CN115034697B - 基于多域分析的多元智能压实指标分级优选方法及系统 - Google Patents

基于多域分析的多元智能压实指标分级优选方法及系统 Download PDF

Info

Publication number
CN115034697B
CN115034697B CN202210968561.5A CN202210968561A CN115034697B CN 115034697 B CN115034697 B CN 115034697B CN 202210968561 A CN202210968561 A CN 202210968561A CN 115034697 B CN115034697 B CN 115034697B
Authority
CN
China
Prior art keywords
compaction
index
ecv
construction
layer
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
CN202210968561.5A
Other languages
English (en)
Other versions
CN115034697A (zh
Inventor
王雪菲
李家乐
程驰
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202210968561.5A priority Critical patent/CN115034697B/zh
Publication of CN115034697A publication Critical patent/CN115034697A/zh
Application granted granted Critical
Publication of CN115034697B publication Critical patent/CN115034697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明为基于多域分析的多元智能压实指标分级优选方法及系统，将数理统计‑线性回归‑神经网络三方面结合在一起，能够根据压实工况对智能压实指标进行修正，并对每个施工层分别按照三级优选的方式确定每一层每一遍的优选的压实质量评价指标，极大程度避免经验主义和人为因素造成的影响，有利于高效评价压实施工质量。优选系统中在选定的ECV评价及压实度预测评价之外，还对ECV的使用效果进行了评价，在试验段确定有效压实指标ECV的有效区间，施工段也在有效区间进行预测，并根据试验段和施工段的偏差率来评价压实质量，有效避免了传统简单质量指标不具有足够可靠性的问题，确保质量评价结果的真实性。

