碾压参数调控下智能压实指标影响规律研究.pdf

doi:10.3969/j.issn.1673-6478.2023.04.042 碾压参数调控下智能压实指标影响规律研究 杨 祥 1，邸洪江 1，张 超 1，王庆远 1，李建华 2（1.河北雄安荣乌高速公路有限公司，河北 雄安 071000；2.河北工业大学，天津 300401）摘要：在路基连续压实过程中，通过可靠的连续压实指标实现对路基压实程度的实时监测是实现智能压实的基础环节。本文通过分析压实计值（Compaction Meter Value，简称 CMV）随碾压参数的变化，建立 CMV 与压实度线性拟合关系，以代替压实度作为路基压实评价指标，并基于 BP 神经网络建立 CMV 与碾压参数之间的回归关系。试验表明 CMV 作为评判压实质量的间接指标具有一定的可靠性，在 CMV 与碾压参数关系中，CMV 随振动频率变化。建立的 CMV-碾压参数回归模型表明振动频率、速度对 CMV 的相关性较高，通过调整碾压参数实现对 CMV 的控制是可行的。关键词：道路工程；智能压实；CMV；压实度；人工神经网络 中图分类号：U416.1 文献标识码：A 文章编号：1673-6478（2023）04-0199-06 Influences of Compaction Parameters on Intelligent Compaction and the Real-time Moderation YANG Xiang1,DI Hongjiang1,ZHANG Chao1,WANG Qingyuan1,LI Jianhua2(1.Hebei Xiongan Rongwu Expressway Co.,Ltd.,Xiongan Hebei 071000,China;2.Hebei University of Technology,Tianjin 300401,China)Abstract:In the process of continuous compaction of roadbed,real time monitoring of the compaction degree of roadbed through reliable continuous compaction index is the basic link to realize intelligent compaction.In this paper,by analyzing the variation of Compaction Meter Value(CMV)with rolling parameters,we established a linear fitting relationship between CMV and compaction degree to replace compaction degree as a roadbed compaction evaluation index,and established a regression relationship between CMV and rolling parameters based on BP neural network.The test shows that CMV as an indirect index for judging compaction quality has certain reliability,and CMV varies with vibration frequency in the relationship between CMV and rolling parameters.The established CMV-rolling parameters regression model shows that the correlation between vibration frequency and speed on CMV is high,and it is feasible to achieve the control of CMV by adjusting the rolling parameters.Key words:road engineering;intelligent compaction;CMV;compactness;artificial neural networks 0 引言 现代旅游业和运输业中，人们关心的首要因素便是外出期间能否实现交通的便捷化。