CN114562944B - 一种模拟路面结冰的试验系统及方法 - Google Patents

一种模拟路面结冰的试验系统及方法 Download PDF

Info

Publication number
CN114562944B
CN114562944B CN202210079793.5A CN202210079793A CN114562944B CN 114562944 B CN114562944 B CN 114562944B CN 202210079793 A CN202210079793 A CN 202210079793A CN 114562944 B CN114562944 B CN 114562944B
Authority
CN
China
Prior art keywords
icing
temperature control
prediction model
control box
low
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
CN202210079793.5A
Other languages
English (en)
Other versions
CN114562944A (zh
Inventor
阳恩慧
杨钦隆
狄海波
罗蕾
陈强
李�杰
邱延峻
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210079793.5A priority Critical patent/CN114562944B/zh
Publication of CN114562944A publication Critical patent/CN114562944A/zh
Application granted granted Critical
Publication of CN114562944B publication Critical patent/CN114562944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/02—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering
    • G01N25/04—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering of melting point; of freezing point; of softening point
    • G01N25/06—Analysis by measuring change of freezing point
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biochemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Ecology (AREA)
  • Immunology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种模拟路面结冰的试验系统及方法，属于道路工程技术领域。本发明包括低温控制箱，所述低温控制箱中设置有环境模拟组件、车辙板组件、路面状况观测组件及手持测试仪器，所述的环境模拟组件、车辙板组件和路面状况观测组件安装布置在低温控制箱内部，所述的计算机设置在低温控制箱外部，所述计算机与路面状况观测组件连接。本发明可模拟温度、风速、辐射强度等环境因素，从而为沥青路面结冰影响因素的探究以及路面结冰预测模型的建立提供了依据，建立的路面结冰预测模型精度更高。本发明提供了多种路面结冰预测模型，并比选出效果最佳的路面结冰预测模型，从而减少试验次数，使路面结冰预测模型更具地域性和针对性。