Description

基于多域分析的多元智能压实指标分级优选方法及系统
技术领域
本发明涉及道路施工技术领域，具体是一种基于多域分析的多元智能压实指标分级优选方法及系统。
背景技术
在道路施工过程中，振动压实是十分重要的一个环节，在路基、水泥稳定碎石层、沥青面层的施工中需要通过振动碾压，提高填筑材料的密实度和稳定性，达到道路使用性能的要求。传统压实施工技术中，对于压实质量的控制方法主要采用人工控制速度（v）、振动状态（A，f）和碾压遍数（n）等施工参数；检测方法主要采用人工抽样检测压实度（K）、回弹模量（Evd）等指标。无法对整个工作面的压实质量进行评估，具有抽样性、滞后性、效率低的缺点，且依赖人为操作。
近年来，基于加速度传感器的连续控制压实及质量检测方法得以发展和推广。这 种方法通过提取压路机振动轮纵向加速度信号频域特征，计算出可以连续检测的质量指标 压实计值CMV（Compaction Measurement Value）。进一步地考虑到振动信号的更多特征和 碾压现场的区别，提出了RMV（Resonant Meter Value）、CCV（Compaction Control Value）、 THD（Total Harmonic Distortion）谐波比等多个指标。此外，基于振动轮纵向加速度时域 特征，还提出了加速度峰值
Figure 768477DEST_PATH_IMAGE001
，加速度有效值
Figure 746797DEST_PATH_IMAGE002
，地基反力
Figure 467628DEST_PATH_IMAGE003
等，这些可以实时测得的指 标统称智能压实指标ICMV（Intelligent compaction measurement value）。不同的指标具 有不同的特征，适用于不同的施工场景。
然而在道路施工中，路基层、水稳层、面层施工均需要通过振动压实达到施工要求。路基层碾压时下垫层为当地原始土层，填料多为就地取材的细粒土、拌入水泥石灰的细粒土或土石混合料；水稳层施工时，下垫层为路基，填料为不同配比的级配碎石、水泥和混合材料组成的水泥稳定碎石料等；沥青面层施工时，下垫层为水泥稳定碎石层和土路基，填料为不同配比不同成分的沥青、骨料、矿粉等组成的沥青混合料。因此不同施工层压实施工的被压填料类型、下垫层地质条件、约束条件等等都有很大的区别。当前存在的智能压实系统往往仅仅使用一种或两种指标进行压实质量的监控，例如戴纳派克的DCA系统内置CMV压实指标算法；天宝的AccuGrade系统内置CMV、CCV压实指标算法。这样的智能压实系统往往会出现碾压质量控制指标与实际施工工况不匹配的问题，无法准确表征压实质量。现有的发明通常通过改进指标的泛用性和准确性来解决这一问题，例如公开号CN113567553A的发明专利，一种智能压实评价指标及其现场测量方法，将常用的CMV与RMV指标相结合，提出一种新的改进智能压实评价指标ICV；公开号CN112129919A的发明专利公开一种基于加速度传感器的智能压实质量监控系统及方法将CMV分为横向分量与纵向分量，相加得到改进的ECP指标，并将这种指标结果与监控现场图像结合生成三维云图更为直观地表征压实质量。现有的技术通过改进指标的通用性和系统的直观性来描述压实质量，然而，不同指标的适用性虽有限，却在其适用的施工环境下更为精准，改进指标的方法相对简单，但无法兼顾指标的泛用性与特异性。此外，随着碾压次数的增加，填料密实度、平整度、土体刚度的增加，填料性质发生变化，适用的指标也会发生变化。以土石混合料为例，压实施工初期，由于大粒径填料的存在，容易发生跳振，因此考虑半次谐波分量的CCV指标更加适用，而随着碾压施工的进行，填料孔隙被填满，表面更加平整，跳振现象几乎不再发生，就应根据现实情况调整实时碾压指标。
现有的智能压实系统均无法在整个碾压过程中采用最合适的智能压实指标表征压实效果，评价施工质量。因此，本发明拟在现有的智能压实指标及智能压实系统的基础上，提出一种全断面的基于多域分析的多元智能压实指标分级优选方法及系统。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，现有的连续控制压实系统和智能压实系统中所采取的智能压实指标固定有限，难以与实际工程工况相匹配，因此提出一种全断面的基于多域分析的多元智能压实指标分级优选方法及系统。
本发明解决所述技术问题的技术方案是：
一种基于多域分析的多元智能压实指标分级优选方法，该方法包括以下内容：
在每个施工段的试验段的施工过程中，当压路机开始工作时，所有设备通电实时采集温度信号、位置信号及纵向加速度信号，并通过预处理后获得实时振动频率和各智能压实指标；
在正式施工前，针对每一施工层（当前施工的路基层、水稳层还是面层）分别进行分级优选，分级包括递进的三级筛选过程：
级别1：
在当前施工层对所有指标分别进行随机抽样，对每个指标采用相同的样本量计算 标准差Std做误差分析，所有指标共获得多个标准差Std，在多个标准差中确定中位数
Figure 898610DEST_PATH_IMAGE004
和极大值
Figure 995879DEST_PATH_IMAGE005
，根据公式（4）获得一级筛选标准S，
Figure 828705DEST_PATH_IMAGE006
（4）
若某个指标的标准差
Figure 454859DEST_PATH_IMAGE007
，则保留该指标；反之，筛除该指标。所述样本量不 应少于1000个。
级别2：将级别1保留的指标与当前施工层的当前层的压实遍数做线性回归拟合并 计算其决定系数
Figure 373136DEST_PATH_IMAGE008
，根据线性回归效果筛去压实遍数拟合效果差的指标，同时若压实度随 压实遍数增大而减小则舍去该指标，若压实度随遍数增大而增大则通过决定系数
Figure 274096DEST_PATH_IMAGE008
再次进 行筛选；当
Figure 695850DEST_PATH_IMAGE008
＜0.3，筛除该指标；当0.3≤
Figure 24063DEST_PATH_IMAGE008
＜0.8，进行级别3分析；当
Figure 898479DEST_PATH_IMAGE008
≥0.8，直接保留指 标作为有效压实指标ECV；
级别3：对级别2处于0.3≤
Figure 603129DEST_PATH_IMAGE008
＜0.8的对应指标再次进行处理，将当前层中每一遍 的级别2处于0.3≤
Figure 162547DEST_PATH_IMAGE008
＜0.8的所有指标分别与相应的影响参数构建不同指标数据集，以相 应的指标数据集作为训练样本，将相应指标作为特征值输入系统内置的预训练模型中预测 压实度，并计算预测值与实测值的决定系数
Figure 396083DEST_PATH_IMAGE009
