基于大样本的土基模量反算方法.pdf

：基于大样本的土基模量反算方法收稿日期：基金项目：国家自然科学基金（，）作者简介：高燕（），女，助理工程师，从事道路工程管理及养护工作高燕，英红（衡水市市政工程管理中心，河北 衡水 ；桂林电子科技大学建筑与交通工程学院，广西 桂林 ）摘要：针对土基模量反算的技术难题，提出了一种基于神经网络的大样本反算方法，该方法在利用 软件进行正算时，使用了种面层厚度、种基层厚度、种土基模量、面层和基层模量各 种，合计 个正算样本，基本涵盖了三层常用结构的各种工况，实验结果表明，误差满足工程实际需求。关键词：道路工程；沥青路面；模量反算；弯沉盆中图分类号：文献标识码：文章编号：（）土基模量的取值是道路设计最基本的参数，是结构层选型、厚度设计的关键参数，尤其是在旧路维护补强设计中，由于复杂的工况，原有道路的土基模量的参考值发生较大变化，此时，依靠现有道路的 弯沉盆曲线进行土基模量反算可解决此类问题，以往的研究人员提出过较多的反算方法，如早期国内外使用的数据库法、迭代法，近期的神经网络 、惰性点法 等等，但由于考虑各层厚度、模量变化的样本较少，对各种工况难以覆盖，本文充分考虑各结构层厚度、模量的变化，利用神经网络实现土基模量反算，是一种实用性好、覆盖面广的有效方法。土基模量对路表弯沉曲线的影响分析利用 软件计算理论弯沉值，使用由面层、基层、土基构成的 层弹性体系，结构参数如表 所示，弯沉盆取点位置如表 所示。表 绘图所用路面结构参数取值结构层 厚度 回弹模量 泊松比面层 ，基层 ，土基 ，表 弯沉盆曲线测点位置传感器编号 距荷载中心距离 使用以上计算数据，通过 软件计算，将结果绘于图 。根据图 ，当面层、基层厚度已知，而面层与基层模量难以估计时，通过单一或少数测点（，等远离荷载中心的测点）可能通过简单回归推算出较为准确的土基模量，但当面层与基层厚度难以通过芯样稳定评估时，情况将变得复杂，此外还需考虑使用 ，由于传感的误差，使得远离荷载中心的测点相对误差较大，导致估算误差增大的问题，因此，综合考虑弯沉盆曲线上的 个测点，将有效的平衡仪器带来的误差，面对较多参数组合的大样本分析，使用 个测点数据进行回归分析复杂度太大，使用神经网络是个简便的方法。?第 卷 第 期年 月 山西建筑?正算样本为构建覆盖常用三层结构的正算样本库，如表 ，表所示，选取了 个面层厚度、个基层厚度、个土基模量、面层和基层模量各选取了 个，组合起来共计 个正算样本。表 结构层厚度取值沥青结构层厚度面层 ，基层 ，土基表 结构层模量取值 沥青结构层模量土基 ，基层 ，面层 ，神经网络模型以每组弯沉盆曲线上的 个弯沉值作为神经网络模型的输入参数，以土基模量作为输出参数，构建 神经网络，网络的设计参数如表 所示。误差分析选取训练结果中某一固定结构厚度（面层厚度 、基层厚度 ）的相对误差绘于图 ，大部分反算误差小于 ，少数误差大于 ，且误差的图形具有一定的 规 律 性，分 析 可 知，训 练 的 最 小 土 基 模 量 为 ，最大土基模量为 ，相差 倍，当绝对误差变化不大时，相对误差自然会呈现出图中形貌；此外，训练的组合顺序也对训练结果有一定影响，如面层和基层模量的最大取值与最小取值相差 倍，也在误差图中有所体现。整体来看，将该网络用于土基模量的反算是满足工程需求的。表 神经网络模型参数设置项 输入层神经元数输出层神经元数隐含层层数隐含层神经元数 迭代次数 目标函数均方误差最小学习率动态衰减调节?结语提出了一种基于神经网络的大样本土基模量反算方法，与其他反算方法相比，正算样本大大增强了，涵盖了常用的三层结构的大部分情况，经过 神经网络训练，获得了较小误差，满足实际工程需求。参考文献：查旭东 基于同伦方法的路面模量反算的研究 西安：长安大学，朱洁，陈长，孙立军 沥青路面惰性弯沉点的选取及土基模量的反演 同济大学学报（自然科学版），（）：，（，；，）：，：；第 卷 第 期年 月 高燕，等：基于大样本的土基模量反算方法