Description

一种模拟路面结冰的试验系统及方法
技术领域
本发明属于道路工程技术领域，具体涉及一种模拟路面结冰的试验系统及方法。
背景技术
我国大部分地区处在季节性冰冻地区，冬季低温期长，水位埋藏深度很浅，造成融化后的积雪补给地下水的现象，在车辆荷载等条件的综合作用下极易形成冰层，威胁道路交通安全。冬季当地将会出现地表封冻以及水体结冰的现象，最低可达零下四十摄氏度左右的极端低温。冰雪路面的交通安全难以保障，事故频发，造成了较大的经济损失甚至人员伤亡的情况，严重影响行车安全。
研发冬季沥青路面预测模型并及时给出准确的路面温度、湿度、结冰等预报信息，一方面可为道路养护等政府部门提供道路维护(如洒盐、扫雪铲冰等)的科学决策依据，改善道路的使用性能和耐久性，提高道路使用年限：另一方面更有利于道路养护等政府部门有更充足的时间进行及时有效的道路维护作业准备与安排，进而降低因极端天气引发的道路交通维护成本，保障道路畅通，减少交通事故造成的人民生命财产损失。
国外发达国家道路基础设施的建设起步较早，对道路结冰的预测和实时监测也较为重视，在航空、电力等方面的应用技术已经较为成熟。虽然部分相关技术已经在我国国内道路中得到应用，但应用较少且需要针对我国道路环境进行优化。目前针对模拟沥青路面结冰的试验系统还有待完善，使其对路面结冰的预测提供数据支持。特别是针对多因素多水平的研究方案，因此，研发一套能够适用于模拟冬季沥青路面结冰的试验系统是十分必要的。
发明内容
针对现有技术中存在的问题，本发明提供一种模拟路面结冰的试验系统及方法，其目的在于：减少试验次数，使路面结冰预测模型更具地域性和针对性。
本发明采用的技术方案如下：
一种模拟路面结冰的试验系统，包括低温控制箱和计算机，所述低温控制箱中设置有环境模拟组件、车辙板组件、路面状况观测组件及手持测试仪器，所述的环境模拟组件、车辙板组件和路面状况观测组件安装布置在低温控制箱内部，所述的计算机设置在低温控制箱外部，所述计算机与路面状况观测组件连接。
采用该技术方案后，可通过温度控制箱模拟试验的环境温度，通过环境模拟组件模拟风速、辐射强度等环境因素，通过路面状况观测组件可以对路面结冰状况进行监测并上传到计算机上进行分析和查看，并记录结冰厚度及结冰时间。本发明可得到准确的结冰时间和结冰厚度，从而为沥青路面结冰影响因素的探究以及路面结冰预测模型的建立提供了依据，建立的路面结冰预测模型精度高，极大地满足了人们对模拟路面结冰的室内试验使用要求。
优选的，所述低温控制箱通过电源线与电源连接，低温控制箱的箱体内侧壁安装有制冷器，低温控制箱的底部设置有排水孔，低温控制箱的外部设置有温控开关。
采用该优选方案后，通过排水孔可将低温控制箱内多余的水排出。
优选的，所述环境模拟组件包括小型风扇、辐射灯和蓄水壶，所述的小型风扇安装在低温控制箱内的一侧，所述的辐射灯安装在温控制箱内顶部。
采用该优选方案后，通过小型风扇可模拟试验环境的风速，通过辐射灯可模拟环境的辐射强度，通过蓄水壶可模拟降雨或积水，从而使试验环境与真实的路面环境相同，试验结果更准确。
优选的，所述车辙板组件包括车辙板试件和车辙板安放承台，所述车辙板安放承台安装在低温控制箱中部，所述车辙板试件安装在车辙板安放承台上。
优选的，所述路面状况观测组件包括高清摄像机、摄像机支架和结冰传感器，所述高清摄像机安装在摄像机支架上，所述的摄像机支架安装在车辙板安放承台侧面，所述结冰传感器安装在车辙板试件内部并与车辙板试件表面平齐，所述高清摄像机和结冰传感器与计算机连接。
优选的，所述车辙板试件为水泥板材质或沥青板材质。
优选的，所述手持测试仪器包括风速仪、辐射仪、量筒、红外测温仪、温湿度传感器、温度计和喷壶。
本发明还公开了一种路面结冰试验方法，包括以下步骤：
步骤1：设定试验的相关参数；
步骤2：制作车辙板试件：在成型后的车辙板试件中央钻孔，孔内埋入结冰数据采集器，并确保结冰数据采集器表面与车辙板试件表面平齐；
步骤3：将车辙板试件所处位置调整到设定风速和设定辐射强度，并使高清摄像机镜头对准车辙板试件表面，准备就绪后关闭小型风扇、辐射灯和高清摄像机；
步骤4：将低温控制箱调节到设定温度，等待车辙板试件温度与低温控制箱内温度一致，同时用温湿度传感器监控低温控制箱内温湿度变化；
步骤5：测定车辙板试件表面温度，确保车辙板试件达到设定温度，测定蓄水壶中水的温度，确保水温达到预设温度；
步骤6：开始结冰模拟试验，开启小型风扇、辐射灯、高清摄像机和结冰传感器，量取预设降雨量水平的水并喷洒到车辙板试件表面模拟降雨，观察计算机上结冰传感器分析的数据变化以及高清摄像机的图像变化，待结冰完成后，记录结冰厚度与结冰时间；
步骤7：利用数学软件对观测结果进行回归分析，将每组试验的三个平行试验的均值作为该组试验的结冰数据，若存在与均值差距30％以上的离群值，则删去离群值再取均值，将多个因素的试验水平作为自变量输入，结冰时间和结冰厚度分别作为单因变量输出，使用软件中的回归分析工具箱建立基于多元多项式拟合的多因素路面结冰预测模型，使用软件中的神经网络拟合工具箱建立基于神经网络的多因素路面结冰预测模型，使用软件中的回归学习工具箱建立基于支持向量机回归的多因素路面结冰预测模型；
