CN117113515A - 一种路面设计方法、装置、设备及存储介质 - Google Patents
一种路面设计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117113515A CN117113515A CN202311369278.1A CN202311369278A CN117113515A CN 117113515 A CN117113515 A CN 117113515A CN 202311369278 A CN202311369278 A CN 202311369278A CN 117113515 A CN117113515 A CN 117113515A
- Authority
- CN
- China
- Prior art keywords
- pavement
- target
- preset
- road surface
- performance
- 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
- 238000013461 design Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000010426 asphalt Substances 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 113
- 238000012423 maintenance Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000005336 cracking Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000002528 anti-freeze Effects 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000003190 viscoelastic substance Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种路面设计方法、装置、设备及存储介质，涉及计算机技术领域，包括：通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先构建的未来气候预测数据库，得到目标路面在预设路面使用寿命期间的目标气候预测数据；基于预设沥青路面性能预测模型以及目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果及目标路面结构设计参数；基于路面性能评判结果及目标路面结构设计参数得到路面设计指导信息，以便完成路面设计。本申请能够有效提高路面设计的可靠性。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种路面设计方法、装置、设备及存储介质。
背景技术
目前，沥青路路网是一个建设、维护费用十分昂贵的系统，对经济社会发展至关重要。近年来，全球气候变化不断加速加剧（气候变暖的同时，极端天气频率也在增加），沥青混凝土属粘弹性材料，具有明显的温度敏感性，气候变化将导致沥青路面安全性和可靠性的恶化（气候变暖不利于沥青路面的抗车辙性能，极端低温不利于沥青路面的抗低温开裂性能）。当前，在进行沥青路面设计验算时，选取的气候数据在地理位置上精度均较低，且均根据历史气候数据计算所得，没有考虑气候变化的因素。在气候不变的假设下，利用连续十年历史气温可以提供较高的可靠度。未来路面服役期间的温度范围可能发生显著变化，从而导致对永久变形和裂缝病害的预估偏差，进而导致高于预期的养护维修成本和进一步的碳排放量增加。此外，现行沥青路面设计方法需要先设计路面结构，再验算性能指标是否满足要求，无法根据工况要求反推路面结构参数。且性能预估方法为经验公式，可能会产生经验性错误。因此，建立考虑气候变化因素及根据实际需求自动计算并推荐路面结构的智能化沥青路面设计方法及设备具有现实意义。
发明内容
有鉴于此，本发明的目的在于提供一种路面设计方法、装置、设备及存储介质，能够有效实现结合气候变化因素并基于实际需求进行路面设计，从而提高了路面设计的可靠性，并降低了路面的养护维修成本。其具体方案如下：
第一方面，本申请提供了一种路面设计方法，包括：
通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；
基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；
基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
可选的，所述基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，包括：
基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作；
基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作。
可选的，所述基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作，包括：
通过将所述目标气候预测数据、所述当前路面结构设计参数、以及与所述目标路面对应的所述路面等级信息和所述交通量信息输入至所述预设沥青路面性能预测模型，得到当前与所述目标路面对应的路面性能评判结果；
利用预先配置的所述目标路面性能条件与所述路面性能评判结果进行对比，以得到相应的路面性能评判结果。
可选的，所述基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作，包括：
