水泥混凝土路面综合养护方法技术

本发明专利技术公开了水泥混凝土路面综合养护方法，涉及道路施工技术领域，本发明专利技术采用循环神经网络

【技术实现步骤摘要】
水泥混凝土路面综合养护方法


[0001]本专利技术涉及道路施工
，具体为水泥混凝土路面综合养护方法
。

技术介绍

[0002]在现代交通系统中，道路作为车辆和行人使用频率最高的民用基础设施之一，其服役状况和使用寿命直接影响通行体验和效率，因此，在路面发生不可逆损伤之前进行路面健康监测和及时养护，对于保障公共交通服务质量以及通行安全至关重要，传统的路面监
、
检测主要通过人工现场检查，来识别路面病害，并评估路面服役状况
。
[0003]由于公路里程的逐渐增多，通过人工方式监测并评估路面服役状况变得日益困难，近年来，各项先进技术在路面结构动力响应监测和路面服役状况评价中得到了广泛的应用，包括各项可用于监测路面结构状况的埋入式传感技术，可用于评价路面状况的图像处理技术，以及可用于分析或预测路面材料和结构性能的机器学习方法，这些先进技术的应用在一定程度上可以取代人工监测
/
检查手段，有助于提高路面养护效率，指导养护决策，最终帮助改善和维持路面服役质量和通行性能，目前，应用于路面监测的传感技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
水泥混凝土路面综合养护方法，其特征在于，包括：多源数据获取整合，整合数据源，基于物联网技术进行数据的实时采集与传输，包括路面传感器
、
卫星遥感
、
交通流量监测
、
气象预报数据；深度学习路面健康预测，构建循环神经网络
RNN
模型用于预测路面健康状态，将多源数据输入模型，对裂缝
、
疲劳
、
结构损伤问题进行预测；时空关联分析，基于时空数据分析建立路面健康状态与交通负荷
、
气候变化因素之间的关联，并建立关系网络模型，识别出影响路面健康的主要驱动因素；多目标优化策略，采用多目标优化粒子群优化算法，将最大化路面寿命
、
最小化维护成本
、
最优化交通通行为优化目标确定权衡各目标的养护策略；风险感知与应急预案，基于风险感知模型，评估不同养护策略的风险程度，同时为每种养护策略制定相应的应急预案，出现突发状况时快速响应
。2.
根据权利要求1所述的水泥混凝土路面综合养护方法，其特征在于，所述多源数据获取整合步骤具体包括：步骤
1.
收集路面传感器数据，采用振动传感器采集路面振动数据
V(t)
，采用温度传感器采集路面温度数据
T(t)
；从卫星图像中提取路面覆盖信息
C(x,y)
，破损程度信息
D(x,y)
，基于交通监测摄像头获取交通流量
Q(t)、
车速
V
v
(t)
；采用振动传感器
、
温度传感器布局在监控路段覆盖整个路面；步骤
2.
采用传感器数据采集系统，采集系统包括模拟
‑
数字转换器
ADC)
和数据存储设备，采用
MQTT
通信协议，基于
LoRa
无线通信建立传感器数据传输网络；步骤
3.
将不同传感器产生的数据格式统一，得到统一的数据集
D
tl
(t)
，基于阈值异常检测算法，修正异常数据后获取修正后数据
D
cl
(t)
；对实时数据
D
cl
(t)
进行时间序列分析，得到振动时间序列
V(t)、
温度时间序列
T(t)
，基于序列数据建立预测模型；预测模型公式具体为：其中
X(t)
为温度数据和振动数据，
a
i
和
b
i
为模型参数，
ε
(t)
为误差；基于
ARMA
模型对未来时间段的路面振动和温度进行预测，得到预测结果
X
forcast
(t)。3.
根据权利要求1所述的水泥混凝土路面综合养护方法，其特征在于，所述深度学习路面健康预测步骤具体包括：从步骤3中获取数据
D
cl
(t)
，根据路面实际情况，标注裂缝
、
疲劳和结构损伤的存在情况，得出标签数据
Y(t)
；采用统计特征均值将路面传感器数据
V(t)、
温度数据
T(t)
转化为模型输入的特征向量；基于
LSTM
网络，将多源数据
V(t)、T(t)、
交通流量
Q(t)
连接为输入序列
X(t)
，形成特征序列
X
＝
X(1),X(2),...X(T)
，其中
T
为序列长度；基于
LSTM
模型，每个时间步的输入为特征向量
X(t)
，得到对应时间步的预测输出
Y
forcast
(t)
，模型公式：
h
t
＝
LSTM(X(t),h
t
‑1)
；
Y
forcast
(t)
＝
FC(h
t
)
，其中
LSTM
为
LSTM
层，
h
t
为
LSTM
隐状态，
FC
为全连接层，将
LSTM
输出映射到预测值
。4.
根据权利要求1所述的水泥混凝土路面综合养护方法，其特征在于，所述深度学习路面健康预测步骤具体还包括模型训练
、
验证：基于交叉熵损失函数，度量预测结果与实际标签之间的差异：其中
N
为样本数量，
C
为类别数量，
Y
ij
表示实际标签，表示模型预测值；采用
Adam
优化算法，调整模型参数最小化损失函数：其中
θ
是模型参数，
η
是学习率，和分别是一阶和二阶矩估计，
∈
是平滑项；将数据集划分为训练集和验证集，用训练集训练模型，用验证集评估模型性能；使用训练数据，通过反向传播算法不断更新模型参数，使用验证数...

【专利技术属性】
技术研发人员：骆俊晖，莫鹏，畅振超，盘柱，陈德强，刘红燕，唐浩，
申请(专利权)人：广西北投交通养护科技集团有限公司，
类型：发明
国别省市：