步骤8：对基于多元多项式拟合的多因素路面结冰预测模型、基于神经网络的多因素路面结冰预测模型和基于支持向量机回归的多因素路面结冰预测模型进行比选，以均方根误差越小、拟合优度越大为原则，选出该环境水平下最佳的路面结冰预测模型。
采用该技术方案后，本发明不仅可以对路面结冰进行试验，探究各种环境因素对路面结冰的影响，还根据试验结果建立了多种结冰预测模型，并针对结冰时间和结冰厚度，比选出效果最佳的路面结冰预测模型，从而能够减少试验次数，使路面结冰预测模型更具地域性和针对性。
进一步优选的，当基于神经网络的多因素路面结冰预测模型针对结冰时间为效果最优时，该多因素路面结冰预测模型为3层神经网络结构模型，其中输入层的神经元数目为3，隐藏层的神经元数目为10，输出层的神经元数目为1，并且在训练该多因素路面结冰预测模型时，结冰数据分为70％训练集、15％验证集和15％测试集，训练算法采用Levenberg-Marquardt算法。
进一步优选的，当基于神经网络的多因素路面结冰预测模型针对结冰厚度为效果最优时，该多因素路面结冰预测模型为3层神经网络结构模型，其中输入层的神经元数目为3，隐藏层的神经元数目为10，输出层的神经元数目为1，并且在训练该多因素路面结冰预测模型时，结冰数据分为70％训练集、15％验证集和15％测试集，训练算法采用Levenberg-Marquardt算法。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明可模拟温度、风速、辐射强度等环境因素，并对路面结冰状况进行监测并上传到计算机上进行分析和查看，同时记录结冰厚度及结冰时间。从而为沥青路面结冰影响因素的探究以及路面结冰预测模型的建立提供了依据，建立的路面结冰预测模型精度高，极大地满足了人们对模拟路面结冰的室内试验使用要求。
2.本发明提供了多种路面结冰预测模型，并针对结冰时间和结冰厚度，比选出效果最佳的路面结冰预测模型，从而能够减少试验次数，使路面结冰预测模型更具地域性和针对性。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的结构示意图；
图2是结冰传感器与变压器和计算机的连接示意图；
图3是风速仪示意图；
图4是辐射仪的示意图；
图5是基于神经网络的多因素路面结冰厚度预测模型预测值与真实值对比图；
图6是基于神经网络的多因素路面结冰时间预测模型预测值与真实值对比图。
图中：1-低温控制箱，2-辐射灯，3-温湿度传感器，4-小型风扇，5-高清摄像机，6-摄像机支架，7-车辙板试件，8-结冰传感器，9-车辙板安放承台，10-计算机，11-变压器，12-风速仪，13-辐射仪。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合图1-图6对本发明作详细说明。
本实施例试验研究方案影响因素水平设置参考雅叶高速公路康定绕城段的环境水平。
一种路面结冰试验系统，如图1所示，包括低温控制箱1、环境模拟组件、车辙板组件、路面状况观测组件及计算机10；
所述的低温控制箱1主要由制冷器电源线、制冷器、温控开关及排水孔组成，所述的制冷器安装在低温控制箱箱体内侧壁，所述的制冷器电源线外接于电源上，所述的温控开关安装在低温控制箱1外部，所述的排水孔安装在低温控制箱1底部。
所述的环境模拟组件包括小型风扇4、辐射灯2及蓄水壶，所述的小型风扇4安装在低温控制箱1内一侧，所述的辐射灯2安装在温控制箱1内顶部，所述的蓄水壶安装在低温控制箱1内闲置空间。
所述的车辙板组件包括车辙板试件7和车辙板安放承台9，所述的车辙板安放承台9安装在低温控制箱内1特定位置，车辙板安放承台9的位置可根据试验因素水平不同进行调整，所述的车辙板试件安装在车辙板安放承台9上。
所述路面状况观测组件包括高清摄像机5，摄像机支架6、结冰传感器8，所述的高清摄像机5安装在摄像机支架6上，所述的摄像机支架6安装在车辙板安放承台9一侧，所述的结冰传感器8包括结冰数据采集器、数据线、变压器11及电缆，结冰数据采集器安装在车辙板试件7内部并与车辙板试件7表面平齐，数据线连接结冰数据采集器和计算机，变压器11安装在低温控制箱1外部，电缆连接结冰数据采集器和变压器11，变压器11再通过电缆连接电源。
所述的手持测试仪器包括风速仪12、辐射仪13、量筒、红外测温仪、温湿度传感器3、温度计及喷壶。
所述的车辙板试件可以是水泥板材质或沥青板材质。
本发明具体试验步骤如下：
步骤1：设定该次试验的相关参数，包括环境因素(本实施例仅以环境温度、路表风速、积水深度为例，其余因素在本实施例中不探究，但仍列出步骤以供参考)和内部因素(路面类型、试件级配等)；
步骤2：制作车辙板试件7，在成型后的车辙板试件中央钻孔，孔内埋入结冰数据采集器，并确保结冰数据采集器表面与车辙板试件表面平齐；