通过将所述目标气候预测数据、预先配置的所述目标路面性能条件、所述路面等级信息以及所述交通量信息输入至所述预设沥青路面性能预测模型，并利用预设全寿命周期费用计算模型执行相应的目标路面结构设计参数计算操作，以得到目标路面结构设计参数。
可选的，所述路面设计方法，还包括：
根据与目标区域内各地区分别对应的道路工程预算编制办法及定额信息执行相应的模型构建操作，以得到所述预设全寿命周期费用计算模型。
可选的，所述通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库之前，还包括：
基于第一预设数据源获取目标区域内各地区的未来气候预测数据；
基于预设降尺度处理规则对所述未来气候预测数据得到降尺度后的所述未来气候预测数据；
利用线性插值技术对降尺度后的所述未来气候预测数据进行相应处理，并根据得到的处理后数据构建未来气候预测数据库。
可选的，所述路面设计方法，还包括：
基于第二预设数据源获取样本数据，以根据所述样本数据得到相应的训练样本集、测试样本集；
采用循环神经网络架构并利用所述训练样本集执行相应的模型训练，直至满足预设模型收敛条件，得到当前沥青路面性能预测模型；
基于所述测试样本集对当前沥青路面性能预测模型进行模型评估，得到相应的评估结果；
当所述评估结果小于预设准确率阈值时，执行相应的模型调优操作并重新跳转至所述基于第二预设数据源获取样本数据的步骤。
第二方面，本申请提供了一种路面设计装置，包括：
目标数据获取模块，用于通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；
性能评判以及参数获取模块，用于基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；
指导信息获取模块，用于基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
第三方面，本申请提供了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的路面设计方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的路面设计方法的步骤。
可见，本申请中，通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。本申请先通过预先构建的未来气候预测数据库获取目标路面在预设路面使用寿命期间的目标气候预测数据，然后利用预设沥青路面性能预测模型分别对当前的路面性能进行评判，并获取与目标路面性能条件对应的目标路面结构设计参数，以得到相应的路面设计指导信息，并完成相应的路面设计操作。这样一来，本申请有效实现了结合气候变化因素并基于实际需求进行路面设计的技术方案，从而提高了路面设计的可靠性、准确性以及效率，并降低了路面的养护维修成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种路面设计方法流程图；
图2为本申请提供的一种具体的路面设计方法流程示意图；
图3为本申请提供的一种具体的路面设计方法流程图；
图4为本申请提供的一种路面设计装置结构示意图；
图5为本申请提供的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
当前，在进行沥青路面设计验算时，选取的气候数据在地理位置上精度均较低，且均根据历史气候数据计算所得，没有考虑气候变化的因素。在气候不变的假设下，利用连续十年历史气温可以提供较高的可靠度。未来路面服役期间的温度范围可能发生显著变化，从而导致对永久变形和裂缝病害的预估偏差，进而导致高于预期的养护维修成本和进一步的碳排放量增加。此外，现行沥青路面设计方法需要先设计路面结构，再验算性能指标是否满足要求，无法根据工况要求反推路面结构参数。且性能预估方法为经验公式，可能会产生经验性错误。为此，本申请提供了一种路面设计方案，能够有效实现结合气候变化因素并基于实际需求进行路面设计，从而提高了路面设计的可靠性，并降低了路面的养护维修成本。
参见图1所示，本发明实施例公开了一种路面设计方法，包括：
步骤S11、通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据。
需要理解的是，本实施例中，参见图2所示，所述通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库之前，具体还包括相应的针对所述未来气候预测数据库的构建过程。首先基于第一预设数据源获取目标区域内各地区的未来气候预测数据，然后基于预设降尺度处理规则对所述未来气候预测数据得到降尺度后的所述未来气候预测数据。之后需要利用线性插值技术对降尺度后的所述未来气候预测数据进行相应处理，并根据得到的处理后数据构建未来气候预测数据库。其中，可以理解的是，所述第一预设数据源具体可以是若干个科学数据中心，具体可以基于实际需求进行配置；所述目标区域具体可以基于实际需求进行配置。并且，在进行降尺度处理之前，需要根据辐射强迫水平由高到低地对获取到的所述未来气候预测数据进行分类，可分为RCP（Representative Concentration Path，典型浓度路径）8.5、RCP6.0、RCP4.5和RCP2.6四种气候情景的数据，数据分辨率为0.25°×0.25°。进一步的，通过对数据进行降尺度处理，将大尺度、低分辨率的全球气候模式输出的数据转化为小尺度、高分辨率的区域的气候数据，以更好地理解和分析数据。之后通过利用线性插值技术对降尺度后的所述未来气候预测数据进行相应处理，得到相应的未来气候预测数据库，这样一来，增加了气候数据的分布密度，进而提高了后续路面性能预测的精度。也就是说，本实施例通过降尺度处理以及线性插值技术，建立了适用于所述目标区域沥青路面设计的高精度的未来预测气候数据库。并将未来气候数据纳入沥青路面设计方法，解决了现有技术中由于忽略气候变化而对路面性能产生预估偏差的问题，提高了路面设计的可靠度。