，选择当前遍
Figure 23373DEST_PATH_IMAGE009
最大时对应的指标进行保 留，认为是有效压实指标ECV，在每一遍上选取预训练模型效果最好的指标作为当前施工工 序下优选的压实质量指标作为压实质量评价依据。
完成优选后，保留每一施工层的每一层每一遍所对应的所有有效压实指标ECV，在高速公路全过程的正式碾压施工中，根据施工层类型，每个施工层上的所处层数、碾压遍数能够实时调整选择最适用当前工况的有效压实指标ECV（Effective compaction value），以有效压实指标进行碾压质量评价。
进一步地，在试验段获得有效压实指标ECV后，根据有效压实指标ECV的频数分布情况居中设置有效区间，裁去分布于有效区间外的数据，有效区间通常包含源数据集85%-95%数据量，具体根据施工情况决定，有效区间的两端点值分别记为ECV1和ECV2。对有效区间内的ECV重新计算其均值Mean和标准差Std。
所述预训练模型为压实度预测模型，能够将采集的影响参数（振动频率、行驶速度、碾压遍数、工地实验室的填料含水率、填料粒径）、施工层类别和智能压实指标作为特征值，计算被压填料的压实度；预训练模型依据原有过往实验、施工以及文献数据库训练和建立，当指标优选完成后，以施工试验段所收集的上述影响参数和智能压实指标数据作为目标数据集进行迁移学习，强化预训练模型，结合优选的ECV指标，实现从数据集及模型本身两方面优化预测模型，得到更适用于当前施工场景的压实度预测模型，并在正式施工过程中使用压实度预测模型更精准地实现压实度实时预测的功能。将前面获得碾压实时位置、速度、振动频率、有效压实指标ECV、温度，及其工程信息（包括当前桩号、压路机编号、左幅/右幅等之类的工程信息）集成为数据流，用于绘制和输出压实质量实时动画（能看到不同编号的压路机的实时工作情况）及压实质量报表；在显示模块显示和播放当前压实动画和压实质量云图。
上述基于多域分析的多元智能压实指标分级优选方法中，在系统内置预训练模型——压实度人工神经网络预测模型的基础上，使用试验段数据集（即目标数据集）用于迁移学习，分别从模型本身和数据集两方面优化，得到当前施工段适用性更强的压实度预测模型。ICMV在每层每遍采用的是优选后的指标，在每层每遍所采用的指标是不同的。
可选的，在压实度预测模型训练过程中，ECV、振动频率、行驶速度、碾压遍数、工地实验室的填料含水率、填料粒径均以数值形式输入，施工层类别按照材料类别，例如土路基、水稳层、沥青面层按照0/1/2形式输入，需要在建立预训练模型时对材料类别进行相应编号。
将上述确定的ECV指标和压实度预测模型用于正常施工全过程：在施工过程中，根据施工层类别、填筑层数和碾压遍数自动优选当前最适合的ECV值，采集实际施工过程中的位置信息、加速度信息、温度信息并处理，计算相应层和相应遍数的ECV值；
根据试验段所得有效压实指标ECV的有效区间（ECV1，ECV2）对施工段的ECV值进行 数据清洗；计算清洗后数据集的均值Mean(ECV)和标准差Std(ECV)，并利用压实度预测模型 计算压实度，将正常施工过程中获得的Mean(ECV)和Std(ECV)，分别与该指标在试验段计算 得到的Mean和Std值做比较，并按照公式（7）和公式（8）计算相应均值偏差率
Figure 266135DEST_PATH_IMAGE010
和标准差偏 差率
Figure 396903DEST_PATH_IMAGE011
，评价当日施工质量及ECV适用效果。
Figure 66918DEST_PATH_IMAGE012
（7）
Figure 181505DEST_PATH_IMAGE013
（8）
若两种偏差率均不超过5%为合格，偏差率的幅度根据施工状况可进行调整，幅度不超过10%。如果ECV偏差率不满足要求，则考虑当日施工过程存在问题，通过系统采集的各项信息进行追溯，并需要进行进一步的现场试验检测压实质量。
进一步地，压实质量实时动画显示的信息包括：碾压轨迹，行驶速度，ECV，振动频率，温度，车辆编号。压实质量报表包括：ECV分布云图，压实度分布云图、压实度合格率等。如果压实质量评价结果有问题，可根据系统中留存的实时数据进行质量追溯。
本发明还保护一种基于多域分析的多元智能压实指标分级优选系统，包括压路机定位信息采集模块、被压填料温度采集模块、振动轮纵向加速度信号采集模块、无线传输模块、数据处理模块及显示模块；
压路机定位信息采集模块用于采集压路机施工的实时定位信息，获取压路机位置信息；
振动轮纵向加速度信号采集模块用于采集振动压实过程中被压土体的振动反馈信号，即纵向加速度信号；
无线传输模块用于将采集到的数据通过无线传输方式传输至数据处理模块；
数据处理模块用于对采集得到的位置信息和振动反馈信号进行以下处理：结合压 路机行驶时间和压路机位置信息计算压路机行驶速度，将实时位置转换为轨迹图像输出； 对纵向加速度信号进行预处理，采集纵向加速度信号的时频域信息并计算振动频率以及包 括压实计值CMV、压实控制指标CCV、总谐波失真THD、跳振指标RMV、加速度有效值
Figure 962379DEST_PATH_IMAGE014
、加速 度峰值
Figure 213232DEST_PATH_IMAGE015
、地基反力
Figure 54149DEST_PATH_IMAGE016
在内的智能压实指标，对于所处施工层为面层时对指标通过温度进 行修正，获得修正后的智能压实指标ICMVr，对修正后的指标进行逐层逐遍分级优选，确定 出每层每遍对应的至少一种有效压实指标ECV；数据处理模块中加载有预训练模型和分级 优选算法；所述预训练模型用于预测压实度；
所述显示模块，用于显示压路机的轨迹图像、计算出的各智能压实指标、分级优选后每一遍压实的工况；
分级优选算法包括递进的三级筛选过程，具体是：
级别1： 在当前施工层对所有指标分别进行随机抽样，对每个指标采用相同的样 本量计算标准差Std和均值Mean做误差分析，所有指标共获得多个标准差Std，在把多个标 准差中确定中位数
Figure 656031DEST_PATH_IMAGE004
和极大值
Figure 975017DEST_PATH_IMAGE005
，根据公式（4）获得一级筛选标准S，
Figure 345956DEST_PATH_IMAGE006
（4）
若某个智能压实指标的标准差
Figure 357774DEST_PATH_IMAGE007
，则保留该指标；反之，筛除该指标；
级别2：将级别1保留的指标与当前施工层的当前层的压实遍数做线性回归拟合并 计算其决定系数
Figure 181374DEST_PATH_IMAGE008
，根据线性回归效果筛去压实遍数拟合效果差的指标，同时若压实度随 压实遍数增大而减小则舍去该指标，若压实度随遍数增大而增大则通过决定系数