步骤3：打开小型风扇4，用风速仪12测试风速大小，不断更换测试位置和调节风扇开关，以寻找到设定风速的位置；打开辐射灯2，在设定风速的位置上用辐射仪13测试辐射大小，不断调节辐射强度，使该位置达到设定辐射强度；将车辙板安放承台9放在该位置，车辙板试件7放在车辙板安放承台9上；将摄像机支架6放在车辙板安放承台9旁边，调整高清摄像机5镜头使其对准车辙板试件7表面，并在计算机10上呈现清晰图像；准备就绪后关闭小型风扇4、辐射灯2和高清摄像机5；
步骤4：启动低温控制箱1，调节到设定温度，用温湿度传感器3监控低温控制箱内温湿度变化；在蓄水壶中加入适量水；等待车辙板温度与低温控制箱内温度一致(约5h)；
步骤5：用红外测温仪测定车辙板表面温度，确保车辙板试件7达到设定温度，用温度计测定蓄水壶中水的温度，确保水温达到预设的参数水平；
步骤6：开始结冰模拟试验，开启小型风扇4、辐射2、高清摄像机5和结冰传感器8，用量筒量取预设降雨量水平的水量，用喷壶向车辙板7表面加水模拟降雨，观察计算机10上结冰传感器分析的数据变化以及高清摄像机5的图像变化，待结冰完成后，记录结冰厚度与结冰时间。
步骤7：利用数学软件MATLAB对研究方案的观测结果进行回归分析，将每组试验的三个平行试验的均值作为该组试验的结冰数据，若存在与均值差距30％以上的离群值，则删去离群值再取均值，将多个因素的试验水平作为自变量输入，结冰时间和结冰厚度分别作为单因变量输出，使用软件中的rstool[]函数建立基于多元多项式拟合的多因素路面结冰预测模型，使用软件中的Neural Net Fitting工具箱建立基于神经网络的多因素路面结冰预测模型，使用软件中的Regression Learner工具箱建立基于支持向量机回归的多因素路面结冰预测模型；
步骤8：比选多种预测模型，以均方根误差越小、拟合优度越大为原则，选出该环境水平下最佳的路面结冰预测模型。
该实施例得到的路面结冰预测结果为：
针对结冰时间，基于多元多项式拟合的多因素路面结冰预测模型，其二阶模型二次多项式方程为
Figure BDA0003485636440000061
Figure BDA0003485636440000062
其均方根误差为21.5133，拟合优度R2为0.764；基于神经网络的多因素路面结冰预测模型，数据分为70％训练集，15％验证集，15％测试集，采用3层神经网络结构模型，输入层神经元数目为3，隐藏层神经元数目为10，输出层神经元数目为1，训练算法采用Levenberg-Marquardt算法，其均方根误差为5.0113，拟合优度R2为0.9885；基于支持向量机回归的多因素路面结冰预测模型，采用10折交叉验证，回归函数为
Figure BDA0003485636440000063
其中核函数k(x,xi)为三次核函数，核尺度为1，框约束为1.012，epsilon为2.613，其均方根误差为6.7335，拟合优度R2为0.97；因此选择基于神经网络的多因素路面结冰预测模型作为该环境水平下的结冰时间预测模型。
针对结冰厚度，基于多元多项式拟合的多因素路面结冰预测模型，其二阶模型二次多项式方程为
Figure BDA0003485636440000064
Figure BDA0003485636440000065
其均方根误差为0.4292，拟合优度R2为0.904；基于神经网络的多因素路面结冰预测模型，数据分为70％训练集，15％验证集，15％测试集，采用3层神经网络结构模型，输入层神经元数目为3，隐藏层神经元数目为10，输出层神经元数目为1，训练算法采用Levenberg-Marquardt算法，其均方根误差为0.3916，拟合优度R2为0.9392；基于支持向量机回归的多因素路面结冰预测模型，采用10折交叉验证，回归函数为
Figure BDA0003485636440000071
其中核函数k(x,xi)为高斯核函数，核尺度为37.7953，框约束为584.097，epsilon为0.0027069，其均方根误差为0.40226，拟合优度R2为0.91；因此选择基于神经网络的多因素路面结冰预测模型作为该环境水平下的结冰厚度预测模型。
为检验预测模型效果，重新设置了与实施例相近的环境参数，按上述实施例实施方式获取路面结冰试验数据，将数据分别代入基于神经网络的多因素路面结冰厚度预测模型和基于神经网络的多因素路面结冰时间预测模型进行测试，结果如图5和图6所示。图中的散点为模型预测值，虚线上模型预测值等于真实值，散点越接近虚线代表模型预测值越接近真实值，模型预测效果越好，由图5和图6表明预测模型具有较好效果。预测模型可对同类型数据进行预测，以便后期解决类似问题。
本发明建立预测模型的方法可通用，可根据不同地区的环境水平设置不同参数，建立适用于该地区的多因素路面结冰预测模型。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (4)

