例如含水异常、压实不均匀和填料不均匀等。然而,由于受到压实设备吨位、振动信号影响深度、碾压检测面积、遍数、速度还有填筑材料等不同的影响,实践发现,上述影响因素在实际生产作业中是不可能一尘不变的,对单纯的以压实响应信号分析压实程度反馈压实质量的模型和算法的影响较大,导致其与灌沙法得出的压实度值的相关性较差,相关系数仅有0.7左右,因此无法很好测量反映出实际的压实度值,计算精度较差。
发明内容
本发明的目的是提供一种基于多元回归的路基路面压实质量测量方法和系统,用于解决现有技术中存在的至少一个技术问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供一种基于多元回归的路基路面压实质量测量方法,包括:
获取不同标段、不同区域、不同压实材料和不同压实工艺下影响路基路面压实质量的历史样本参数集;
建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型;
实时获取多个当前生产参数,并利用优化后的多元逻辑回归模型对多个当前生产参数进行计算,以对当前路基路面的压实质量进行预测;
其中,所述历史样本参数集和所述当前生产参数均包括压实设备参数、碾压材料参数以及压实工艺参数。
在一种可能的设计中,建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型,包括:
建立多元逻辑线性回归模型,其中,所述多元逻辑线性回归模型的函数表达式如下:
Y=β0+β1X1+β2X2+...+βkXk+ε;
其中,X1,X2,X3,...Xk分别表示一种生产参数,β0,β1,β2,...βk分别表示每一生产参数对应的线性回归系数,ε表示偏置项,Y表示路基路面的压实质量值;
利用所述历史样本参数集对所述线性回归系数作出估计,并对估计的线性回归系数进行假设检验,得到优化后的多元逻辑线性回归模型。
在一种可能的设计中,建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型,包括:
建立基于神经网络的多元逻辑非线性回归模型;
将所述历史样本参数集输入到所述多元逻辑非线性回归模型中进行训练和优化,得到优化后的多元逻辑非线性回归模型。
在一种可能的设计中,在对当前路基路面的压实质量进行预测之后,所述方法还包括:
将压实质量的预测结果以百分制的数值结果进行显示。
在一种可能的设计中,将压实质量的预测结果以百分制的数值结果进行显示,包括:
将压实质量的预测结果以不同颜色的百分制数值结果进行显示,并在显示界面上以0.04平米的精度将各压实设备的作业数据实时填充到生产路面对应的桩号位置。
在一种可能的设计中,所述方法还包括:
将所述多元逻辑回归模型应用于智能压实系统中,以对路基路面压实质量进行实时反馈调节控制。
在一种可能的设计中,所述压实设备参数至少包括:压实设备吨位、机配组合、振动频率、
摊铺厚度、行驶方向和行驶速度;
所述碾压材料参数至少包括:材料种类和材料配比;
所述压实工艺参数至少包括:压实设备压实温度、压实度计量值CMV、碾压遍数、碾压速度和错轮轨迹。
第二方面,本发明提供一种路基路面智能压实系统,如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法应用于所述系统中,所述系统包括:感知层、网络层以及管理应用服务层;
所述感知层设有若干感知设备,用于采集压实设备生产作业过程中的振动响应信号和定位信息;
所述网络层设有多个通信模块,所述通信模块用于实现所述感知层的信息上传以及所述管理应用服务层的指令下发;
所述管理应用服务层用于对所述振动响应信号和定位信息进行分析、统计和可视化展示,并对压实设备进行实时控制;
所述管理应用服务层设有压实质量测量模块,所述压实质量测量模块用于基于多元逻辑回归模型进行当前路基路面压实质量的预测。
在一种的可能的设计中,所述系统分为平台端和车载端,所述平台端和所述车载端通信连接,所述车载端包括基站端和移动端,所述基站端和所述移动端通信连接;
所述平台端用于对海量的压实生产数据进行加工、分析、存储和管理;
所述移动端包括安装在压实设备上的多个组件,用于采集压实生产作业过程中的多种作业数据,以及配合所述基站端获取压实设备在生产作业过程中的定位信息。
第三方面,本发明提供一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法。
有益效果:
本发明通过获取不同标段、不同区域、不同压实材料和不同压实工艺下影响路基路面压实质量的历史样本参数集;然后建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型;实时获取多个当前生产参数,并利用优化后的多元逻辑回归模型对多个当前生产参数进行计算,对当前路基路面的压实质量进行预测。其中,多元逻辑回归模型既可以是多元逻辑线性回归模型,也可以是多元逻辑非线性回归模型,可以根据具体的业务场景选择对应的回归模型对压实质量进行预测,提高预测结果的精确性。本发明考虑了多种生产参数对于压实质量的不同影响,使得利用多元逻辑回归模型计算得到的压实质量值更加客观和准确;此外,由于该多元逻辑回归模型能够直接计算得到当前路基路面压实质量的数值,而无需通过传统的与灌沙法得出的压实度值的相关性来评价当前路基路面压实质量,使得压实质量值的显示更加直观易获取。
附图说明
图1为本实施例中的基于多元回归的路基路面压实质量测量方法的流程图;
图2为本实施例中的基于多元回归的路基路面压实质量测量系统的架构图。