而交通运输最离不开公路这一重要的基础设施，它既便捷了人们的出收稿日期：2022-08-03 基金项目：高速公路智能建造装备技术与应用示范（KT-4）作者简介：杨祥（1969-），男，四川绵阳人，会计师，从事高速公路建设与运营工作.（）行，也能促进国内各地区经济社会交往和发展1。路基是公路建设中最重要的基础部分，随着我国基建行业的发展、公路交通建设进度的不断加快，建设用地紧张成为日益突出的问题，挖山填沟成为部分地区基本建设的一个重要手段，路基填方材料的应用日益广200 交 通 节 能 与 环 保 第 19 卷 泛。填土地基和路基的强度、变形和稳定性直接影响到上部结构的正常运营和安全使用，路基填土的压实质量是保证工程质量的关键。但在路基压实质量控制与验收方面，工程上常用的压实评价方法，如灌砂法、灌水法、核子密度仪法等，存在以下几个不足：（1）人工测量选取的测点数量有限，且采样点设置具有随机性，无法较好地代表整个碾压工作面的压实质量；（2）有些检测手段费时费力，检测周期较长，甚至影响后续压实施工进程；（3）有些检测方法如灌砂法、灌水法，在检测时会破坏碾压面的整体性，从而对路基压实质量存在威胁；（4）检测试验常常在完全压实后进行，只受用于压实质量验收，在碾压过程中产生的问题无法实时接受与及时处理。同时，压实作业受操作手影响较大，操作手往往根据工作经验来确定碾压道次与碾压遍数，这可能会导致局部漏压或局部过压。当采用传统方法进行压实质量验收时，设置的采样点无法检测到问题区域，可能会对路基的强度和稳定性产生不利影响，最终导致路面系统的结构破坏。而智能压实技术是为了克服传统压实技术存在的缺陷而发展起来的一种新型压实技术。智能压实技术起源于欧洲，20 世纪 70 年代，Thurner2首次发现振动轮加速度畸变情况与土体密实 程 度 之 间 存 在 对 应 关 系，提 出 以 压 实 计 值（Compaction Meter Value，CMV）作为评价土体相对密度的指标，从此智能压实技术被广泛应用于路基、路面及土石坝压实施工中。智能压实技术的发展与应用在上述压实质量检测过程中发挥着关键作用。当振动轮对填筑体施加振动冲击力时，压路机将同时受到压实物料产生的反力。这种相互作用被加速度计捕获加速度信号通过快速傅里叶变化后，得到加速度频域指标，结合改装压路机的其他定位、信息传输等功能将碾压面全局压实情况实时记录并用于指导后续碾压施工。Liu 等3将压路机集成压实监测技术与实时全球定位系统（RTK-GNSS）相结合，采用压实值（CV）作为土石坝压实质量的实时监测指标，提出了一种基于 CV 的土石坝材料压实质量评价方法，得到碾压区域任意位置的 CV 并预测了土石坝压实质量，分析得到了整个工作区域的压实质量合格率。贾通4根据能量守恒定律提出了基于能量分布的新方法和振动压实能量值（VCVe），并对比分析了 VCVe 和 CMV 在沥青混合料压实过程中与碾压遍数的关系，实验结果表明与常规取芯检测方法对比，CMV 与 VCVe 可以有效反映压实状态变化过程。公路工程路基的施工工艺方法与施工单位的设备状态及技术水平关乎公路的后期投入使用年限及公路路基路面的养护费用，合理的施工方法和科学的施工方案才能保障公路后期使用的安全性5。路基碾压是公路施工过程中的重要控制环节，现场一般采取重点控制填铺厚度、碾压遍数、压路机工作参数（碾压速度、碾压频率、碾压振幅、激振力等）、含水量等参数，以保证路基压实的质量6。但在实际工程中仅通过控制填筑体参数实现路基压实质量的控制，这种方案的工作量是相当大的，尤其是涉及含水率的控制，对施工地区温度湿度要求较高，在实际施工中难以实现，所得的最优参数仅作为本地区路基土拌合参考。因此对振动压路机碾压参数进行智能化控制成为实现路基碾压智能化施工最有效的方法之一。智能化相较于传统方法，核心在于对每次路基碾压过程中的碾压速度与碾压频率进行控制。在路基碾压过程中，通过压路机内置电脑的智能化控制，使压路机工作中可以得到最有利的速度控制，以此提高公路路基的碾压质量，在满足规范要求的前提下，提高路基碾压速度，进而提高路基压实的碾压效率；控制压路机辊轴的振动频率与振幅关系，使路基充分压实，达到较好的压实效果。王莉7通过对每次碾压过程中压实度等其他指标进行实时检测预估，根据每遍碾压的路基材料的压实状态建立反馈调节系统，经过系统计算预测达到自动调节压路机辊轴频率与车速的目的，从而更高效地实现压路机碾压参数智能化控制。丁少华等8较早地提出了关于控制碾压参数的概念观点，与土体中各种碾压参数的区别，总结发展出新的碾压控制规则，使得该系统在设计上具有一定的灵活性和适应能力，从而提升碾压效果。