CN116383697A - 一种基于双门控循环网络的沥青路面压实程度预测方法 - Google Patents
一种基于双门控循环网络的沥青路面压实程度预测方法 Download PDFInfo
- Publication number
- CN116383697A CN116383697A CN202310323772.8A CN202310323772A CN116383697A CN 116383697 A CN116383697 A CN 116383697A CN 202310323772 A CN202310323772 A CN 202310323772A CN 116383697 A CN116383697 A CN 116383697A
- Authority
- CN
- China
- Prior art keywords
- compaction
- double
- test
- gating
- vibration
- 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
- 238000005056 compaction Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 94
- 239000010426 asphalt Substances 0.000 claims abstract description 30
- 238000005096 rolling process Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 44
- 238000010276 construction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000013589 supplement Substances 0.000 description 2
- 239000011384 asphalt concrete Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/24—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by observing the transmission of wave or particle radiation through the material
-
- 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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Road Paving Machines (AREA)
Abstract
本发明公开了一种基于双门控循环网络的沥青路面压实程度预测方法,涉及土方工程探测领域,包括如下步骤:S1:设置试验路段,在压路机上设置用于感应压实过程振动的传感器;S2:使用压路机对试验路段进行压实操作,记录压实次数为i,i∈[1,n],n为大于0的整数,记录第i次压实操作时传感器感应到的振动信号Wi;本发明通过压路机调用训练完毕的双门控循环网络可以预测当前碾压的压实状态和完成下一遍碾压后的压实状态。相比传统方法,所述方法可以在无损的条件下预测当前和下一遍碾压压实状态,满足适当压实的同时也可以防止过压实。
Description
技术领域
本发明涉及土方工程探测领域,具体涉及一种基于双门控循环网络的沥青路面压实程度预测方法。
背景技术
路面压实质量直接影响路面的强度、稳定性和耐久性,压实不均、不足导致路面承载能力下降,引起车辙、水损害、开裂等病害,过度压实则导致路面出现沥青材料泛油、失稳等现象,降低路面的强度和稳定性,进而影响行车舒适性,存在安全隐患,因此对沥青路面的压实质量进行检测十分必要。
传统压实检测方法包括环刀法、灌砂法、钻芯法等,但是有限点位不能代表路面所有区域的压实状态,且属于有损检测和工后检测,无法及时掌握路面的整体压实情况。目前的智能压路机通过压实计值和机械驱动功率估计压实质量,但是都只针对当前碾压遍数进行压实质量评估,无法预测下一遍碾压的压实质量,不能对过压实的风险进行预警。
发明内容
针对现有技术的上述不足,本发明提供了一种能够有效预测下次压实操作后的压实状态和压实度的基于双门控循环网络的沥青路面压实程度预测方法。
为达到上述发明目的,本发明所采用的技术方案为:
提供一种基于双门控循环网络的沥青路面压实程度预测方法,其包括如下步骤:
S1:设置试验路段,在压路机上设置用于感应压实过程振动的振动加速度传感器;
S2:使用压路机对试验路段进行压实操作,记录压实次数为i,i∈[1,n],n为大于0的整数,在试验路段上设置若干固定测试点位,记录第i次压实操作时所有固定测试点位处振动加速度传感器感应到的振动信号Wi;
S3:对第i次压实操作后试验路段上若干固定测试点位的压实度进行测试得到压实度信息Yi;
S4:根据压实次数i和压实度信息Yi对试验路段路面质量进行标定得到完成第i次压实操作后试验路段路面的压实状态信息Zi;