具体实施方式
合神经网络的泛化能力。
其中,需要说明的是,在将历为使本说明书实施例的目的、技术方案和优点更加清楚,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,本发明提供一种基于多元回归的路基路面压实质量测量方法,包括但不限于由步骤S101~S103实现:
步骤S101.获取不同标段、不同区域、不同压实材料和不同压实工艺下影响路基路面压实质量的历史样本参数集;
其中,需要说明的是,所述不同标段是指在公路或铁路等长线路建设工程修建时,按施工招投标划分的段。通常,系统根据提供的设计信息,生成各标的电子设计信息,在正式碾压生产作业时将压路机通过卫星定位映射到正确的工地设计桩号的位置。
其中,需要说明的是,所述历史样本参数集包括但不限于压实设备参数、碾压材料参数以及压实工艺参数;
所述压实设备参数至少包括:压实设备吨位、机配组合、振动频率、摊铺厚度、行驶方向和行驶速度;
所述碾压材料参数至少包括:材料种类和材料配比;
所述压实工艺参数至少包括:压实设备压实温度、压实度计量值CMV、碾压遍数、碾压速度和错轮轨迹,其中,碾压遍数的增加会给单位面积内的路基带来更多能量用于路基压实;在相同振动频率下,速度越快单位面积内路基所接收到的能量越小。
步骤S102.建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型;
其中,在步骤S102一种可选的实施方式中,建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型,包括:
建立多元逻辑线性回归模型,其中,所述多元逻辑线性回归模型的函数表达式如下:
Y=β0+β1X1+β2X2+...+βkXk+ε;
其中,X1,X2,X3,...Xk分别表示一种生产参数,β0,β1,β2,...βk分别表示每一生产参数对应的线性回归系数,ε表示偏置项,Y表示路基路面的压实质量值;
利用所述历史样本参数集对所述线性回归系数作出估计,并对估计的线性回归系数进行假设检验,得到优化后的多元逻辑线性回归模型。
其中,在步骤S102另一种可选的实施方式中,建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型,包括:
建立基于神经网络的多元逻辑非线性回归模型;
将所述历史样本参数集输入到所述多元逻辑非线性回归模型中进行训练和优化,得到优化后的多元逻辑非线性回归模型。
具体的,基于神经网络的多元逻辑非线性回归模型的特征值包括前述的压实设备参数、碾压材料参数以及压实工艺参数;优选的,神经网络采用长短期记忆神经网络(LSTM-NN,(Long Short Term Memory,Neural Network))和BP神经网络(BP-NN(backpropagation,Neural Network))混合的网络结构,包括输入层、隐含层和输出层,隐含层包括一个LSTM(Long Short Term Memory,长短期信息记忆能力)层和多个BP(backpropagation,前馈神经网络)层。LSTM层表征压实度的相近区域协同的特性,BP表征静态预测的非线性特性。为了防止BP层过多导致陷入代价函数局部最小值的困境,在LSTM层和BP层之间添加神经元丢弃层(Dropout层),同时对各隐含层进行权重正则化和偏置正则化,保证混史样本参数集输入到基于神经网络的多元逻辑非线性回归模型中之前,需要将分为历史样本参数集分为训练数据和测试数据,然后将训练数据输入至多元逻辑非线性回归模型中进行参数训练,并利用测试数据对训练后的多元逻辑非线性回归模型进行测试和优化;然后,需要对训练数据和测试数据进行标准化,即f(训练数据或测试数据)=(训练数据或测试数据-训练数据或测试数据平均值)/训练数据标准差。
步骤S103.实时获取多个当前生产参数,并利用优化后的多元逻辑回归模型对多个当前生产参数进行计算,对当前路基路面的压实质量进行预测;
其中,需要说明的是,多个所述当前生产参数包括但不限于压实设备参数、碾压材料参数以及压实工艺参数;
所述压实设备参数至少包括:压实设备吨位、机配组合、振动频率、摊铺厚度、行驶方向和行驶速度;
所述碾压材料参数至少包括:材料种类和材料配比;
所述压实工艺参数至少包括:压实设备压实温度、压实度计量值CMV、碾压遍数、碾压速度和错轮轨迹,其中,碾压遍数的增加会给单位面积内的路基带来更多能量用于路基压实;在相同振动频率下,速度越快单位面积内路基所接收到的能量越小。
在一种可能的设计中,在对当前路基路面的压实质量进行预测之后,所述方法还包括:
将压实质量的预测结果以百分制的数值结果进行显示,具体包括:将压实质量的预测结果以不同颜色的百分制数值结果进行显示,并在显示界面上以0.04平米的精度将各压实设备的作业数据实时填充到生产路面对应的桩号位置,从而使得显示更加直观,信息更易于获取。
在一种可能的设计中,所述方法还包括:
将所述多元逻辑回归模型应用于智能压实系统中,以对路基路面压实质量进行实时反馈调节控制。
具体的,将所述多元逻辑线性回归模型或所述多元逻辑非线性回归模型保存在编程环境中,作为备份,同时将所述多元逻辑线性回归模型或所述多元逻辑非线性回归模型为模块调用至智能压实系统中,并将模块的前端连接压实设备的传感器和输入平台,将模块的终端连接至压实设备的显示屏。