安再展等9通过堆石料现场碾压试验，分析了 CMV 与堆石料相对密度和碾压参数的相关性。并基于现场试验和径向基神经网络（Radial Basis Function Network），建立了考虑碾压参数变化的堆石料压实质量评估模型。Cao10等通过路基压实试验采集 CMV 信号，并建立了 CMV 与压路机碾压参数的BP 神经网络（Back Propagation Neural Network），预测结果表明，人工神经网络生成的 CMV 与实测值吻合较好。因此基于神经网络的计算模型是预测 CMV的可行工具。本文的目的在于研究在公路路基压实施工中，CMV 与传统压实指标之间的线性相关性，讨论 CMV与碾压遍数、压实度和碾压频率之间的关系，最后基于 BP 神经网络建立 CMV 与碾压参数之间的预测模型，讨论 CMV 影响因素并为公路路基智能压实提供理论依据。第 4 期 杨祥等，碾压参数调控下智能压实指标影响规律研究 201 1 现场碾压试验 1.1 试验设备 在天津市滨海新区津崎公路某段进行了现场压实试验。压路机型号为三一重工 YZ26C 全液压单钢轮振动压路机，压路机参数配置见表 1。为了实现对压路机碾压工作中实时信息的采集，对压路机进行改装，加装 GNSS 接收器、加速度传感器、车载信息采集器及无线通讯装置。通过整个闭环系统实现对压路机实时位置坐标、振动响应信息、实时车速状况，辊轮振幅与频率的采集，从而可以实现压路机工作信息智能化采集。表 1 三一重工 YZ26C 全液压单钢轮振动压路机技术参数 Tab.1 SANY YZ26C full hydraulic single drum vibratory roller technical parameter 技术参数 参数值 工作质量 25 400kg 振动轮分配质量 17 100kg 驱动桥分配质量 8 300kg 振动轮静线载荷 772N/cm 1.2 试验材料与场地 现场碾压试验在天津市滨海新区津崎高速某路段进行。路段路基材料为灰土，路基填土满足压实规范要求，含水率在 17%24%之间。为确定试验区域路基土级配情况，对第 1、3、5、7、9 道进行取样检测，图 1 为土路基土样颗粒级配情况。其中，试验路基最大粒径为 60mm，最小粒径约在 0.07mm。图 1 土路基颗粒级配曲线 Fig.1 Particle gradation curve of soil subgrade 1.3 试验方案 如图 2 所示，现场碾压试验包括“松铺路基填土-一遍静压-划出试验条带-振动碾压、采集信号-采样点测压实度”过程。为分析 CMV、压实度与碾压速度、频率之间的关系，设计不同碾压速度与不同碾压模式的试验方案进行现场碾压试验。其中碾压速度的控制通过调节压路机油门及挡位实现，而碾压频率的控制通过调节振动压路机大小振模式实现。其中大振模式对应高振幅低振频，小振模式对应低振幅高振频。试验方案设计如图 2 所示，碾压试验区域长80m，宽 20m，压路机按照常规压实方案逐道进行，每一道宽度为压路机一个轮宽，由此将试验场分为 9道。其中第 15 道碾压速度设置为低速模式，压路机平均速度低于 4km/s，610 道设置为高速模式，压路机平均速度高于 4km/s；每一道次的前半段压路机启动大振模式进行碾压试验，平均振动频率为20Hz，后半段采用小振模式进行试验，平均振动频率为 32Hz。振动压路机按照上述方案对试验区域重复碾压 3遍，振动压路机在振动碾压施工中受到偏心块转动方向与行驶方向的影响，不同行驶方向振动轮振动状态不同，为了避免振动信号采集误差，将压路机在碾压道上前进&后退碾压计为碾压一遍。图 2 试验方案设计 Fig.2 Design of compacted test program 在不同碾压工况下，通过灌砂法对土路基采样点进行压实度测试。压实度采样点设置在奇数（1、3、5、7、9）道上，为了避免边界效应的影响，除去试验场前后 15m 长度，并在碾压道剩余长度上平均设置四个压实度采样点，其中大振模式下设置两个，小振模式下设置两个，保证碾压道前半段与后半段采样点数量相等且位置对应。为分析路基压实度与 CMV 的相关关系并建立压实质量评估模型，对不同碾压参数碾压后的路基进行压实度检测。每一遍碾压过后采用灌砂法对碾压道上采样点压实度进行测量，结合实验室烘干法测出土样干密度，并采用击实试验测出最优含水率与最大干密度，然后按照式（1）计算各采样点土路基压实度。202 交 通 节 能 与 环 保 第 19 卷 =干干max(1)式中，为采样点压实度，%；干为采样点干密度，g/cm3；干 max为最大干密度，g/cm3。