具体的，本实施例中，结合图2所示，图中的①与②是两个相对独立的流程。其中，流程①旨在判断当前路面性能是否满足设计要求，流程②旨在基于路面性能的要求计算标准的路面结构设计参数，以辅助路面结构设计。所述流程①与②均需通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至所述未来气候预测数据库进行检索，获取相应的目标气候预测数据。其中，所述预设路面使用寿命即对所述目标路面进行路面设计时所规定的使用寿命。
步骤S12、基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数。
本实施例中，所述基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，具体可以包括：基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作；基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作。其中，结合图2所示，所述当前路面结构设计参数包括当前与所述目标路面各结构层分别对应的类型、厚度、模量以及泊松比信息。并且，需要注意的是，在分别通过所述流程①与②执行相应的路面性能评判操作、目标路面结构设计参数计算操作的过程中，均使用到了与所述目标路面对应的所述路面等级信息和所述交通量信息。此外，预先配置的所述目标路面性能条件包括预先配置的沥青混合料层的疲劳开裂寿命信息、无机结合料层的疲劳开裂寿命信息、沥青混合料层的永久变形量信息、沥青面层低温开裂指数信息以及防冻厚度信息。
进一步的，所述基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作，具体可以包括：通过将所述目标气候预测数据、所述当前路面结构设计参数、以及与所述目标路面对应的所述路面等级信息和所述交通量信息输入至所述预设沥青路面性能预测模型，得到当前与所述目标路面对应的路面性能评判结果；其中，需要理解的是，所述路面性能评判结果包括模型进行数据预测得到的沥青混合料层的疲劳开裂寿命信息、无机结合料层的疲劳开裂寿命信息、沥青混合料层的永久变形量信息、沥青面层低温开裂指数信息以及防冻厚度信息。然后利用预先配置的所述目标路面性能条件与所述路面性能评判结果进行对比，判断所述路面性能评判结果是否与所述预先配置的所述目标路面性能条件一致，或在允许的误差范围内，以得到相应的路面性能评判结果。与此同时，所述基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作，具体可以包括：通过将所述目标气候预测数据、预先配置的所述目标路面性能条件、所述路面等级信息以及所述交通量信息输入至所述预设沥青路面性能预测模型，并利用预设全寿命周期费用计算模型以及当前得到的模型输出结果完成相应的目标路面结构设计参数计算操作，以得到目标路面结构设计参数。其中，在执行所述目标路面结构设计参数计算操作，基于预设全寿命周期费用计算模型根据全周期费用最低原则确定相应的目标路面结构设计参数。可以理解的是，所述目标路面结构设计参数包括与所述目标路面各结构层分别对应的目标类型、目标厚度、目标模量以及目标泊松比。
需要理解的是，本实施例中，针对所述预设沥青路面性能预测模型的构建过程，进行相应的描述。首先基于第二预设数据源获取样本数据，以根据所述样本数据得到相应的训练样本集、测试样本集。然后采用循环神经网络架构并利用所述训练样本集执行相应的模型训练，直至满足预设模型收敛条件，得到当前沥青路面性能预测模型。然后基于所述测试样本集对当前沥青路面性能预测模型进行模型评估，得到相应的评估结果。并当所述评估结果小于预设准确率阈值时，执行相应的模型调优操作并重新跳转至所述基于第二预设数据源获取样本数据的步骤。其中，所述第二预设数据源可以与所述第一预设数据源存在相同的数据来源，也可不存在，具体可预先基于实际需求进行相应的配置。具体的，所获取到的所述样本数据不仅包括大量的历史气候数据，还包括相应的路面结构数据与路面性能数据（此两种数据可从路面养护公司获取）。并且，在获取样本数据之后还需对所述样本数据进行线性插值处理，以将气候数据与路面数据相关联。之后对关联后的数据进行划分，以得到相应的所述训练样本集、所述测试样本集以及相应的验证样本集。此外，需要理解的是，由于上述样本集为序列数据，故可以选取循环神经网络架构（RNN，Recurrent NeuralNetwork）作为网络架构。这样一来，本实施例利用深度学习建立气候数据、路面结构和路面性能的关系，提出了一种动态考虑气候变化的沥青路面性能预估新方法，减少了传统设计方法步骤较为繁琐、易产生经验性的错误的弊端。
进一步的，在每轮次的模型训练过程中，通过将所述训练样本集数据传递给网络，并与预设的目标值进行比较来计算预测误差，然后使用优化算法来调整网络的权重和偏置，以减小预测误差。该过程反复进行直至满足模型收敛的停止条件，完成当前轮次的模型训练。并且，在每轮次的模型训练完成之后，使用独立的所述测试样本集数据对当前沥青路面性能预测模型进行评估（评估指标为准确率），得到的评估结果可以帮助了解当前模型性能，以及是否需要进行调整或改进。若准确率满足要求，也即所述评估结果不小于预设准确率阈值，则训练完成；若准确率不满足要求，也即所述评估结果小于预设准确率阈值，则通过增加训练的样本数量或者增加训练的次数完成相应的模型调优操作，直到测试的样本准确率满足要求。这样一来，有效通过深度学习的方法构建了路面性能与参数之间的联系。