S5:整合试验信息pi(i,Wi,Yi,Zi)和p'i(i,Wi,Yi+1,Zi+1),Yi+1为第i+1次压实操作后的压实度信息Yi;Zi+1为第i+1次压实操作后的压实状态信息;分别纳入合集得到数据集P1{p1,p2,p3...pi...pn}和数据集P2{p'1,p'2,p'3...p'i...p'n};
S6:对数据集P1和数据集P2分别使用均值增补法得到扩充数据集P1'和扩充数据集P2';
S7:使用数据集P1、数据集P2、扩充数据集P1'和扩充数据集P2'训练双门控循环网络,得到训练好的双门控循环网络;
S8:采集压实施工过程中压路机稳定行驶时振动加速度传感器感应到的振动信号以及当前碾压次数,将其输入至训练好的双门控循环网络得到当前压实程度以及预测的下一次压实程度,压实程度包括压实状态和压实度。
进一步的,步骤S2中采集记录固定测试点位振动信号的方法包括如下:
在试验路段按固定间隔设置固定测试点位;
振动加速度传感器以1kHz的采样率采集固定测试点位的振动信号;
压路机上设置GPS,GPS记录固定测试点位的位置信息,使用位置信息对所采集的振动信号进行签名得到振动信号信息Wi。
进一步的,压实度的测量方法包括如下:
进一步的,步骤S4中对试验路段路面质量的标定过程包括如下:
将步骤S3中得到的压实度信息Yi与沥青路面施工过程质量控制标准中要求的最小压实度Ymin进行对比,得到最接近最小压实度Ymin的Yk1以及对应的压实操作次数k1;将Yk1和k1作为第一标定数据;
当压实次数i<k1和Yi<Yk1时,标定压实状态为欠压实,设定压实质量标签为0;
当压实次数i>k2和Yi<Yk2时,标定压实状态为过压实,设定压实质量标签为1;
否则,标定压实状态为适当压实,设定压实质量标签为2;
标定完成得到的压实质量标签作为压实状态信息Zi。
进一步的,步骤S5试验信息整合时,需要对振动信号进行预处理,预处理的方法包括如下:
A1:对振动信号Wi进行低通滤波处理去除高频噪声,再通过快速傅里叶变换得到频域信号;
A2:从频域信号中选择谐波频率小于等于8·X的特征频域及对应信号幅值,X为压路机的振动基频;对信号幅值分别取绝对值并降序排序后进行归一化处理。
进一步的,步骤S7中对双门控循环网络的训练过程包括如下:
B1:建立双门控循环网络;双门控循环网络包括结构相同的第一门控循环网络和第二门控循环网络;
第一门控循环网络或第二门控循环网络包括n个时间步长,每个时间步长设置有m个门控循环单元GRU;
第n个时间步长上的第m个门控循环单元连接有第一全连接层Dense1;第一全连接层Dense1的输出端经过Softmax激活函数分别连接有第一输出层和第二全连接层Dense2,第一输出层输出得到压实状态预测值;第二全连接层Dense2输出端连接有第二输出层,第二输出层输出得到压实度预测值;
Softmax激活函数为:
其中,yk为预测为第k类压实状态的概率,g(xk)为特征数据与权重的函数;K为类别数;
B2:将数据集P1和扩充数据集P1'随机打乱后以6:2:2的比例划分出第一训练集、第一测试集和第一验证集;将数据集P2和扩充数据集P2'随机打乱后以6:2:2的比例划分出第二训练集、第二测试集和第二验证集;
B3:使用第一训练集和第一验证集对第一门控循环网络进行训练,使用第二训练集和第二验证集对第二门控循环网络进行训练;
损失函数为:
其中,j为第一训练集或第二训练集中第j个样本;yj,p为预测值,yj,t为真实值,N为第一训练集或第二训练集中的数据样本量;
B4:使用第一测试集和第二测试集分别测试第一门控循环网络和第二门控循环网络的泛化能力,优化两个门控循环网络的权重系数,得到训练好的双门控循环网络。
进一步的,第一门控循环网络和第二门控循环网络训练时均采用如下参数:学习率为0.0003,采用Adam优化器,超参数β1=0.9,超参数β2=0.999,一次训练所抓取的数据样本数量Btach_size=100,迭代次数Epochs=200。
进一步的,步骤S8中对压实施工过程的振动信号的采集过程包括如下具体步骤:
C1:压路机以振动基频X平稳的行驶在施工路段进行压实施工,采集设定振动周期内的振动信号片段;
C2:根据设定振动周期计算压路机的行驶路程,压路机每经过该行驶路程,压路机上的GPS获取该行驶路程中点的位置信息,将该位置信息对对应信号片段进行签名;
C3:对签有位置信息的振动信号进行预处理;
C4:将预处理后的振动信号输入双门控循环网络,得到压实状态和压实度以及预测的下次压实操作完成后的压实状态和压实度。
一种计算机可读存储介质,其上存储有计算机程序,处理器执行计算机程序时实现基于双门控循环网络的沥青路面压实程度预测方法。
本发明的有益效果为:
本发明通过在试验路段利用压路机上的传感器获取压实过程振动信号,利用核子密度仪测量固定点每一遍振动压实后的密度并计算压实度,根据碾压遍数和压实度判定沥青路面压实质量并作为标签,将标签与预处理的振动信号输入双门控循环网络进行训练,压路机调用训练完毕的双门控循环网络可以预测当前碾压的压实状态和完成下一遍碾压后的压实状态。相比传统方法,方法可以在无损的条件下预测当前和下一遍碾压压实状态,满足适当压实的同时也可以防止过压实。
附图说明
图1为本发明的流程示意图;
图2为门控循环网络的结构示意图;
图3为双门控循环网络训练损失函数变化图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于双门控循环网络的沥青路面压实程度预测方法,其包括如下步骤:
S1:设置试验路段,在压路机上设置用于感应压实过程振动的振动加速度传感器;
S2:使用压路机对试验路段进行压实操作,记录压实次数为i,i∈[1,n],n为大于0的整数,在试验路段上设置若干固定测试点位,记录第i次压实操作时所有固定测试点位处振动加速度传感器感应到的振动信号信息Wi;
采集记录固定测试点位振动信号的方法包括如下:
在试验路段按固定间隔设置固定测试点位;固定测试点位的数量根据试验路段的长度设置,且两个相邻固定测试点位间隔1-3m。本实施例中,试验路段的长度为30m,固定测试点位设置有13个。
振动加速度传感器以1kHz的采样率采集固定测试点位的振动信号;
压路机上设置GPS,GPS记录固定测试点位的位置信息,使用位置信息对所采集的振动信号进行签名得到振动信号信息Wi。
本实施例中,n=10,压路机在试验路段上对摊铺完成的沥青混凝土路面进行10遍共20次振动压实,往返一次记作一遍;即在第2、4、6、8、10、12、14、16、20次压实过程中采集固定测试点位处的振动信号数据;
S3:对第i次压实操作后试验路段上若干固定测试点位的压实度进行测试得到压实度信息Yi;
压实度的测量方法包括如下:
S4:根据压实次数i和压实度信息Yi对试验路段路面质量进行标定得到完成第i次压实操作后试验路段路面的压实状态信息Zi;
对试验路段路面质量的标定过程包括如下:
将步骤S3中得到的压实度信息Yi与沥青路面施工过程质量控制标准中要求的最小压实度Ymin进行对比,得到最接近最小压实度Ymin的Yk1以及对应的压实操作次数k1;将Yk1和k1作为第一标定数据;
当压实次数i<k1和Yi<Yk1时,标定压实状态为欠压实,设定压实质量标签为0;
当压实次数i>k2和Yi<Yk2时,标定压实状态为过压实,设定压实质量标签为1;
否则,标定压实状态为适当压实,设定压实质量标签为2;
标定完成得到的压实质量标签作为压实状态信息Zi。
S5:整合试验信息pi(i,Wi,Yi,Zi)和p'i(i,Wi,Yi+1,Zi+1),Yi+1为第i+1次压实操作后的压实度信息Yi;Zi+1为第i+1次压实操作后的压实状态信息;分别纳入合集得到数据集P1{p1,p2,p3...pi...pn}和数据集P2{p'1,p'2,p'3...p'i...p'n};
试验信息整合时,需要对振动信号进行预处理,预处理的方法包括如下:
A1:对振动信号Wi进行低通滤波处理去除高频噪声,再通过快速傅里叶变换得到频域信号;
快速傅里叶变换包括如下具体步骤:采用带有移动窗口函数的短时傅里叶变换,本实施例中,窗口类型采用汉宁窗,窗长度为256,重叠步长为128,可获得234个窗口信号,对每个窗口信号使用傅里叶变换将其转为频域信号,频域信号为128个元素的数组;且128个元素的谐波频率位于0-500Hz。
A2:本实施例中压路机的振动基频为35Hz,则从频域信号中选择谐波频率小于等于280Hz的特征频域及对应信号幅值,选取的特征频域有74个;对其信号幅值分别取绝对值并降序排序后进行归一化处理后纳入数据集P1或数据集P2。
S6:对数据集P1和数据集P2分别使用均值增补法得到扩充数据集P1'和扩充数据集P2';
S7:使用数据集P1、数据集P2、扩充数据集P1'和扩充数据集P2'训练双门控循环网络,得到训练好的双门控循环网络;
对双门控循环网络的训练过程包括如下:
B1:建立双门控循环网络;如图2所示,双门控循环网络包括结构相同的第一门控循环网络和第二门控循环网络;
第一门控循环网络或第二门控循环网络包括n个时间步长,时间步长的数量即为最大压实数量,本实施例中,时间步长有10个,每个时间步长均设置有6个门控循环单元GRU;
第10个时间步长上的第6个门控循环单元连接有第一全连接层Dense1;第一全连接层Dense1的输出端经过Softmax激活函数分别连接有第一输出层和第二全连接层Dense2,第一输出层输出得到压实状态预测值;第二全连接层Dense2输出端连接有第二输出层,第二输出层输出得到压实度预测值;
Softmax激活函数为:
其中,yk为预测为第k类压实状态的概率;g(xk)为特征数据与权重的函数,表示数据样本经若干个门控循环单元GRU和第一全连接层之后输出的特征张量;K为类别数;
B2:将数据集P1和扩充数据集P1'随机打乱后以6:2:2的比例划分出第一训练集、第一测试集和第一验证集;将数据集P2和扩充数据集P2'随机打乱后以6:2:2的比例划分出第二训练集、第二测试集和第二验证集;
B3:使用第一训练集和第一验证集对第一门控循环网络进行训练,使用第二训练集和第二验证集对第二门控循环网络进行训练;
损失函数为:
其中,j为第一训练集或第二训练集中第j个样本;yj,p为预测值,yj,t为真实值,N为第一训练集或第二训练集中的数据样本量;
B4:使用第一测试集和第二测试集分别测试第一门控循环网络和第二门控循环网络的泛化能力,优化两个门控循环网络的权重系数,得到训练好的双门控循环网络。为防止过拟合,验证集设置提前终止方法EarlyStopping。
第一门控循环网络和第二门控循环网络训练时均采用如下参数:学习率为0.0003,采用Adam优化器,超参数β1=0.9,超参数β2=0.999,一次训练所抓取的数据样本数量Btach_size=100,迭代次数Epochs=200。如图3所示,损失函数随着训练迭代过程的变化。