1.一种模拟路面结冰的试验系统，其特征在于：包括低温控制箱(1)和计算机，所述低温控制箱(1)中设置有环境模拟组件、车辙板组件、路面状况观测组件及手持测试仪器，所述的环境模拟组件、车辙板组件和路面状况观测组件安装布置在低温控制箱内部，所述的计算机设置在低温控制箱外部，所述计算机与路面状况观测组件连接；
所述低温控制箱(1)通过电源线与电源连接，低温控制箱(1)的箱体内侧壁安装有制冷器，低温控制箱(1)的底部设置有排水孔，低温控制箱(1)的外部设置有温控开关；
所述环境模拟组件包括小型风扇(4)、辐射灯(2)和蓄水壶，所述的小型风扇安装在低温控制箱(1)内的一侧，所述的辐射灯(2)安装在温控制箱(1)内顶部；
所述车辙板组件包括车辙板试件(7)和车辙板安放承台(9)，所述车辙板安放承台(9)安装在低温控制箱(1)中部，所述车辙板试件(7)安装在车辙板安放承台(9)上；
所述路面状况观测组件包括高清摄像机(5)、摄像机支架(6)和结冰传感器(8)，所述高清摄像机(5)安装在摄像机支架(6)上，所述的摄像机支架(6)安装在车辙板安放承台(9)侧面，所述结冰传感器(8)安装在车辙板试件(7)内部并与车辙板试件(7)表面平齐，所述高清摄像机(5)和结冰传感器(8)与计算机连接；
所述手持测试仪器包括风速仪、辐射仪、量筒、红外测温仪、温湿度传感器、温度计和喷壶；
所述试验系统进行的路面结冰试验方法，包括以下步骤：
步骤1：设定试验的相关参数；
步骤2：制作车辙板试件：在成型后的车辙板试件中央钻孔，孔内埋入结冰数据采集器，并确保结冰数据采集器表面与车辙板试件表面平齐；
步骤3：将车辙板试件所处位置调整到设定风速和设定辐射强度，并使高清摄像机镜头对准车辙板试件表面，准备就绪后关闭小型风扇、辐射灯和高清摄像机；
步骤4：将低温控制箱调节到设定温度，等待车辙板试件温度与低温控制箱内温度一致，同时用温湿度传感器监控低温控制箱内温湿度变化；
步骤5：测定车辙板试件表面温度，确保车辙板试件达到设定温度，测定蓄水壶中水的温度，确保水温达到预设温度；
步骤6：开始结冰模拟试验，开启小型风扇、辐射灯、高清摄像机和结冰传感器，量取预设降雨量水平的水并喷洒到车辙板试件表面模拟降雨，观察计算机上结冰传感器分析的数据变化以及高清摄像机的图像变化，待结冰完成后，记录结冰厚度与结冰时间；
步骤7：利用数学软件对观测结果进行回归分析，将每组试验的三个平行试验的均值作为该组试验的结冰数据，若存在与均值差距30％以上的离群值，则删去离群值再取均值，将多个因素的试验水平作为自变量输入，结冰时间和结冰厚度分别作为单因变量输出，使用软件中的回归分析工具箱建立基于多元多项式拟合的多因素路面结冰预测模型，使用软件中的神经网络拟合工具箱建立基于神经网络的多因素路面结冰预测模型，使用软件中的回归学习工具箱建立基于支持向量机回归的多因素路面结冰预测模型；
步骤8：对基于多元多项式拟合的多因素路面结冰预测模型、基于神经网络的多因素路面结冰预测模型和基于支持向量机回归的多因素路面结冰预测模型进行比选，以均方根误差越小、拟合优度越大为原则，选出该环境水平下最佳的路面结冰预测模型。
2.根据权利要求1所述的一种模拟路面结冰的试验系统，其特征在于：所述车辙板试件(7)为水泥板材质或沥青板材质。
3.根据权利要求1所述的一种模拟路面结冰的试验系统，其特征在于：当基于神经网络的多因素路面结冰预测模型针对结冰时间为效果最优时，该多因素路面结冰预测模型为3层神经网络结构模型，其中输入层的神经元数目为3，隐藏层的神经元数目为10，输出层的神经元数目为1，并且在训练该多因素路面结冰预测模型时，结冰数据分为70％训练集、15％验证集和15％测试集，训练算法采用Levenberg-Marquardt算法。
4.根据权利要求1所述的一种模拟路面结冰的试验系统，其特征在于：当基于神经网络的多因素路面结冰预测模型针对结冰厚度为效果最优时，该多因素路面结冰预测模型为3层神经网络结构模型，其中输入层的神经元数目为3，隐藏层的神经元数目为10，输出层的神经元数目为1，并且在训练该多因素路面结冰预测模型时，结冰数据分为70％训练集、15％验证集和15％测试集，训练算法采用Levenberg-Marquardt算法。
CN202210079793.5A 2022-01-24 2022-01-24 一种模拟路面结冰的试验系统及方法 Active CN114562944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210079793.5A CN114562944B (zh) 2022-01-24 2022-01-24 一种模拟路面结冰的试验系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210079793.5A CN114562944B (zh) 2022-01-24 2022-01-24 一种模拟路面结冰的试验系统及方法