2 试验结果与分析 2.1 振动加速度信号处理 加速度频域指标的监测是通过安装在碾压轮上的加速度计实时采集的，本次试验加速度信号采样频率为 1 000 次/s，使用滤波器对加速度信号滤波处理后，对加速度时域信号进行快速傅里叶变换，得到加速度信号频谱。将得到的基频幅值与二次谐波幅值按式（2）进行 CMV 计算。经过一系列换算最终 CMV采集频率为 1 次/s。CMV=30020(2)式中，0为加速度频谱基频幅值；2为加速度频谱二次谐波幅值。2.2 CMV 与压实度相关性分析 在公路路基压实过程中，随着碾压遍数的增加，振动轮对路基击实功越多，在振动下，土颗粒克服摩擦阻力，彼此移动，相互填充，出现新排列，从而使孔隙率降低，压实度增高。而土体密实会导致振动轮加速度增加且畸变，导致二次谐波增加，CMV 随之增加。为验证 CMV 作为土路基密实程度指标的可靠性，接下来将分别做 CMV 与压实遍数、采样点压实度的相关性分析。如图 3 所示为某一条碾压遍数为 3 遍的试验条带，在 1、2、3 遍碾压时的 CMV 变化情况。从图中可以看出，三遍碾压过程中，CMV 波动较大，初步推测是由于碾压道相邻位置压实度变化引起的。而尽管在相同位置三遍碾压的 CMV 存在交叉的情况，从单一碾压遍数看，CMV 在平均值之间上下波动，但从整体看，CMV 均随着碾压遍数的增加而增加。因此在一定程度上可以认为 CMV 作为压实指标具有评判路基压实质量好坏的能力。图 4 为碾压过程中，土路基压实度与 CMV 的关系。从图 4 中可以看出在大振（上）、小振（下）两种工况下，CMV 与压实度线性拟合情况。由于 CMV 采样频率较高，为 1 次/秒，而对应的压实度采样点距离较远，应取采样点前后合适的区间内对采集到的CMV 值进行修正，此次试验中对采样点前后 3m 采集到的 CMV 值进行平均修正，以提高 CMV 的可靠性。此次试验中 CMV 随压路机振动模式的变化较大，因此分两种工况对 CMV 与压实度进行线性拟合。图 3 CMV 与碾压遍数关系 Fig.3 Relationship between CMV and number of rolling passes 图 4 两种工况 CMV 与土路基压实度关系 Fig.4 Relationship between CMV and soil subgrade compaction in two working conditions 其中在大振模式下，压路机工作状态为高振幅低振频，此时 CMV 与压实度之间的线性拟合程度较高，拟合系数 R2达到了 0.47；而在小振模式下，压路机工作状态为低振幅高振频，此时 CMV 与压实度之间的线性拟合程度较低，拟合系数 R2仅为 0.11。结合以往研究11，在路基材料较低时，可采用小频率大振幅进行碾压，使振动轮对地面作用能量向更深层传播，有利于路基材料碾压；在路基材料压实度较高时，应提第 4 期 杨祥等，碾压参数调控下智能压实指标影响规律研究 203 高频率减小振幅，使作用能量集中在浅层，有利于路基表层的压实。两种工况下，CMV 均表现出随着压实度的增加而增加的趋势，尤其在适合压实的工况下（此处为大振），表现出较好的相关性，为 CMV 代替压实度作为检测路基压实质量的间接压实指标提供了可靠的试验依据。根据 CMV 与碾压遍数、压实度的对应关系可以得出以下结论。随着碾压遍数的增加，地基土密实程度增加，CMV 随之增加；在 CMV 与压实度的线性关系中可以得出，在高频、低频两种工况下，CMV 与压实度均保持较好的线性关系。由此可以推断出，用CMV 代替压实度表征路基压实程度指标具有一定的可靠性。2.3 CMV 与振动频率影响分析 为分析 CMV 与频率速度之间的关系，对压路机碾压参数进行控制试验。设置不用的试验区域对CMV-碾压参数进行分析。低频区域平均速度为2.61m/s，平均频率为 19.1Hz；高频区域平均速度为2.81m/s，平均频率为 31.2Hz。不同区域碾压试验一遍CMV 变化情况如图 5 所示。图 5 不同工况下 CMV 变化关系 Fig.5 CMV variation relationship under different working conditions 通过上图分析 CMV 随频率的变化情况得，在相同工作条件下，当压路机高频行驶时，CMV 平均值小于 10；当压路机低频行驶时，CMV 平均值超过 20。由此可以得出，CMV 值受频率的影响，CMV 随着频率的增加而降低。由于压路机工作时车速较难控制，此次试验暂不单独分析速度对 CMV 带来的影响。