S8:采集压实施工过程中压路机稳定行驶时振动加速度传感器感应到的振动信号以及当前碾压次数,将其输入至训练好的双门控循环网络得到当前压实程度以及预测的下一次压实程度,压实程度包括压实状态和压实度。
对压实施工过程的振动信号的采集过程包括如下具体步骤:
C1:压路机以振动基频35Hz平稳的行驶在施工路段进行压实施工,采集设定振动周期内的振动信号片段;
C2:根据设定振动周期计算压路机的行驶路程,压路机每经过该行驶路程,压路机上的GPS获取该行驶路程中点的位置信息,将该位置信息对对应信号片段进行签名;
C3:对签有位置信息的振动信号进行预处理;
C4:将预处理后的振动信号输入双门控循环网络,得到压实状态和压实度以及预测的下次压实操作完成后的压实状态和压实度。
一种计算机可读存储介质,其上存储有计算机程序,处理器执行计算机程序时实现上述的基于双门控循环网络的沥青路面压实程度预测方法中的步骤。
Claims (9)
1.一种基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,包括如下步骤:
S1:设置试验路段,在压路机上设置用于感应压实过程振动的振动加速度传感器;
S2:使用压路机对试验路段进行压实操作,记录压实次数为i,i∈[1,n],n为大于0的整数,在试验路段上设置若干固定测试点位,记录第i次压实操作时所有固定测试点位处振动加速度传感器感应到的振动信号信息Wi;
S3:对第i次压实操作后试验路段上若干固定测试点位的压实度进行测试得到压实度信息Yi;
S4:根据压实次数i和压实度信息Yi对试验路段路面质量进行标定得到完成第i次压实操作后试验路段路面的压实状态信息Zi;
S5:整合试验信息pi(i,Wi,Yi,Zi)和p'i(i,Wi,Yi+1,Zi+1),Yi+1为第i+1次压实操作后的压实度信息Yi;Zi+1为第i+1次压实操作后的压实状态信息;分别纳入合集得到数据集P1{p1,p2,p3...pi...pn}和数据集P2{p'1,p'2,p'3...p'i...p'n};
S6:对数据集P1和数据集P2分别使用均值增补法得到扩充数据集P1'和扩充数据集P2';
S7:使用数据集P1、数据集P2、扩充数据集P1'和扩充数据集P2'训练双门控循环网络,得到训练好的双门控循环网络;
S8:采集压实施工过程中压路机稳定行驶时振动加速度传感器感应到的振动信号以及当前碾压次数,将其输入至训练好的双门控循环网络得到当前压实程度以及预测的下一次压实程度,压实程度包括压实状态和压实度。
2.根据权利要求1所述的基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,所述步骤S2中采集记录固定测试点位振动信号的方法包括如下:
在试验路段按固定间隔设置固定测试点位;
振动加速度传感器以1kHz的采样率采集固定测试点位的振动信号;
压路机上设置GPS,GPS记录固定测试点位的位置信息,使用位置信息对所采集的振动信号进行签名得到振动信号信息Wi。
4.根据权利要求1所述的基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,所述步骤S4中对试验路段路面质量的标定过程包括如下:
将步骤S3中得到的压实度信息Yi与沥青路面施工过程质量控制标准中要求的最小压实度Ymin进行对比,得到最接近最小压实度Ymin的Yk1以及对应的压实操作次数k1;将Yk1和k1作为第一标定数据;
当压实次数i<k1和Yi<Yk1时,标定压实状态为欠压实,设定压实质量标签为0;
当压实次数i>k2和Yi<Yk2时,标定压实状态为过压实,设定压实质量标签为1;
否则,标定压实状态为适当压实,设定压实质量标签为2;
标定完成得到的压实质量标签作为压实状态信息Zi。
5.根据权利要求1所述的基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,所述步骤S5试验信息整合时,需要对振动信号进行预处理,预处理的方法包括如下:
A1:对振动信号Wi进行低通滤波处理去除高频噪声,再通过快速傅里叶变换得到频域信号;
A2:从频域信号中选择谐波频率小于等于8·X的特征频域及对应信号幅值,X为压路机的振动基频;对信号幅值分别取绝对值并降序排序后进行归一化处理。
6.根据权利要求1所述的基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,所述步骤S7中对双门控循环网络的训练过程包括如下:
B1:建立双门控循环网络;双门控循环网络包括结构相同的第一门控循环网络和第二门控循环网络;
第一门控循环网络或第二门控循环网络包括n个时间步长,每个时间步长设置有m个门控循环单元GRU;
第n个时间步长上的第m个门控循环单元连接有第一全连接层Dense1;第一全连接层Dense1的输出端经过Softmax激活函数分别连接有第一输出层和第二全连接层Dense2,第一输出层输出得到压实状态预测值;第二全连接层Dense2输出端连接有第二输出层,第二输出层输出得到压实度预测值;
Softmax激活函数为:
其中,yk为预测为第k类压实状态的概率,g(xk)为特征数据与权重的函数;K为类别数;
