一种高速公路施工质量全过程智能反馈优化方法技术

本发明专利技术公开一种高速公路施工质量全过程智能反馈优化方法，该方法根据历史道路施工参数和对应的施工质量指标，训练出道路施工反馈神经网络模型；将同一地区一条未完成施工的道路的施工参数输入到道路施工反馈神经网络模型中，通过神经网络模型反馈，获得该道路施工结束后的施工质量指标；结合获得的施工质量指标，调整后续未完成工序中的施工参数，对道路后续施工过程中的可调控因素进行多组设定，经过神经网络模型计算反馈确定最优取值，以最优取值进行后续施工，以降低不可控因素对施工质量指标的影响。本发明专利技术反馈优化方法对道路施工过程中的参数控制提供了规划参考和决策依据，有效的保障了道路施工质量，减少了道路施工额外的成本消耗。

【技术实现步骤摘要】
一种高速公路施工质量全过程智能反馈优化方法
本专利技术涉及道路施工智能化
，具体是一种高速公路施工质量全过程智能反馈优化方法。
技术介绍
随着科技水平的进步与发展，智能化施工广泛应用于各个领域。在道路施工的过程中，越来越多的使用智能监控技术来进行道路质量的监测与评估，通过安装各类传感器实时采集数据，并将采集的数据上传到相应的智能监测系统进行数据的集成处理，同时利用高精度定位系统进行准确定位，这些都促进了物联网技术在道路施工过程中的广泛应用，不仅提高了道路的施工质量并且节省了施工成本。但目前大多数的研究主要集中在单一施工过程的智能监控，或者少部分虽然有施工全过程的智能监测系统，但只是简单的将四个施工过程收集到的数据实时显示，缺少一种根据所测量的数据来指导优化施工过程的反馈方法，即缺少一种高速公路施工质量全过程智能反馈优化方法。比如现有技术CN108914751A提供了一种用于道路路基路面压实过程中的监控方法，即一种用于道路路基路面智能压实监控系统，包括模型设置模块、控制模块、车载模块、通讯模块和监控中心，模型设置模块电性连接本文档来自技高网...

【技术保护点】
1.一种高速公路施工质量全过程智能反馈优化方法，其特征在于，该方法包括下述步骤：/n步骤一：获取原始数据集/n获取同一地区的不同道路的原始数据，该原始数据包括道路的施工参数，以及道路施工完成后的施工质量指标，施工参数包括沥青拌合过程中的拌料温度、拌料配合比；运输过程中的混合料温度、混合料运量；摊铺过程中的摊铺面温度与厚度；碾压过程中的碾压遍数、面层碾压温度与压路机的加速度；施工质量指标包括道路施工完成后的压实度、弯沉值和干密度；一条道路的施工参数和施工质量指标构成一个原始数据，多条道路的原始数据构成原始数据集；每一条道路的施工质量指标为在同一条件下测量获取；/n步骤二：获取网络模型的数据集/n...

【技术特征摘要】
1.一种高速公路施工质量全过程智能反馈优化方法，其特征在于，该方法包括下述步骤：
步骤一：获取原始数据集
获取同一地区的不同道路的原始数据，该原始数据包括道路的施工参数，以及道路施工完成后的施工质量指标，施工参数包括沥青拌合过程中的拌料温度、拌料配合比；运输过程中的混合料温度、混合料运量；摊铺过程中的摊铺面温度与厚度；碾压过程中的碾压遍数、面层碾压温度与压路机的加速度；施工质量指标包括道路施工完成后的压实度、弯沉值和干密度；一条道路的施工参数和施工质量指标构成一个原始数据，多条道路的原始数据构成原始数据集；每一条道路的施工质量指标为在同一条件下测量获取；
步骤二：获取网络模型的数据集
将步骤一中得到的同一地区的不同道路的原始数据集进行预处理得到网络模型的数据集D，用留出法将数据集D按照7∶3划分为训练集S和测试集T，D＝S∪T，
步骤三：构建道路施工反馈神经网络模型
构建以BP算法为基础的道路施工反馈神经网络模型，该道路施工反馈神经网络模型为三层感知器神经网络模型，其输入层为道路的施工参数，输出层为施工质量指标，且其包含两个隐含层数，其中第一个隐含层设置四个隐含节点，第二个隐含层设置三个隐含节点；
设输入层为M，即有M个输入信号，其中的任一输入信号用m表示；第一个隐含层为I，即有I个神经元，其中的任一神经元用i表示；第二个隐含层为J，即有J个神经元，其中任一神经元用j表示；输出层为P，即有P个输出神经元，与施工质量指标的个数相同，其中任一神经元用p表示；
输入层与第一个隐含层的权值用wmi表示；第一个隐含层与第二个隐含层的权值用wij表示；第二个隐含层与输出层的权值用wjp表示；每个神经元的输入用u表示，激励输出用v表示，u、v的上标表示层，下标表示层中的某个神经元，如表示第一个隐含层的第i个神经元的输入；所有的神经元的激励函数均用Sigmoid函数；
将步骤二中的训练集S的施工参数作为输入层的输入量，将施工质量指标作为输出层的输出量；设训练集S的输入量样本集为X＝[X1，X2，…，Xk，…，XN]，对应的任一训练样本为Xk＝[xk1，xk2，…xkm]，k＝1，2，…N，实际输出为Yk＝[yk1，yk2，…ykp]T，期望输出为dk＝[dk1，dk2，…dkP]T；N代表道路的条数，m表示施工参数的个数，k代表第k条道路，P表示施工质量指标的个数，dk对应训练集S中第k条道路的施工质量指标；
设n为迭代次数，权值和实际输出均为n的函数；输入训练样本Xk，神经网络由工作信号的正向传播过程可得输出层第p个神经元的误差信号为：
ekp(n)＝dkp(n)-ykp(n)
定义神经元p的误差能量为则输出层所有神经元的误差总和为E(n)：



误差总和信号从后向前传递，在反向传播的过程中，逐层修改权值；当误差总和小于阈值ε，即|E(n)|＜ε时，则认为误差总和满足要求；
道路施工反馈神经网络模型的权值向量训练过程的具体步骤如下：
1)设置变量和参量
设道路施工反馈神经网络模型的输入量为训练样本Xk＝[xk1，xk2，…xkm]，(k＝1，2，…N)，N为输入量的个数，即训练集S中包含了N条道路的特征值；
令为第n次迭代时输入层M与隐含层I之间的权值向量；
令为第n次迭代时隐含层I与隐含层J之间的权值向量；
令为第n次迭代时隐含层J与输出层P之间的权值向量；
令Yk(n)＝[yk1(n)，yk2(n)，…ykP(n)]T，(k＝1，2，…N)，为第n次迭代时神经网络的实际输出值；
dk＝[dk1，dk2，…dkP]T，(k＝1，2，…N)，为期望输出；η为学习效率，取η＝0.1；n为迭代次数，取n＝1000，误差总和E(n)的阈值ε＝0.0001；
2)初始化权值向量，赋给权值向量WMI(0)、WIJ(0)、WJP(0)中的元素各一个在(-2.4/F，-2....

【专利技术属性】
技术研发人员：王雪菲，潘鹏，马国伟，赵文忠，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12