进一步需要理解的是，本实施例中，结合图2所示，对所述预设全寿命周期费用计算模型的构建过程进行相应的描述。具体需要根据与目标区域内各地区分别对应的道路工程预算编制办法及定额信息执行相应的模型构建操作，以得到所述预设全寿命周期费用计算模型。
步骤S13、基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
结合图2所示，本实施例中，在得到相应的路面设计指导信息之后，需要基于所述路面设计指导信息中的所述目标路面结构设计参数对当前路面结构设计参数进行更新。
这样一来，本实施例根据深度学习建立的气候数据、路面结构和路面性能的关系和对沥青路面性能的要求，并基于全寿命周期费用最低原则反推路面结构参数，从而实现指导沥青路面结构设计。有效建立了一种动态考虑气候变化、性能预估与结构设计一体化、智能化的路面设计方法，不仅方便了相关人员对路面性能进行准确预估，还方便了相关人员对路面结构的反推。极大地便利了相关人员进行路面设计，实现了路面设计的高效快捷准确。
由此可见，本申请实施例中，通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。本申请先通过预先构建的未来气候预测数据库获取目标路面在预设路面使用寿命期间的目标气候预测数据，然后利用预设沥青路面性能预测模型分别对当前的路面性能进行评判，并获取与目标路面性能条件对应的目标路面结构设计参数，以得到相应的路面设计指导信息，并完成相应的路面设计操作。这样一来，本申请有效实现了结合气候变化因素并基于实际需求进行路面设计的技术方案，从而提高了路面设计的可靠性、准确性以及效率，并降低了路面的养护维修成本。
参见图3所示，本发明实施例公开了一种路面设计方法，包括：
步骤S21、通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据。
步骤S22、基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作，以得到相应的路面性能评判结果。
步骤S23、基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作，以得到相应的目标路面结构设计参数。
步骤S24、基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
其中，关于上述步骤S21至步骤S24的具体过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
由此可见，本申请实施例中，在获取与目标路面在预设路面使用寿命期间的目标气候预测数据之后，需要分别利用预先基于深度学习构建的所述预设沥青路面性能预测模型对当前的路面性能进行评判并确定与当前所述目标路面对应的目标路面结构设计参数，以完成相应的路面设计。这样一来，建立了一种动态考虑气候变化、性能预估与结构设计一体化、智能化的沥青路面设计方法，既方便了对路面性能进行准确预估，又方便了对路面结构的反推，极大地提高了路面设计的便利性，实现了路面设计的高效快捷准确。
参见图4所示，本申请实施例还相应公开了一种路面设计装置，包括：
目标数据获取模块11，用于通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；
性能评判以及参数获取模块12，用于基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；
指导信息获取模块13，用于基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
由此可见，本申请实施例，通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。本申请先通过预先构建的未来气候预测数据库获取目标路面在预设路面使用寿命期间的目标气候预测数据，然后利用预设沥青路面性能预测模型分别对当前的路面性能进行评判，并获取与目标路面性能条件对应的目标路面结构设计参数，以得到相应的路面设计指导信息，并完成相应的路面设计操作。这样一来，本申请有效实现了结合气候变化因素并基于实际需求进行路面设计的技术方案，从而提高了路面设计的可靠性、准确性以及效率，并降低了路面的养护维修成本。
在一些具体实施例中，所述性能评判以及参数获取模块12，具体可以包括：
性能评判子模块，用于基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作；
目标路面结构设计参数确定子模块，用于基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作。
在一些具体实施例中，所述性能评判子模块，具体可以包括：
路面性能评判单元，用于通过将所述目标气候预测数据、所述当前路面结构设计参数、以及与所述目标路面对应的所述路面等级信息和所述交通量信息输入至所述预设沥青路面性能预测模型，得到当前与所述目标路面对应的路面性能评判结果；
评判结果确定单元，用于利用预先配置的所述目标路面性能条件与所述路面性能评判结果进行对比，以得到相应的路面性能评判结果。
在一些具体实施例中，所述目标路面结构设计参数确定子模块，具体可以包括：
参数确定单元，用于通过将所述目标气候预测数据、预先配置的所述目标路面性能条件、所述路面等级信息以及所述交通量信息输入至所述预设沥青路面性能预测模型，并利用预设全寿命周期费用计算模型执行相应的目标路面结构设计参数计算操作，以得到目标路面结构设计参数。
在一些具体实施例中，所述路面设计装置，具体还可以包括：
费用计算模型构建模块，用于根据与目标区域内各地区分别对应的道路工程预算编制办法及定额信息执行相应的模型构建操作，以得到所述预设全寿命周期费用计算模型。
在一些具体实施例中，所述路面设计装置，具体还可以包括：