B2:将数据集P1和扩充数据集P1'随机打乱后以6:2:2的比例划分出第一训练集、第一测试集和第一验证集;将数据集P2和扩充数据集P2'随机打乱后以6:2:2的比例划分出第二训练集、第二测试集和第二验证集;
B3:使用第一训练集和第一验证集对第一门控循环网络进行训练,使用第二训练集和第二验证集对第二门控循环网络进行训练;
损失函数为:
其中,j为第一训练集或第二训练集中第j个样本;yj,p为预测值,yj,t为真实值,N为第一训练集或第二训练集中的数据样本量;
B4:使用第一测试集和第二测试集分别测试第一门控循环网络和第二门控循环网络的泛化能力,优化两个门控循环网络的权重系数,得到训练好的双门控循环网络。
7.根据权利要求6所述的基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,第一门控循环网络和第二门控循环网络训练时均采用如下参数:学习率为0.0003,采用Adam优化器,超参数β1=0.9,超参数β2=0.999,一次训练所抓取的数据样本数量Btach_size=100,迭代次数Epochs=200。
8.根据权利要求1所述的基于双门控循环网络的沥青路面压实程度预测方法,其特征在于,步骤S8中对压实施工过程的振动信号的采集过程包括如下具体步骤:
C1:压路机以振动基频X平稳的行驶在施工路段进行压实施工,采集设定振动周期内的振动信号片段;
C2:根据设定振动周期计算压路机的行驶路程,压路机每经过该行驶路程,压路机上的GPS获取该行驶路程中点的位置信息,将该位置信息对对应信号片段进行签名;
C3:对签有位置信息的振动信号进行预处理;
C4:将预处理后的振动信号输入双门控循环网络,得到压实状态和压实度以及预测的下次压实操作完成后的压实状态和压实度。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述处理器执行计算机程序时实现权利要求1-8任一所述基于双门控循环网络的沥青路面压实程度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323772.8A CN116383697B (zh) | 2023-03-29 | 2023-03-29 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323772.8A CN116383697B (zh) | 2023-03-29 | 2023-03-29 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383697A true CN116383697A (zh) | 2023-07-04 |
CN116383697B CN116383697B (zh) | 2024-02-06 |
Family
ID=86976295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310323772.8A Active CN116383697B (zh) | 2023-03-29 | 2023-03-29 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383697B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108569607A (zh) * | 2018-06-22 | 2018-09-25 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN108646755A (zh) * | 2018-07-03 | 2018-10-12 | 清华大学 | 一种土石方智能碾压系统 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
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 |
CN114880940A (zh) * | 2022-05-20 | 2022-08-09 | 长安大学 | 基于多域分析和人工神经网络的压实质量检测方法及装置 |
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 |
CN115186586A (zh) * | 2022-07-11 | 2022-10-14 | 河北工业大学 | 一种基于机路协同的压实施工质量迭代反演控制系统 |
CN115203839A (zh) * | 2022-06-30 | 2022-10-18 | 西南交通大学 | 一种高铁填料振动压实的参数优化方法及系统 |
-
2023
- 2023-03-29 CN CN202310323772.8A patent/CN116383697B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108569607A (zh) * | 2018-06-22 | 2018-09-25 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN108646755A (zh) * | 2018-07-03 | 2018-10-12 | 清华大学 | 一种土石方智能碾压系统 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