基于上述公开的内容,通过获取不同标段、不同区域、不同压实材料和不同压实工艺下影响路基路面压实质量的历史样本参数集;然后建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型;实时获取多个当前生产参数,并利用优化后的多元逻辑回归模型对多个当前生产参数进行计算,对当前路基路面的压实质量进行预测。其中,多元逻辑回归模型既可以是多元逻辑线性回归模型,也可以是多元逻辑非线性回归模型,可以根据具体的业务场景选择对应的回归模型对压实质量进行预测,提高预测结果的精确性。本发明考虑了多种生产参数对于压实质量的不同影响,使得利用多元逻辑回归模型计算得到的压实质量值更加客观和准确;此外,由于该多元逻辑回归模型能够直接计算得到当前路基路面压实质量的数值,而无需通过传统的与灌沙法得出的压实度值的相关性来评价当前路基路面压实质量,使得压实质量值的显示更加直观易获取。
第二方面,本发明提供一种路基路面智能压实系统,如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法应用于所述系统中,所述系统包括:感知层、网络层以及管理应用服务层;
所述感知层设有若干感知设备,用于采集压实设备生产作业过程中的振动响应信号和定位信息;
具体的,所述感知层中还设有感知层管理模块,用于管理若干个感知设备,所述感知设备包括但不限于定位设备、压实传感器(包括但不限于温度传感器)、红外设备和数据传输模块。
所述网络层设有多个通信模块,所述通信模块用于实现所述感知层的信息上传以及所述管理应用服务层的指令下发;
具体的,所述网络层还设有网络管理模块,用于管理多个所述通信模块,所述通信模块包括但不限于WAPI(Wireless LAN Authentication and Privacy Infrastructure,无线局域网鉴别和保密基础结构)模块、Wifi(WIreless FIdelity,无线网络传输技术)/Ethernet(以太网)、GPRS(General Packet Radio Service,通用分组无线服务)模块和3G/4G/5G模块。
所述管理应用服务层用于对所述振动响应信号和定位信息进行分析、统计和可视化展示,并对压实设备进行实时控制;
所述管理应用服务层设有压实质量测量模块,所述压实质量测量模块用于基于多元逻辑回归模型进行当前路基路面压实质量的预测。
所述管理应用服务层具体包括:数字化设计模块、数字化施工模块、设备实时数据分析模块、GIS数据可视化模块、统计报表模块以及事后过程回溯模块,上述多个模块配合可实现的功能包括但不限于:数据分析(包括卡尔曼滤波载波相位高斯投影、采样汉宁窗傅里叶变换、信号控制、线性模型、神经网络、决策树模型、概率模型、卷积神经网络、循环神经网络、反向传播-链式求导、激活函数、损失函数等)、超融合多元异构、场景增强、智能感知和自动控制。
优选的,所述管理应用服务层设有压实质量测量模块,所述压实质量测量模块用于基于多元逻辑回归模型进行当前路基路面压实质量的预测。
在一种的可能的设计中,所述系统分为平台端和车载端,所述平台端和所述车载端通信连接,所述车载端包括基站端和移动端,所述基站端和所述移动端通信连接;
所述平台端用于对海量的压实生产数据进行加工、分析、存储和管理;
所述移动端包括安装在压实设备上的多个组件,用于采集压实生产作业过程中的多种作业数据,以及配合所述基站端获取压实设备在生产作业过程中的定位信息。
其中,需要说明的是,所述组件包括软件和硬件,所述硬件包括但不限于数据处理主机、定位系统、激光接收器、温度测量感应器和加速感应器。
第三方面,本发明提供一种计算机设备,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法。
第五方面,本发明提供一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面任意一种可能的设计中所述的基于多元回归的路基路面压实质量测量方法。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多元回归的路基路面压实质量测量方法,其特征在于,包括:
获取不同标段、不同区域、不同压实材料和不同压实工艺下影响路基路面压实质量的历史样本参数集;
建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型;
实时获取多个当前生产参数,并利用优化后的多元逻辑回归模型对多个当前生产参数进行计算,以对当前路基路面的压实质量进行预测;
其中,所述历史样本参数集和所述当前生产参数均包括压实设备参数、碾压材料参数以及压实工艺参数。
2.根据权利要求1所述的基于多元回归的路基路面压实质量测量方法,其特征在于,建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型,包括:
建立多元逻辑线性回归模型,其中,所述多元逻辑线性回归模型的函数表达式如下:
Y=β0+β1X1+β2X2+...+βkXk+ε;
其中,X1,X2,X3,...Xk分别表示其中一种生产参数,β0,β1,β2,...βk分别表示每一生产参数对应的线性回归系数,ε表示偏置项,Y表示路基路面的压实质量值;
利用所述历史样本参数集对所述线性回归系数作出估计,并对估计的线性回归系数进行假设检验,得到优化后的多元逻辑线性回归模型。
3.根据权利要求1所述的基于多元回归的路基路面压实质量测量方法,其特征在于,建立多元逻辑回归模型,并利用所述历史样本参数集优化所述多元逻辑回归模型,得到优化后的多元逻辑回归模型,包括:
建立基于神经网络的多元逻辑非线性回归模型;
将所述历史样本参数集输入到所述多元逻辑非线性回归模型中进行训练和优化,得到优化后的多元逻辑非线性回归模型。
4.根据权利要求1所述的基于多元回归的路基路面压实质量测量方法,其特征在于,在对当前路基路面的压实质量进行预测之后,所述方法还包括:
将压实质量的预测结果以百分制的数值结果进行显示。
5.根据权利要求4所述的基于多元回归的路基路面压实质量测量方法,其特征在于,将压实质量的预测结果以百分制的数值结果进行显示,包括:
将压实质量的预测结果以不同颜色的百分制数值结果进行显示,并在显示界面上以0.04平米的精度将各压实设备的作业数据实时填充到生产路面对应的桩号位置。
6.根据权利要求1所述的基于多元回归的路基路面压实质量测量方法,其特征在于,所述方法还包括:
将所述多元逻辑回归模型应用于智能压实系统中,以对路基路面压实质量进行实时反馈调节控制。
7.根据权利要求1所述的基于多元回归的路基路面压实质量测量方法,其特征在于,所述压实设备参数至少包括:压实设备吨位、机配组合、振动频率、摊铺厚度、行驶方向和行驶速度;
所述碾压材料参数至少包括:材料种类和材料配比;
所述压实工艺参数至少包括:压实设备压实温度、压实度计量值CMV、碾压遍数、碾压速度和错轮轨迹。
8.一种路基路面智能压实系统,其特征在于,如权利要求1-7任意一项所述的基于多元回归的路基路面压实质量测量方法应用于所述系统中,所述系统包括:感知层、网络层以及管理应用服务层;
所述感知层设有若干感知设备,用于采集压实设备生产作业过程中的振动响应信号和定位信息;
所述网络层设有多个通信模块,所述通信模块用于实现所述感知层的信息上传以及所述管理应用服务层的指令下发;
所述管理应用服务层用于对所述振动响应信号和定位信息进行分析、统计和可视化展示,并对压实设备进行实时控制;
所述管理应用服务层设有压实质量测量模块,所述压实质量测量模块用于基于多元逻辑回归模型进行当前路基路面压实质量的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111198093.XA CN113821861A (zh) | 2021-10-14 | 2021-10-14 | 一种基于多元回归的路基路面压实质量测量方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111198093.XA CN113821861A (zh) | 2021-10-14 | 2021-10-14 | 一种基于多元回归的路基路面压实质量测量方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113821861A true CN113821861A (zh) | 2021-12-21 |
Family
ID=78916571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111198093.XA Pending CN113821861A (zh) | 2021-10-14 | 2021-10-14 | 一种基于多元回归的路基路面压实质量测量方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821861A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114908726A (zh) * | 2022-05-16 | 2022-08-16 | 广西邕洲高速公路有限公司 | 高速公路宽幅路基施工质量实时全域智能检测方法及系统 |
CN115034697A (zh) * | 2022-08-12 | 2022-09-09 | 河北工业大学 | 基于多域分析的多元智能压实指标分级优选方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427343A (zh) * | 2018-03-07 | 2018-08-21 | 天津大学 | 基于ar技术的压实作业施工质量智能监控系统及方法 |
CN110284484A (zh) * | 2019-07-02 | 2019-09-27 | 江苏东交工程检测股份有限公司 | 压实度预测方法、装置、设备及存储介质 |
CN112252292A (zh) * | 2020-10-15 | 2021-01-22 | 河北工业大学 | 一种基于人工神经网络的高速公路压实度实时监测方法 |
CN112485789A (zh) * | 2020-11-20 | 2021-03-12 | 扬州得路达交通科技有限公司 | 一种基于三维探地雷达的沥青路面压实度检测方法 |
-
2021
- 2021-10-14 CN CN202111198093.XA patent/CN113821861A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427343A (zh) * | 2018-03-07 | 2018-08-21 | 天津大学 | 基于ar技术的压实作业施工质量智能监控系统及方法 |
CN110284484A (zh) * | 2019-07-02 | 2019-09-27 | 江苏东交工程检测股份有限公司 | 压实度预测方法、装置、设备及存储介质 |
CN112252292A (zh) * | 2020-10-15 | 2021-01-22 | 河北工业大学 | 一种基于人工神经网络的高速公路压实度实时监测方法 |