数据获取模块，用于基于第一预设数据源获取目标区域内各地区的未来气候预测数据；
降尺度处理模块，用于基于预设降尺度处理规则对所述未来气候预测数据得到降尺度后的所述未来气候预测数据；
数据库构建模块，用于利用线性插值技术对降尺度后的所述未来气候预测数据进行相应处理，并根据得到的处理后数据构建未来气候预测数据库。
在一些具体实施例中，所述路面设计装置，具体还可以包括：
样本集获取模块，用于基于第二预设数据源获取样本数据，以根据所述样本数据得到相应的训练样本集、测试样本集；
性能预测模型构建模块，用于采用循环神经网络架构并利用所述训练样本集执行相应的模型训练，直至满足预设模型收敛条件，得到当前沥青路面性能预测模型；
模型评估模块，用于基于所述测试样本集对当前沥青路面性能预测模型进行模型评估，得到相应的评估结果；
步骤跳转模块，用于当所述评估结果小于预设准确率阈值时，执行相应的模型调优操作并重新跳转至所述基于第二预设数据源获取样本数据的步骤。
进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的路面设计方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的路面设计方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的路面设计方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种路面设计方法，其特征在于，包括：
通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；
基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；
基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
2.根据权利要求1所述的路面设计方法，其特征在于，所述基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，包括：
基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作；
基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作。
3.根据权利要求2所述的路面设计方法，其特征在于，所述基于预设沥青路面性能预测模型、所述目标气候预测数据、当前路面结构设计参数、以及与所述目标路面对应的路面等级信息和交通量信息执行相应的路面性能评判操作，包括：
通过将所述目标气候预测数据、所述当前路面结构设计参数、以及与所述目标路面对应的所述路面等级信息和所述交通量信息输入至所述预设沥青路面性能预测模型，得到当前与所述目标路面对应的路面性能评判结果；
利用预先配置的所述目标路面性能条件与所述路面性能评判结果进行对比，以得到相应的路面性能评判结果。
4.根据权利要求2所述的路面设计方法，其特征在于，所述基于所述预设沥青路面性能预测模型、所述目标气候预测数据、预先配置的目标路面性能条件、所述路面等级信息以及所述交通量信息执行相应的目标路面结构设计参数计算操作，包括：
通过将所述目标气候预测数据、预先配置的所述目标路面性能条件、所述路面等级信息以及所述交通量信息输入至所述预设沥青路面性能预测模型，并利用预设全寿命周期费用计算模型执行相应的目标路面结构设计参数计算操作，以得到目标路面结构设计参数。
5.根据权利要求4所述的路面设计方法，其特征在于，还包括：
根据与目标区域内各地区分别对应的道路工程预算编制办法及定额信息执行相应的模型构建操作，以得到所述预设全寿命周期费用计算模型。
6.根据权利要求1至5任一项所述的路面设计方法，其特征在于，所述通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库之前，还包括：
基于第一预设数据源获取目标区域内各地区的未来气候预测数据；
基于预设降尺度处理规则对所述未来气候预测数据得到降尺度后的所述未来气候预测数据；
利用线性插值技术对降尺度后的所述未来气候预测数据进行相应处理，并根据得到的处理后数据构建未来气候预测数据库。
7.根据权利要求6所述的路面设计方法，其特征在于，还包括：
基于第二预设数据源获取样本数据，以根据所述样本数据得到相应的训练样本集、测试样本集；
采用循环神经网络架构并利用所述训练样本集执行相应的模型训练，直至满足预设模型收敛条件，得到当前沥青路面性能预测模型；
基于所述测试样本集对当前沥青路面性能预测模型进行模型评估，得到相应的评估结果；
当所述评估结果小于预设准确率阈值时，执行相应的模型调优操作并重新跳转至所述基于第二预设数据源获取样本数据的步骤。
8.一种路面设计装置，其特征在于，包括：
目标数据获取模块，用于通过将目标路面所在地的经纬度信息、预设路面使用寿命以及已选定的气候变化情景信息输入至预先基于线性插值技术构建的未来气候预测数据库，得到目标路面在所述预设路面使用寿命期间的目标气候预测数据；
性能评判以及参数获取模块，用于基于预设沥青路面性能预测模型以及所述目标气候预测数据，并分别结合对应的当前路面结构设计参数、预先配置的目标路面性能条件执行相应的路面性能评判操作、目标路面结构设计参数计算操作，以得到相应的路面性能评判结果以及目标路面结构设计参数；