Figure 304050DEST_PATH_IMAGE008
再次进 行筛选；当
Figure 529495DEST_PATH_IMAGE008
＜0.3，筛除该指标；当0.3≤
Figure 712215DEST_PATH_IMAGE008
＜0.8，进行级别3分析；当
Figure 23111DEST_PATH_IMAGE008
≥0.8，直接保留指 标作为有效压实指标ECV；
级别3：对级别2处于0.3≤
Figure 949478DEST_PATH_IMAGE008
＜0.8的对应指标再次进行处理，将当前层中每一遍 的级别2处于0.3≤
Figure 29430DEST_PATH_IMAGE008
＜0.8的所有指标分别与相应的影响参数构建不同指标数据集，以相 应的指标数据集作为训练样本，将相应指标作为特征值输入系统内置的预训练模型中预测 压实度，并计算预测值与实测值的决定系数
Figure 648630DEST_PATH_IMAGE009
，选择当前遍
Figure 181243DEST_PATH_IMAGE009
最大时对应的指标进行保 留，认为是有效压实指标ECV，在每一遍上选取预训练模型效果最好的指标作为当前施工工 序下优选的压实质量指标作为压实质量评价依据。
与现有技术相比，本发明的有益效果在于：
1、本发明分级优选方法将数理统计-线性回归-神经网络三方面结合在一起，能够采用更合适的指标表征压实质量，更合适的预测模型预测压实度，实时监测压实质量。
2、本发明分级优选方法中，能够根据压实工况对智能压实指标进行修正，并对每个施工层分别按照三级优选的方式确定每一层每一遍的优选的压实质量评价指标，极大程度避免经验主义和人为因素造成的影响，有利于高效评价压实施工质量。
3、本发明优选系统能够实时全面地显示压实质量，将实时的智能压实指标进行优化修正和优选，保留了所有指标的特征，兼顾普适性与特异性，避免传统指标优化方法为了普适性牺牲指标特异性的问题，能够同时应用于所有施工层、多种填筑材料的碾压施工。同时可以方便驾驶员和管理人员实时监控施工质量，及时调配管理，避免了事后二次施工对施工面整体性造成的破坏，节约人力物力，俭省工期。相比传统碾压方法。
4、本发明优选系统采用迁移学习的方法，将试验段与施工段相联系，大幅度优化了固有的压实度预测模型，保证优化后的压实度预测模型具有所有施工段的适用性。
5、本发明优选方法中对于面层指标进行温度修正，能够消除温度影响，进而得到与其他施工层具有相同的数据集结构，可以使用同一个预测模型进行压实度的预测。
6、本发明优选系统，在选定的ECV评价及压实度预测评价之外，还对ECV的使用效果进行了评价，在试验段确定有效压实指标ECV的有效区间，施工段也在有效区间进行预测，并根据试验段和施工段的偏差率来评价压实质量，有效避免了传统简单质量指标不具有足够可靠性的问题，确保质量评价结果的真实性。
附图说明
图1是本发明的一种基于多域分析的多元智能压实指标分级优选系统的结构框图；
图2是本发明的一种基于多域分析的多元智能压实指标分级优选方法的流程图；
图3是本发明中各指标分级优选过程的流程图；
图4是本发明中用于得到各个实时控制指标的频域波形示意图；根据图4频谱图可以获取各谐波分量，用于计算智能压实指标；
图5是本发明中ECV分布及有效区间示意图。图5是ECV的频数分布图，可以得到ECV的统计学分布情况，可以作为ECV合理性的判定依据，并用于计算和得到ECV有效分布区间；
图6是本发明中压实度预测模型及其强化学习过程结构图。
具体实施方式
为了能进一步了解本发明的发明内容、特点及功能，下面给出本发明的具体实施例，具体实施例仅用于进一步详细说明本发明的技术方案，不限制本申请的保护范围。
本发明为基于多域分析的多元智能压实指标分级优选系统（下文简称系统），包括压路机定位信息采集模块、被压填料温度采集模块、振动轮纵向加速度信号采集模块、无线传输模块、数据处理模块及显示模块；
压路机定位信息采集模块用于采集压路机施工的实时定位信息，获取压路机位置信息；
振动轮纵向加速度信号采集模块用于采集振动压实过程中被压土体的振动反馈信号，即纵向加速度信号；
无线传输模块用于将采集到的数据通过4G/5G等无线传输方式传输至数据处理模块；所述数据处理模块加载在云端服务器中；
数据处理模块用于对采集得到的位置信息和振动反馈信号进行以下处理：结合压 路机行驶时间和压路机位置信息计算压路机行驶速度，将实时位置转换为轨迹图像输出； 对振动钢轮的振动反馈信号进行滤波、傅里叶变换等预处理，采集振动反馈信号的时频域 信息并计算振动频率以及CMV、CCV、THD、RMV、
Figure 911301DEST_PATH_IMAGE014
、
Figure 845759DEST_PATH_IMAGE017
、
Figure 370281DEST_PATH_IMAGE018
等智能压实指标，对于所处施工层 为面层时对指标通过温度进行修正，获得修正后的智能压实指标ICMVr，对修正后的指标进 行逐层逐遍分级优选，确定出每层每遍对应的至少一种有效压实指标ECV。数据处理模块中 加载有预训练模型和分级优选算法。
所述显示模块，用于显示压路机的轨迹图像、计算出的各智能压实指标、分级优选后每一遍压实的工况。
压路机定位信息采集模块包括：高精度GPS、RTK基站、千寻位置服务器。
被压填料温度采集模块包括红外温度传感器。
振动轮纵向加速度信号采集模块包括：压电式加速度传感器或电容式加速度传感器等。
无线传输模块包括：4G/5G全网通无线数传终端DTU等。
显示模块包括：车载显示平板，移动端显示平台，PC端显示平台等。
实际压实过程中按照不同的施工层分别压实，每一施工层又会分为很多层进行压实，每一层又会压实很多遍，将一遍的数据单独拿出来做数据集，数据在收集时为一个连续的时间序列。
本发明基于多域分析的多元智能压实指标分级优选方法，包括以下步骤：
步骤一、安装各模块相应设备在压路机上和施工现场。
步骤一的具体过程是：压路机定位信息采集模块采用GPS，将GPS应安装在压路机车顶，上方开阔无遮挡物，并具备防水功能，实时获取位置信息；
被压填料温度采集模块采用红外温度传感器，红外温度传感器应竖直安装，红外温度传感器的红外探头指向被压填料；
振动轮纵向加速度信号采集模块采用加速度传感器，加速度传感器应安装于振动轮中心轴且测量轴方向与振动方向一致；
显示模块为车载显示平板，车载显示平板安装在驾驶舱内，且安装在不影响驾驶员工作并方便驾驶员操作和观察的位置；
被压填料温度采集模块、振动轮纵向加速度、压路机定位信息采集模块的信息通过无线传输模块传输至数据处理模块，数据处理模块、显示模块和无线传输模块、电源模块集成在一起，电源模块为系统供电，数据处理模块的输出连接显示模块；将集成在一起的所有模块安装于压路机驾驶舱内；