3 基于 BP 神经网络的 CMV 回归模型 为进一步探究在土路基连续压实过程中，碾压参数（速度、频率）对 CMV 的影响，以达到对连续压实的智能化控制。根据此次试验采集的实时数据建立回归模型如式（3）所示。CMV=(,)(3)式中，为压路机工作速度，m/s；为振动频率，Hz。现阶段路基连续压实领域的研究中，试验工况复杂，各碾压参数相互影响，频率、速度对 CMV 影响机理尚不完全明确，想要建立 CMV 与各碾压参数的回归模型，应利用神经网络去解决复杂的多元非线性回归问题。此次试验中考虑到的 CMV 评估模型参数只有速度与频率，且数据量较大。可采用 BP 神经网络建立CMV-压实参数模型。BP 神经网络相较于其他类型回归模型来说是一种按照误差逆向传播算法训练的多层前馈神经网络，对多输入单输出的映射关系有较强的适用性12，恰恰符合本次试验的要求。本文建立如图6所示的基于BP神经网络的CMV回归模型。其中输入层为碾压参数（速度、频率），输出层为 CMV。图 6 基于 BP 神经网络的 CMV 回归模型 Fig.6 CMV regression model based on BP neural network 通过实时采集试验参数，将收集到的速度/频率-CMV 的数据参数，取其中的 80%为测试组，20%为验证组进行训练。将验证组数据代入到已训练好的模型中进行 CMV 预测。结果表明验证组预测 CMV与实测 CMV 的比较，相关系数达到 0.901 6，具有较高的相关性。4 结语 在土路基连续压实过程中，为实现对碾压路段的实时监测，本文选择 CMV 作为压实质量监测指标指导路基压实质量，分别建立 CMV-压实度的线性模型验证 CMV 的可靠性，对 CMV-速度频率的 BP 神经网络模型进行 CMV 预测。得出以下结论：204 交 通 节 能 与 环 保 第 19 卷（1）在不同碾压参数工况下，CMV 均随着压实遍数的增加而增加，证明 CMV 可以较好地表征路基压实程度；无论是高频还是低频，CMV 与压实度的线性拟合效果较好，说明 CMV 作为压实指标具有一定的可靠性；（2）压路机辊轴的振动频率对 CMV 影响较大，CMV 随着振动频率的增加而降低；（3）基于 BP 神经网路建立的 CMV-速度频率回归模型相关系数达到 0.901 6，具有较好的相关性，可通过辊轮实时速度与频率预测实时 CMV。参考文献：1 许文天.浅谈公路路基路面压实技术与质量控制J.四川水泥,2021,(4):286-287.2 THURNER H,SANDSTRM A.Compaction meter and compaction documentation systemM.Unbound Aggregates in Roads.Elsevier.1989:46-51.3 LIU D,LI Z,LIAN Z.Compaction quality assessment of earth-rock dam materials using roller-integrated compaction monitoring technologyJ.Automation in Construction,2014(44):234-246.4 贾通.沥青路面智能压实系统关键技术研究D.南京:东南大学,2020.5 唐韬.公路工程路基路面压实技术的应用研究J.西部交通科技,2019,(9):44-45+52.6 荣庆江.公路路基压实施工技术研究J.交通世界,2021,(8):69-70.7 王莉.基于地面振动信号对振动压实频率的研究D.西安:长安大学,2009.8 丁少华,张仲甫.新型振动压路机控制方案探讨及土体参数在线辨识器研究J.武汉工学院学报,1992(3):8-16.9 安再展,皇甫泽华,张兆省,等.碾压参数对振动压路机-土动力系统的影响J.人民黄河,2020,42(3):117-121.10 LIPING C,JIE Z,TAO L,et al.Influence of roller-related factors on compaction meter value and its prediction utilizing artificial neural networkJ.Construction and Building Materials,2020(268):121078.11 卢宏现,朱伟敏,姚琳宁.双频合成振动压实对多种材料的适应性研究J.筑路机械与施工机械化,2007(6):56-58.12 黄国卿,严筱,杨永刚,等.智能压实间接指标试验分析与压实度预测J.中外公路,2020,40(2):24-28.