指导信息获取模块，用于基于所述路面性能评判结果以及所述目标路面结构设计参数得到与当前所述目标路面对应的路面设计指导信息，以便根据所述路面设计指导信息完成路面设计。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至7任一项所述的路面设计方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的路面设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311369278.1A CN117113515B (zh) | 2023-10-23 | 2023-10-23 | 一种路面设计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311369278.1A CN117113515B (zh) | 2023-10-23 | 2023-10-23 | 一种路面设计方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113515A true CN117113515A (zh) | 2023-11-24 |
| CN117113515B CN117113515B (zh) | 2024-01-05 |
Family
ID=88811327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311369278.1A Active CN117113515B (zh) | 2023-10-23 | 2023-10-23 | 一种路面设计方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113515B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688657A (zh) * | 2024-02-01 | 2024-03-12 | 北京工业大学 | 气候变化下温度影响的沥青路面耐久服役风险评估方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0118853D0 (en) * | 2001-08-02 | 2001-09-26 | Univ Birmingham | Road weather prediction system and method |
| JP2009047515A (ja) * | 2007-08-17 | 2009-03-05 | Central Nippon Expressway Co Ltd | 舗装路面温度予測システム |
| JP2010191614A (ja) * | 2009-02-17 | 2010-09-02 | Sumitomo Electric Ind Ltd | 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム |
| WO2015148887A1 (en) * | 2014-03-28 | 2015-10-01 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
| DE102014006322A1 (de) * | 2014-04-30 | 2015-11-05 | Avl List Gmbh | System und Verfahren zur Analyse der Energieeffizienz eines Fahrzeugs |
| JP2015222537A (ja) * | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | 道路交通需要予測装置及び道路交通需要予測方法 |
| KR101794800B1 (ko) * | 2016-06-27 | 2017-12-04 | 연세대학교 산학협력단 | 퍼지추론 기반 대상 시설물의 기후변화 영향 평가정보 생성방법 및 그 시스템 |
| KR101812566B1 (ko) * | 2016-08-26 | 2018-01-31 | 연세대학교 산학협력단 | 도로포장 파손 위험도 예측 방법 및 예측 시스템 |
| CN107679352A (zh) * | 2017-11-18 | 2018-02-09 | 哈尔滨工业大学 | 一种基于结构功能需求的沥青路面承重层材料设计方法 |
| CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
| CA3066752A1 (en) * | 2019-01-25 | 2020-07-25 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
| AU2020102350A4 (en) * | 2020-09-21 | 2020-10-29 | Guizhou Minzu University | A Spark-Based Deep Learning Method for Data-Driven Traffic Flow Forecasting |
| US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
| CN112733442A (zh) * | 2020-12-31 | 2021-04-30 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型及其构建方法 |
| CN114912702A (zh) * | 2022-05-24 | 2022-08-16 | 路网新通(北京)交通科技有限公司 | 基于大数据的道路性能预测方法、装置、设备及存储介质 |
| CN116312008A (zh) * | 2023-02-17 | 2023-06-23 | 成都和乐信软件有限公司 | 一种基于气候信息的高速道路状况预警方法及系统 |
| CN116591003A (zh) * | 2023-03-16 | 2023-08-15 | 武汉理工大学 | 沥青道路安全性能测验方法、装置、电子设备及存储介质 |