所有设备采用无损化强磁安装方式；所有设备供电应满足宽幅9V~36V，电源模块为独立电源或者压路机供电部分，能够使用独立电源供电或者由压路机供电，保证压路机工作时基于多域分析的多元智能压实指标分级优选系统接电开始工作。
步骤二、在每个施工段的试验段的施工过程中，当压路机开始工作时，所有设备通电实时采集温度信号、位置信号及纵向加速度信号。
采集到的不同信号进行不同方式的处理：温度信号直接输出及保存，单位为摄氏度；实时位置信号将坐标与时间信息相结合，处理为当前坐标、行驶速度、碾压遍数以及碾压行驶轨迹。
由于碾压振动信号里存在由发动机马达引起的高频噪音和机械零件振动引起的低频噪声，因此以纵向加速度信号表征碾压振动信号时，纵向加速度信号在通过带通滤波方式处理时，设置滤波区间，所述滤波区间能摒除噪声但又能包含一定量的高倍谐波频率，纵向加速度信号经滤波区间处理后能够保留不小于6倍及以内的基本频率，滤波区间可设置为3Hz~220Hz。为了防止时域中异常波峰的干扰，在滤波处理后设置有效零点组（按照基波频率左右一定范围内的值）区间获取加速度时域上的有效特征信号，实现对纵向加速度信号的进一步清洗例如时域波形是类似正弦波，在正弦波基础上有畸变，也就可能出现异常波峰（除了原本周期性出现的波峰以外的畸变峰值），因此仅获取时域波形相邻零点距离大于0.45T（T为对应正弦波的周期）的零点为有效零点组，用于计算各智能压实指标。在滤波处理后通过FFT（快速傅里叶变换）提取频域上的各谐波分量幅值，参照图4获取加速度信号频域上的频谱图和振幅A。经时域和频域不同处理后再根据如表1所示的各公式计算时频域各智能压实指标。本申请中所有提到的指标、压实指标指的都是智能压实指标。
Figure 655769DEST_PATH_IMAGE019
上述式中：re为偏心块转动半径，就是距离振动轮中心的距离，me偏心块质量，乘积 mere为压路机的振动轮偏心矩，
Figure 923939DEST_PATH_IMAGE020
；ω为压路机的偏心块转动角速度，
Figure 978483DEST_PATH_IMAGE021
；
Figure 673907DEST_PATH_IMAGE022
为滞后相 位角，°；
Figure 181111DEST_PATH_IMAGE023
为压路机的振动轮质量，kg；
Figure 252973DEST_PATH_IMAGE024
为压路机的振动轮加速度，
Figure 162023DEST_PATH_IMAGE025
；
Figure 28348DEST_PATH_IMAGE026
为一个振动 周期内离散加速度，
Figure 288428DEST_PATH_IMAGE025
；N为离散加速度数量；
Figure 632821DEST_PATH_IMAGE027
为基频谐波对应幅值；
Figure 661957DEST_PATH_IMAGE028
为j倍基频谐波 对应幅值；C为常数，通常取300，C 1 、C 2也为常数；m取值为整数，代表振动信号高频阈值 相比基频的倍数；特别说明，在ECP算法中，将加速度信号分为纵横两个方向的分量，类似 地，
Figure 699183DEST_PATH_IMAGE029
为纵向加速度信号分量的基频幅值，
Figure 452419DEST_PATH_IMAGE030
为纵向加速度信号分量中j倍基频谐波对应 幅值，
Figure 600503DEST_PATH_IMAGE031
为横向加速度信号分量的基频幅值，
Figure 484146DEST_PATH_IMAGE032
为横向加速度信号分量中j倍基频谐波对 应幅值；
可选的，压路机振动频率多为26~31Hz，以小震频率为31Hz为例，筛选基频不小于六倍的滤波区间，本实施例中截取的滤波区间为3~190Hz的加速度信号作进一步分析。
可选的，温度信号和实时位置信号、纵向加速度信号的采样频率不低于1Hz；温度信号输出单位为摄氏度；坐标信息（实时位置信号）包括可以用地理坐标系表示，精确位数为小数点后8位以上；行驶速度单位为km/s，精确位数为小数点后2位以上；碾压遍数通过文字和颜色两种形式表达，以不同颜色代表不同遍数并与碾压行驶轨迹结合为实时动画。
步骤三、对沥青面层智能压实指标做温度修正。
沥青碾压过程中，沥青温度随着时间不断降低，表现为沥青流动性变差，刚度提高，会导致ICMV值离散性增大，因此将面层指标按照以下方式修正温度带来的影响：
Figure 957852DEST_PATH_IMAGE033
（1）
其中，t为实时温度，
Figure 661366DEST_PATH_IMAGE034
为温度均值，ICMV为智能压实指标的统称，ICMVr为修正后的 智能压实指标。在面层时域和频域指标都做温度修正。
步骤四、
在正式施工前，针对每一施工层（当前施工的路基层、水稳层还是面层）分别进行逐层逐遍的分级优选，分级包括递进的三级筛选过程：
级别1：
在当前施工层对所有指标分别进行随机抽样，对每个指标采用相同的样本量计算 标准差Std和均值Mean做误差分析，所有指标共获得多个标准差Std，在把多个标准差中确 定中位数
Figure 613142DEST_PATH_IMAGE004
和极大值
Figure 616870DEST_PATH_IMAGE005
，根据公式（4）获得一级筛选标准S，
Figure 995899DEST_PATH_IMAGE035
（2）
Figure 186709DEST_PATH_IMAGE036
（3）
式中，ICMV为智能压实指标，由于修正过程不一定存在，此处以ICMV统一指代步骤 二获得的ICMV和步骤三修正后的ICMVr。此处，n为各个指标的样本量。进一步计算所得到的 多个Std的中位数
Figure 942175DEST_PATH_IMAGE004
，极大值
Figure 800409DEST_PATH_IMAGE005
。筛选标准S计算公式为：
Figure 350340DEST_PATH_IMAGE006
（4）
若某个智能压实指标的标准差
Figure 294025DEST_PATH_IMAGE007
，则保留该指标；反之，筛除该指标。
样本量不应少于1000个，有多少个指标就有多少个标准差std。
级别2：将级别1保留的指标与当前施工层的当前层的压实遍数做线性回归拟合并 计算其决定系数
Figure 587603DEST_PATH_IMAGE008
，根据线性回归效果筛去压实遍数拟合效果差的指标，同时若压实度随 压实遍数增大而减小则舍去该指标，若压实度随遍数增大而增大则通过决定系数
Figure 34765DEST_PATH_IMAGE008
再次 进行筛选；当
Figure 21175DEST_PATH_IMAGE008
＜0.3，筛除该指标；当0.3≤
Figure 452157DEST_PATH_IMAGE008