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 |
CN114880940A (zh) * | 2022-05-20 | 2022-08-09 | 长安大学 | 基于多域分析和人工神经网络的压实质量检测方法及装置 |
CN115203839A (zh) * | 2022-06-30 | 2022-10-18 | 西南交通大学 | 一种高铁填料振动压实的参数优化方法及系统 |
CN115186586A (zh) * | 2022-07-11 | 2022-10-14 | 河北工业大学 | 一种基于机路协同的压实施工质量迭代反演控制系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116383697B (zh) | 2024-02-06 |
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 | |
CN109783988B (zh) | 一种基于ga-bp网络的碾压混凝土压实度评价方法 | |
CN102203582B (zh) | 用于压实道路材料的方法和装置 | |
US20230228618A1 (en) | A dynamic identification method of bridge scour based on health monitoring data | |
Yang et al. | Improved PLS and PSO methods-based back analysis for elastic modulus of dam | |
Zhang et al. | Compaction quality assessment of rockfill materials using roller-integrated acoustic wave detection technique | |
CN106197970A (zh) | 一种基于优化张紧弦模型的桥索监测方法及系统 | |
CN105005694A (zh) | 一种基于动态称重系统的桥梁疲劳寿命频域分析方法 | |
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 | |
CN113640175B (zh) | 土石坝料压实质量评价方法 | |
CN104133960A (zh) | 一种改进的静力传感器的优化布设方法 | |
Tao et al. | Predicting soil settlement with quantified uncertainties by using ensemble Kalman filtering | |
CN114970315A (zh) | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 | |
CN113792372A (zh) | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 | |
CN110553631B (zh) | 一种关于水位流量关系的水位测量系列误差分析方法 | |
CN116383697B (zh) | 一种基于双门控循环网络的沥青路面压实程度预测方法 | |
Gómez et al. | Identification of the hydraulic conductivity using a global optimization method | |
Pérez-González et al. | Use of the permanent strain rate to analyze the effect of superheavy vehicles on pavements: Field validation | |
CN112924310A (zh) | 基于土体刚度的堆石坝料压实质量检测方法 | |
JP4399122B2 (ja) | 雨水流入予測装置 | |
CN104458833A (zh) | 一种基于时域反射原理的湿度传感器测试数据解析方法 | |
CN115270637A (zh) | 一种基于gbrt的地下排水管道最大应力预测方法 | |
Pérez-González | Development of an analysis tool to quantify the effect of superheavy load vehicles on pavements | |
CN114004041A (zh) | 规避相位检测的智能压实振动模量指标的测量和计算方法 | |
CN114880940A (zh) | 基于多域分析和人工神经网络的压实质量检测方法及装置 |
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 |