| WO2023185458A1 (zh) * | 2022-03-31 | 2023-10-05 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
-
2023
- 2023-10-23 CN CN202311369278.1A patent/CN117113515B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0118853D0 (en) * | 2001-08-02 | 2001-09-26 | Univ Birmingham | Road weather prediction system and method |
| JP2009047515A (ja) * | 2007-08-17 | 2009-03-05 | Central Nippon Expressway Co Ltd | 舗装路面温度予測システム |
| JP2010191614A (ja) * | 2009-02-17 | 2010-09-02 | Sumitomo Electric Ind Ltd | 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム |
| WO2015148887A1 (en) * | 2014-03-28 | 2015-10-01 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
| DE102014006322A1 (de) * | 2014-04-30 | 2015-11-05 | Avl List Gmbh | System und Verfahren zur Analyse der Energieeffizienz eines Fahrzeugs |
| JP2015222537A (ja) * | 2014-05-23 | 2015-12-10 | 日産自動車株式会社 | 道路交通需要予測装置及び道路交通需要予測方法 |
| KR101794800B1 (ko) * | 2016-06-27 | 2017-12-04 | 연세대학교 산학협력단 | 퍼지추론 기반 대상 시설물의 기후변화 영향 평가정보 생성방법 및 그 시스템 |
| KR101812566B1 (ko) * | 2016-08-26 | 2018-01-31 | 연세대학교 산학협력단 | 도로포장 파손 위험도 예측 방법 및 예측 시스템 |
| CN107679352A (zh) * | 2017-11-18 | 2018-02-09 | 哈尔滨工业大学 | 一种基于结构功能需求的沥青路面承重层材料设计方法 |
| CA3066752A1 (en) * | 2019-01-25 | 2020-07-25 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
| CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
| US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
| AU2020102350A4 (en) * | 2020-09-21 | 2020-10-29 | Guizhou Minzu University | A Spark-Based Deep Learning Method for Data-Driven Traffic Flow Forecasting |
| CN112733442A (zh) * | 2020-12-31 | 2021-04-30 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型及其构建方法 |
| WO2023185458A1 (zh) * | 2022-03-31 | 2023-10-05 | 深圳小库科技有限公司 | 建筑方案生成的方法、装置、计算机设备以及存储介质 |
| CN114912702A (zh) * | 2022-05-24 | 2022-08-16 | 路网新通(北京)交通科技有限公司 | 基于大数据的道路性能预测方法、装置、设备及存储介质 |
| CN116312008A (zh) * | 2023-02-17 | 2023-06-23 | 成都和乐信软件有限公司 | 一种基于气候信息的高速道路状况预警方法及系统 |
| CN116591003A (zh) * | 2023-03-16 | 2023-08-15 | 武汉理工大学 | 沥青道路安全性能测验方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| ORETO 等: "Investigating the environmental impacts and engineering performance of road asphalt pavement mixturs made up of jet grouting waste and reclaimed asphalt pavement", ENVIRONMENTAL RESEARCH * |
| TIANCHENG LIU等: "Influence of climate change on asphalt binder selection in China", TAYLOR&FRANCIS ONLINE * |
| 安少科;郭玉金;李佳;蒋运兵;艾长发;: "基于MEPDG高寒地区沥青路面结构性能预测", 交通科技, no. 04 * |