＜0.8，进行级别3分析；当
Figure 549426DEST_PATH_IMAGE008
≥0.8，直接保 留指标作为有效压实指标ECV；
级别3：对级别2处于0.3≤
Figure 851094DEST_PATH_IMAGE008
＜0.8的对应指标再次进行处理，将当前层中每一遍 的级别2处于0.3≤
Figure 8406DEST_PATH_IMAGE008
＜0.8的所有指标分别与相应的影响参数构建不同指标数据集，以相 应的指标数据集作为训练样本，将相应指标作为特征值输入系统内置的预训练模型中预测 压实度，并计算预测值与实测值的决定系数
Figure 926683DEST_PATH_IMAGE009
，选择当前遍
Figure 296485DEST_PATH_IMAGE009
最大时对应的指标进行保 留，认为是有效压实指标ECV，在每一遍上选取预训练模型效果最好的指标作为当前施工工 序下优选的压实质量指标作为压实质量评价依据。
Figure 983818DEST_PATH_IMAGE037
（5）
其中，n为某一智能压实指标采样的数量，y为代入计算的真实值，此处为经过级别 1筛选后的ICMV值，
Figure 312031DEST_PATH_IMAGE038
为预训练模型计算值，
Figure 186446DEST_PATH_IMAGE039
为均值。
为各层各遍均选取
Figure 891097DEST_PATH_IMAGE009
值最大的一个指标作为最终的实时有效压实指标ECV (Effective compaction value）。根据其频数分布情况，在两侧极值处各裁去小部分数据 点，得到有效压实指标ECV的有效区间，如图4所示。
有效压实指标ECV的有效区间的两端点值分别记为ECV1和ECV2。对有效区间内的ECV重新计算其均值Mean和标准差Std。
Figure 432937DEST_PATH_IMAGE040
（6）
此处，n为有效区间内的ECV采样的数量。
可选的，截取有效数据点占比为95%，即在整个ECV频数分布图两端各裁去2.5%数据点，剩下的即为有效区间（ECV1，ECV2）。
步骤五、预训练压实度人工神经网络预测模型，将试验段数据用于迁移学习，得到当前施工段适用性更强的Transfer-Artificial Neural Network(T-ANN)压实度预测模型，具体步骤是：
步骤51.模型构建：使用其他工程实验得到的已有数据库数据作为样本建立包括输入层、隐含层和输出层三层的神经网络压实度预测模型。
（1）输入层包括一个ECV，振动频率，行驶速度，碾压遍数，工地实验室的含水率，填料粒径，施工层类别7个特征值。
隐含层神经元个数为12。
输出层神经元个数为1，以压实度作为目标值。
（2）数据处理：将所有数据进行归一化处理，并按照80%：20%划分训练集和测试集。
（3）模型训练：
设置初始参数，包括权重W、V随机赋值，训练次数计数器q为1，样本模式计数器p为1，训练步数Epochs为1000，学习率η设为（0，1）之间的随机数，初始误差E设为0。
采用Sigmoid函数作为网络的激活函数。
设置模型误差限制Em，当计算得到的
Figure 932051DEST_PATH_IMAGE041
或者训练次数达到要求，停止训练。
步骤52.采用迁移学习的方法优化得到更适合当前施工段的模型：
将步骤51得到的模型作为预训练模型，将试验段数据，即现场施工信息及步骤二~五采集并处理后得到的一个ECV，振动频率，行驶速度，碾压遍数，工地实验室的含水率，粒径，施工层类别，压实度数据整合作为目标数据集。迁移学习是使用试验段数据应用改进模型，得到更适用于当前施工段预测模型的过程，迁移学习时所用的目标数据集是试验段数据构建的。
（1）将预训练模型数据集即源数据库记为X-d，目标数据集记为X-s；
（2）记训练集中来自X-d数据空间中的数据数量为n，来自X-s空间中的数据数量为 m。对每个训练数据赋权重
Figure 293763DEST_PATH_IMAGE042
,t=1，2，3，……N；N为数据空间中的数据总量，即n+m。
（3）归一化所有数据权重为一个分布
Figure 270946DEST_PATH_IMAGE043
；调用预训练模型计算错误率， 并根据预训练模型的预测精度调整数据集权重分布。X-d中的数据如果误差大，则降低该组 数据权重，误差小则提高该组数据权重；X-s中的数据如果误差大，则提高该组数据权重，误 差小则降低该组数据权重。
（4）调整权重后的数据集重新训练，得到更加适用于目标数据集的预测模型。
修正后的模型即为经过了迁移学习的压实度预测模型，用来进行压实度的预测，具有更好的泛化能力，能够确保在每个施工段上的适用性。
可选的，ECV，振动频率，行驶速度，碾压遍数，含水率，粒径均以数值形式输入，施工层类别按照材料类别，例如土路基、水稳层、沥青面层按照0/1/2形式输入。
人工神经网络结构及迁移学习过程如图6所示。
步骤六、
将上述步骤确定的ECV和压实度预测模型用于全施工段正常施工过程。类似地重复步骤二至步骤四部分操作。
具体步骤包括：
在压路机施工时，智能压实设备通电实时采集温度信号、位置信号及加速度信号。进一步地，将这些信号处理为温度、坐标、行驶速度、碾压遍数、行驶轨迹、振动频率、振动幅度、ECV、各谐波分量等。
根据步骤四所得ECV有效区间（ECV1，ECV2）进行数据清洗，删去无效数据；
计算清洗后数据集的均值Mean(ECV)和标准差Std(ECV)，保证在同一个有效区间内的数据进行实际施工；
根据步骤五得到的压实度预测模型计算压实度。
步骤七、将步骤六获得的均值Mean(ECV)和标准差Std(ECV)，分别与该指标在试验 段计算得到的Mean和Std值做比较，并计算均值偏差率
Figure 932871DEST_PATH_IMAGE010
和标准差偏差率
Figure 337308DEST_PATH_IMAGE011
，评价当日施 工质量及ECV适用效果。
Figure 451894DEST_PATH_IMAGE012
（7）
Figure 232769DEST_PATH_IMAGE013
（8）
若两种偏差率均不超过5%为合格，偏差率的幅度根据施工状况可进行调整，幅度不超过10%。如果ECV偏差率不满足要求，则考虑当日施工过程存在问题，通过系统采集的各项信息进行追溯，并需要进行进一步的现场试验检测压实质量。
步骤八、使用上述步骤采集得到的信息生成压实质量实时动画和压实质量报表。
压实质量实时动画显示的信息包括：碾压轨迹，行驶速度，ECV，振动频率，温度，车辆编号。压实质量报表包括：ECV分布云图，压实度分布云图、压实度合格率等。如果压实质量评价结果有问题，可根据系统中留存的实时数据进行质量追溯。
本发明未述及之处适用于现有技术。