CN112485789A (zh) * | 2020-11-20 | 2021-03-12 | 扬州得路达交通科技有限公司 | 一种基于三维探地雷达的沥青路面压实度检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114908726A (zh) * | 2022-05-16 | 2022-08-16 | 广西邕洲高速公路有限公司 | 高速公路宽幅路基施工质量实时全域智能检测方法及系统 |
CN115034697A (zh) * | 2022-08-12 | 2022-09-09 | 河北工业大学 | 基于多域分析的多元智能压实指标分级优选方法及系统 |
CN115034697B (zh) * | 2022-08-12 | 2022-11-08 | 河北工业大学 | 基于多域分析的多元智能压实指标分级优选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112252292B (zh) | 一种基于人工神经网络的高速公路压实度实时监测方法 | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN113821861A (zh) | 一种基于多元回归的路基路面压实质量测量方法和系统 | |
CN109468918B (zh) | 一种路基路面智能压实决策系统 | |
Han et al. | A BIM-IoT and intelligent compaction integrated framework for advanced road compaction quality monitoring and management | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN111339092A (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
Hou et al. | The effect of the dataset on evaluating urban traffic prediction | |
CN115034697A (zh) | 基于多域分析的多元智能压实指标分级优选方法及系统 | |
Ding et al. | Settlement prediction of existing metro induced by new metro construction with machine learning based on SHM data: a comparative study | |
CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
Houbraken et al. | Examining the potential of floating car data for dynamic traffic management | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
Salem et al. | AI-based cloud computing application for smart earthmoving operations | |
Yao et al. | Intelligent compaction methods and quality control | |
García-Segura et al. | Integration of deep learning techniques and sustainability-based concepts into an urban pavement management system | |
Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
CN116202575B (zh) | 一种水土保持土壤流失率监测系统及方法 | |
CN116935642A (zh) | 基于物联网的便捷出行管理方法 | |
Latifi et al. | A deep reinforcement learning model for predictive maintenance planning of road assets: Integrating LCA and LCCA | |
US20230032819A1 (en) | Methods, apparatuses, systems and computer program products for estimating road surface temperature | |
Berardinelli et al. | An advanced highway asset management system | |
CN116430739B (zh) | 一种基于数字孪生技术的全过程智慧压实系统及管控方法 | |
CN215252175U (zh) | 基于人工智能的沥青路面压实质量控制装置 | |
CN117351367B (zh) | 一种公路养护巡检方法、介质以及设备 |
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 |