Publications (2)

Publication Number Publication Date
CN114562944A CN114562944A (zh) 2022-05-31
CN114562944B true CN114562944B (zh) 2023-01-10

Family

ID=81714492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210079793.5A Active CN114562944B (zh) 2022-01-24 2022-01-24 一种模拟路面结冰的试验系统及方法

Country Status (1)

Country Link
CN (1) CN114562944B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2486930A (en) * 2010-12-22 2012-07-04 Edp Systems As Road surface and tyre condition monitoring apparatus
EP2574511B1 (en) * 2011-09-30 2016-03-16 Honda Research Institute Europe GmbH Analyzing road surfaces
CN111461413B (zh) * 2020-03-20 2024-04-19 淮阴工学院 一种公路路面使用性能检测系统
CN212622036U (zh) * 2020-05-19 2021-02-26 重庆交通大学 一种路面低温抗凝冰仿真试验装置
CN113435645B (zh) * 2021-06-24 2023-10-10 长安大学 一种路面凝冰时间预测方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN114562944A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
Gaitani et al. Microclimatic analysis as a prerequisite for sustainable urbanisation: Application for an urban regeneration project for a medium size city in the greater urban agglomeration of Athens, Greece
Shao et al. Thermal mapping: reliability and repeatability
Lazarev et al. Method of assessment and prediction of temperature conditions of roadway surfacing as a factor of the road safety
CN115601008A (zh) 基于数字孪生的工程沉降变形监测系统及方法
CN111986464A (zh) 一种基于动态方法预报道路结冰的系统
CN114562944B (zh) 一种模拟路面结冰的试验系统及方法
Ali et al. Towards development of PCI and IRI models for road networks in the City of St. John’s
CN117312750A (zh) 基于水泥混凝土路面的预防性养护方法
Shao et al. The prediction of road surface state and simulation of the shading effect
St-Laurent Routine mechanistic pavement design against frost heave
Pan et al. A research review of flexible pavement temperature profile
Hassan et al. Development of asphalt binder performance grades for Omani climate
CN108427847A (zh) 一种基于GIS-mapping的严寒地区城市室外温度预测方法
Harwood et al. Wet weather exposure measures
De Blasi Scale dependence of hydrological effects from different climatic conditions on glacierized catchments
Shao et al. Area forecast model for winter road maintenance over a road network
Basit Impact of Climate Change on Thermal Behavior of Pavement Structures in Ontario
Shao et al. Numerical simulations of shading effect and road‐surface state
Cho et al. Temperature estimation method of asphalt pavement in hungary
Wareing et al. WRF Simulation of wet snow and rime icing incidents in the UK
Lodico et al. Long-term noise performance of open graded asphalt concrete (OGAC)—Results of 10-year long study
Zhao Performance Decay Model and Preventive Maintenance of Highway Asphalt Pavement
Mahura et al. Thermal Mapping Data in Verification of Road Weather Modelling
CN118604914A (zh) 一种微地形道路结冰覆雪厚度监测预报预警平台及其建立方法
Peterson et al. Development and validation of a reduced one-dimensional thermos-mechanical soil stability model for predictive use with the Alaska RWIS

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