Claims (10)

1.一种基于多域分析的多元智能压实指标分级优选方法，该方法包括以下内容：
在每个施工段的试验段的施工过程中，当压路机开始工作时，所有设备通电实时采集温度信号、位置信号及纵向加速度信号，并获得实时振动频率和各智能压实指标；
在正式施工前，针对每一施工层分别进行分级优选，所述施工层包括路基层、水稳层、面层，分级包括递进的三级筛选过程：
级别1：
在当前施工层对所有指标分别进行随机抽样，对每个指标采用相同的样本量计算标准 差Std做误差分析，所有指标共获得多个标准差Std，在多个标准差中确定中位数
Figure 219433DEST_PATH_IMAGE001
和极 大值
Figure 605415DEST_PATH_IMAGE002
，根据公式（4）获得一级筛选标准S，
Figure 853994DEST_PATH_IMAGE003
（4）
若某个指标的标准差
Figure 718045DEST_PATH_IMAGE004
，则保留该指标；反之，筛除该指标；
级别2：将级别1保留的指标与当前施工层的当前层的压实遍数做线性回归拟合并计算 其决定系数
Figure 266838DEST_PATH_IMAGE005
，根据线性回归效果筛去压实遍数拟合效果差的指标，同时若压实度随压实 遍数增大而减小则舍去该指标，若压实度随遍数增大而增大则通过决定系数
Figure 558142DEST_PATH_IMAGE005
再次进行 筛选；当
Figure 559596DEST_PATH_IMAGE005
＜0.3，筛除该指标；当0.3≤
Figure 227337DEST_PATH_IMAGE005
＜0.8，进行级别3分析；当
Figure 365058DEST_PATH_IMAGE005
≥0.8，直接保留指 标作为有效压实指标ECV；
级别3：对级别2处于0.3≤
Figure 92842DEST_PATH_IMAGE005
＜0.8的对应指标再次进行处理，将当前层中每一遍的级 别2处于0.3≤
Figure 316013DEST_PATH_IMAGE005
＜0.8的所有指标分别与相应的影响参数构建不同指标数据集，以相应的 指标数据集作为训练样本，将相应指标作为特征值输入系统内置的预训练模型中预测压实 度，并计算预测值与实测值的决定系数
Figure 521867DEST_PATH_IMAGE006
，选择当前遍
Figure 779673DEST_PATH_IMAGE006
最大时对应的指标进行保留，认 为是有效压实指标ECV，在每一遍上选取预训练模型效果最好的指标作为当前施工工序下 优选的压实质量指标作为压实质量评价依据；所述影响参数包括振动频率、行驶速度、碾压 遍数、工地实验室的填料含水率和填料粒径；
完成分级优选后，保留每一施工层的每一层每一遍所对应的所有有效压实指标ECV，在高速公路全过程的正式碾压施工中，根据施工层类型、每个施工层上的所处层数、碾压遍数能够实时调整选择最适用当前工况的有效压实指标ECV，以有效压实指标进行碾压质量评价。
2.根据权利要求1所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，在试验段获得有效压实指标ECV后，根据有效压实指标ECV的频数分布情况居中设置有效区间，裁去分布于有效区间外的数据，有效区间的两端点值分别记为ECV1和ECV2，并对有效区间内的ECV重新计算其均值Mean和标准差Std。
3.根据权利要求2所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，所述有效区间包含源数据85%-95%的数据量。
4.根据权利要求2所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，所述预训练模型以采集的影响参数、施工层类别和智能压实指标作为特征值，以被压填料的压实度为目标值；预训练模型依据过往实验、施工以及文献数据库训练和建立，当指标分级优选完成后，以施工试验段所收集的上述影响参数和智能压实指标数据作为目标数据集进行迁移学习，强化预训练模型，结合优选的ECV指标，实现从数据集及模型本身两方面优化预测模型，得到更适用于当前施工场景的压实度预测模型，并在正式施工过程中使用压实度预测模型更精准地实现压实度实时预测的功能；将获得的碾压实时位置、速度、振动频率、有效压实指标ECV、温度，及其工程信息集成为数据流，用于绘制和输出压实质量实时动画及压实质量报表图。
5.根据权利要求4所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，在压实度预测模型训练过程中，ECV、振动频率、行驶速度、碾压遍数、工地实验室的填料含水率、填料粒径均以数值形式输入，施工层类别按照材料类别按照0/1/2形式输入，在建立预训练模型时对材料类别进行相应编号。
6.根据权利要求4所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，在施工过程中，根据施工层类别、填筑层数和碾压遍数自动优选当前最适合的ECV值，采集实际施工过程中的位置信息、加速度信息、温度信息并处理，计算相应层和相应遍数的ECV值；
根据试验段所得有效压实指标ECV的有效区间（ECV1，ECV2）对施工段的ECV值进行数据 清洗；计算清洗后数据集的均值Mean(ECV)和标准差Std(ECV)，并利用压实度预测模型计算 压实度，将正常施工过程中获得的Mean(ECV)和Std(ECV)，分别与该指标在试验段计算得到 的Mean和Std值做比较，并按照公式（7）和公式（8）计算相应均值偏差率
Figure 678358DEST_PATH_IMAGE007
和标准差偏差率
Figure 388825DEST_PATH_IMAGE008
，评价当日施工质量及ECV适用效果；
Figure 398370DEST_PATH_IMAGE009
（7）
Figure 510682DEST_PATH_IMAGE010
（8）
若两种偏差率均不超过5%为合格，如果ECV偏差率不满足要求，则考虑当日施工过程存在问题，通过系统采集的各项信息进行追溯，并需要进行进一步的现场试验检测压实质量。
7.根据权利要求4所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，所述压实质量实时动画显示的信息包括：碾压轨迹、行驶速度、ECV、振动频率、温度、车辆编号；压实质量报表包括：ECV分布云图、压实度分布云图、压实度合格率；如果压实质量评价结果有问题，根据系统中留存的实时数据进行质量追溯。
8.根据权利要求1-7任一所述的基于多域分析的多元智能压实指标分级优选方法，其特征在于，当施工层为面层时，需要对各智能压实指标按照公式（1）做温度修正，
Figure 314690DEST_PATH_IMAGE011
（1）
其中，t为实时温度，
Figure 778033DEST_PATH_IMAGE012
为温度均值，ICMV为智能压实指标的统称，ICMVr为修正后的智能 压实指标，面层的各智能压实指标经过修正后进入三级筛选过程。
9.一种基于多域分析的多元智能压实指标分级优选系统，包括压路机定位信息采集模块、被压填料温度采集模块、振动轮纵向加速度信号采集模块、无线传输模块、数据处理模块及显示模块；
压路机定位信息采集模块用于采集压路机施工的实时定位信息，获取压路机位置信息；
振动轮纵向加速度信号采集模块用于采集振动压实过程中被压土体的振动反馈信号，即纵向加速度信号；
无线传输模块用于将采集到的数据通过无线传输方式传输至数据处理模块；
数据处理模块用于对采集得到的位置信息和振动反馈信号进行以下处理：结合压路机 行驶时间和压路机位置信息计算压路机行驶速度，将实时位置转换为轨迹图像输出；对纵 向加速度信号进行预处理，采集纵向加速度信号的时频域信息并计算振动频率以及包括压 实计值CMV、压实控制指标CCV、总谐波失真THD、跳振指标RMV、加速度有效值
Figure 325689DEST_PATH_IMAGE013
、加速度峰 值
Figure 292508DEST_PATH_IMAGE014
、地基反力
Figure 798575DEST_PATH_IMAGE015
在内的智能压实指标，对于所处施工层为面层时对指标通过温度进行修 正，获得修正后的智能压实指标ICMVr，对修正后的指标进行逐层逐遍分级优选，确定出每 层每遍对应的至少一种有效压实指标ECV；数据处理模块中加载有预训练模型和分级优选 算法；所述预训练模型用于预测压实度；
所述显示模块，用于显示压路机的轨迹图像、计算出的各智能压实指标、分级优选后每一遍压实的工况；
分级优选算法包括递进的三级筛选过程，具体是：
级别1： 在当前施工层对所有指标分别进行随机抽样，对每个指标采用相同的样本量 计算标准差Std和均值Mean做误差分析，所有指标共获得多个标准差Std，在把多个标准差 中确定中位数
Figure 218055DEST_PATH_IMAGE001
和极大值
Figure 563543DEST_PATH_IMAGE002
，根据公式（4）获得一级筛选标准S，
Figure 650448DEST_PATH_IMAGE003
（4）
若某个智能压实指标的标准差
Figure 61837DEST_PATH_IMAGE004
，则保留该指标；反之，筛除该指标；
级别2：将级别1保留的指标与当前施工层的当前层的压实遍数做线性回归拟合并计算 其决定系数
Figure 968613DEST_PATH_IMAGE005
，根据线性回归效果筛去压实遍数拟合效果差的指标，同时若压实度随压实 遍数增大而减小则舍去该指标，若压实度随遍数增大而增大则通过决定系数
Figure 123651DEST_PATH_IMAGE005
再次进行 筛选；当
Figure 65062DEST_PATH_IMAGE005
＜0.3，筛除该指标；当0.3≤
Figure 912933DEST_PATH_IMAGE005
＜0.8，进行级别3分析；当
Figure 307005DEST_PATH_IMAGE005
≥0.8，直接保留指 标作为有效压实指标ECV；
级别3：对级别2处于0.3≤
Figure 154DEST_PATH_IMAGE005
＜0.8的对应指标再次进行处理，将当前层中每一遍的级 别2处于0.3≤
Figure 796072DEST_PATH_IMAGE005
＜0.8的所有指标分别与相应的影响参数构建不同指标数据集，以相应的 指标数据集作为训练样本，将相应指标作为特征值输入系统内置的预训练模型中预测压实 度，并计算预测值与实测值的决定系数
Figure 549265DEST_PATH_IMAGE006
，选择当前遍
Figure 430633DEST_PATH_IMAGE006
最大时对应的指标进行保留，认 为是有效压实指标ECV，在每一遍上选取预训练模型效果最好的指标作为当前施工工序下 优选的压实质量指标作为压实质量评价依据。
10.根据权利要求9所述的基于多域分析的多元智能压实指标分级优选系统，其特征在于，所述压路机定位信息采集模块包括：高精度GPS、RTK基站、千寻位置服务器，将GPS应安装在压路机车顶，上方开阔无遮挡物，并具备防水功能；
所述被压填料温度采集模块包括红外温度传感器，红外温度传感器的红外探头指向被压填料；
所述振动轮纵向加速度信号采集模块采用压电式加速度传感器或电容式加速度传感器，加速度传感器安装于振动轮中心轴且测量轴方向与振动方向一致；
无线传输模块包括：4G/5G全网通无线数传终端DTU；
显示模块包括：车载显示平板、移动端显示平台或PC端显示平台，显示模块为车载显示平板时，车载显示平板安装在驾驶舱内，且安装在不影响驾驶员工作并方便驾驶员操作和观察的位置；
被压填料温度采集模块、振动轮纵向加速度、压路机定位信息采集模块的信息通过无线传输模块传输至数据处理模块，数据处理模块、显示模块和无线传输模块、电源模块集成在一起，电源模块为系统供电，数据处理模块的输出连接显示模块；将集成在一起的所有模块安装于压路机驾驶舱内；
采集到的不同信号进行不同方式的处理：温度信号直接输出及保存，单位为摄氏度；实时位置信号将坐标与时间信息相结合，处理为当前坐标、行驶速度、碾压遍数以及碾压行驶轨迹；
纵向加速度信号在通过带通滤波方式处理时，设置滤波区间，纵向加速度信号经滤波区间处理后能够保留不小于6倍及以内的基本频率；在滤波处理后设置有效零点组区间获取加速度时域上的有效特征信号，实现对纵向加速度信号的进一步清洗；在滤波处理后通过FFT提取频域上的各谐波分量幅值，获取加速度信号频域上的频谱图和振幅A，最后计算时频域各智能压实指标；
温度信号和实时位置信号、纵向加速度信号的采样频率不低于1Hz；温度信号输出单位为摄氏度；坐标信息包括可以用地理坐标系表示，精确位数为小数点后8位以上；行驶速度单位为km/s，精确位数为小数点后2位以上；碾压遍数通过文字和颜色两种形式表达，以不同颜色代表不同遍数并与碾压行驶轨迹结合为实时动画。
CN202210968561.5A 2022-08-12 2022-08-12 基于多域分析的多元智能压实指标分级优选方法及系统 Active CN115034697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210968561.5A CN115034697B (zh) 2022-08-12 2022-08-12 基于多域分析的多元智能压实指标分级优选方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210968561.5A CN115034697B (zh) 2022-08-12 2022-08-12 基于多域分析的多元智能压实指标分级优选方法及系统