| 王大兵;: "高速公路沥青路面使用性能及养护决策分析", 交通科技与经济 * |
| 苏丹;: "公路沥青路面长期性能(LTPP)研究", 中国新技术新产品, no. 16 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688657A (zh) * | 2024-02-01 | 2024-03-12 | 北京工业大学 | 气候变化下温度影响的沥青路面耐久服役风险评估方法 |
| CN117688657B (zh) * | 2024-02-01 | 2024-04-23 | 北京工业大学 | 气候变化下温度影响的沥青路面耐久服役风险评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113515B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9234317B2 (en) | Robust system and method for forecasting soil compaction performance | |
| CN117113515B (zh) | 一种路面设计方法、装置、设备及存储介质 | |
| 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 | |
| US20180293504A1 (en) | Devices, methods, and systems for determining environmental standard compliance | |
| CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
| CN110602713A (zh) | 基站建设评估方法及装置 | |
| CN108520152A (zh) | 一种工程设备的寿命分布确定方法及系统 | |
| CN110769452B (zh) | 基站经纬度异常识别方法、系统、服务器和存储介质 | |
| CN110222906A (zh) | 电动车能耗预测方法、计算机可读存储介质和电子设备 | |
| CN106203667B (zh) | 一种公交到站信息评测方法和装置 | |
| CN114818391A (zh) | 一种基于多溯源模型的污染源浓度智能分析方法 | |
| CN104900061A (zh) | 路段行程时间监测方法及装置 | |
| Kazemi-Beydokhti et al. | Determination of the physical domain for air quality monitoring stations using the ANP-OWA method in GIS | |
| CN114374449A (zh) | 一种干扰源确定方法、装置、设备及介质 | |
| Sehrawat et al. | Urban energy modeling: GIS as an alternative to BIM | |
| CN110831015A (zh) | 室分弱覆盖识别方法及装置 | |
| Consilvio et al. | Towards a digital twin-based intelligent decision support for road maintenance | |
| Bosurgi et al. | A web platform for the management of road survey and maintenance information: A preliminary step towards smart road management systems | |
| Tran et al. | Improved Bayesian network configurations for probabilistic identification of degradation mechanisms: application to chloride ingress | |
| CN112995893B (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
| Allen et al. | Observational constraints on climate sensitivity | |
| Freitas et al. | The analysis of variability of pavement indicators: MPD, SMTD and IRI. A case study of Portugal roads | |
| Kaya et al. | Development of pavement performance and remaining service life prediction tools for Iowa jointed plain concrete pavement systems | |
| Ekramnia et al. | Development of a methodological tool for treatment prioritization in network-level pavement management system | |
| Li et al. | Extreme value theory-based structural health prognosis method using reduced sensor data |
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 |