Publications (2)

Publication Number Publication Date
CN115034697A CN115034697A (zh) 2022-09-09
CN115034697B true CN115034697B (zh) 2022-11-08

Family

ID=83131232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210968561.5A Active CN115034697B (zh) 2022-08-12 2022-08-12 基于多域分析的多元智能压实指标分级优选方法及系统

Country Status (1)

Country Link
CN (1) CN115034697B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383697B (zh) * 2023-03-29 2024-02-06 四川省交通建设集团有限责任公司 一种基于双门控循环网络的沥青路面压实程度预测方法
CN116150554B (zh) * 2023-04-04 2023-07-28 四川公路桥梁建设集团有限公司 一种道路智能压实指标、测量计算方法及系统
CN116934266B (zh) * 2023-07-28 2024-02-23 成都市市政开发总公司 基于bim技术的沥青路面施工工程量动态追踪管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334668A (zh) * 2018-01-09 2018-07-27 天津大学 考虑参数不确定性影响的土石坝压实质量快速预测方法
JP2020041290A (ja) * 2018-09-07 2020-03-19 学校法人金沢工業大学 コンクリートの最適締固め判定施工システム
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
CN112862200A (zh) * 2021-02-20 2021-05-28 河北工业大学 一种高速公路施工质量全过程智能反馈优化方法
CN113640175A (zh) * 2021-06-23 2021-11-12 中国水利水电科学研究院 土石坝料压实质量评价方法
CN113821861A (zh) * 2021-10-14 2021-12-21 北京壹陆科技发展有限公司 一种基于多元回归的路基路面压实质量测量方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8190338B2 (en) * 2008-09-02 2012-05-29 The Board Of Regents Of The University Of Oklahoma Method and apparatus for compaction of roadway materials
CN107038524B (zh) * 2017-03-20 2020-03-10 天津大学 考虑参数不确定性的碾压混凝土坝施工质量综合评价方法
US11460385B2 (en) * 2019-02-11 2022-10-04 Ingios Geotechnics, Inc. Compaction control system for and methods of accurately determining properties of compacted and/or existing ground materials
CN109919481B (zh) * 2019-03-01 2022-08-12 河海大学 一种碾压混凝土压实度多参数联合实时评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334668A (zh) * 2018-01-09 2018-07-27 天津大学 考虑参数不确定性影响的土石坝压实质量快速预测方法
JP2020041290A (ja) * 2018-09-07 2020-03-19 学校法人金沢工業大学 コンクリートの最適締固め判定施工システム
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
CN112862200A (zh) * 2021-02-20 2021-05-28 河北工业大学 一种高速公路施工质量全过程智能反馈优化方法
CN113640175A (zh) * 2021-06-23 2021-11-12 中国水利水电科学研究院 土石坝料压实质量评价方法
CN113821861A (zh) * 2021-10-14 2021-12-21 北京壹陆科技发展有限公司 一种基于多元回归的路基路面压实质量测量方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用CMV评估堆石料压实质量的神经网络模型;安再展等;《水力发电学报》;20200430;第39卷(第4期);全文 *
碾压混凝土坝施工压实质量预测模型研究;林达;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140815;第4-43页 *

Also Published As

Publication number Publication date
CN115034697A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN115034697B (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
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
CN109468918B (zh) 一种路基路面智能压实决策系统
US4571695A (en) Non-contact road profilometer and deflection meter
CN111444560B (zh) 考虑下垫面影响的高填方压实质量实时评价方法
CN102203582A (zh) 用于压实道路材料的方法和装置
CN108717082A (zh) 一种基于集成声波检测技术的土石料压实质量连续评估方法
JP3908031B2 (ja) 盛土転圧管理方法及び装置
CN106777837A (zh) 一种城市道路噪声源强预测方法及装置
CN113640175B (zh) 土石坝料压实质量评价方法
Zhang et al. A review on roller compaction quality control and assurance methods for earthwork in five application scenarios
Wang et al. Automated monitoring and evaluation of highway subgrade compaction quality using artificial neural networks
CN110207915A (zh) 一种道砟散体与基床动力响应模型及试验方法
Jia et al. An improved low-cost continuous compaction detection method for the construction of asphalt pavement
CN113152228A (zh) 一种自适应路基类型的压实度在线评价方法及系统
Xu et al. The pioneer of intelligent construction—An overview of the development of intelligent compaction
Yao et al. Intelligent compaction methods and quality control
CN114139381A (zh) 一种考虑桩土参数不确定性的桩基础损伤普查和评估方法
JP6965489B2 (ja) 転圧回数予測システム、及び転圧方法
Hou et al. Research on intelligent compaction technology of subgrade based on regression analysis
CN114134784A (zh) 基于振动轮实际振幅的路基压实质量连续检测系统与方法
CN115162309A (zh) 一种接触式碾压机集成压实动量检测系统与方法
Yao et al. A LOF-IDW based data cleaning method for quality assessment in intelligent compaction of soils
CN114673051B (zh) 适用于压实的路基压实质量连续检测系统、方法及应用
Wu et al. Research on Identification Model of Continuous Compaction Based on Energy Dissipation

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