[发明专利]一种基于多层神经网络的沥青路面弯沉盆预测方法

说明书

本发明涉及一种基于多层神经网络的沥青路面弯沉盆预测方法，所述方法包括以下步骤：步骤1、采集历年沥青路面使用性能检测数据及沥青路面使用性能影响因素数据，根据采集到的数据进行分类；步骤2、编码转换器对输入数据进行预编码；并通过长短期记忆(LSTM)网络和一个线性层将预编码矩阵映射为输出编码矩阵；步骤3、耦合器通过重构的方式对步骤2中的长短期记忆(LSTM)网络进行训练；步骤4：解释器:给出结构路面的弯沉盆数据预测；步骤5：使用基于python的深度学习框架pytorch来训练并测试多层神经网络模型，用于对沥青路面的弯沉盆进行预测。该技术方案基于多层神经网络模型预测沥青路面弯沉盆，与传统神经网络模型相比，大大提高了预测效率。

技术领域

本发明涉及一种预测方法，具体涉及一种基于多层神经网络的沥青路面弯沉盆预测方法，属于沥青路面使用性能预测技术领域。

背景技术

近20年来，欧美国家确立了长寿命路面和永久性路面的概念。长寿命路面是指在正确的路面养护条件下，地基或路面基层不会发生明显老化的路面。传统路面多为半刚性基层沥青路面，具有稳定性好、选材方便等优点。但也存在耐用性差、维护成本高的缺点。传统沥青路面存在结构破坏，主要表现为疲劳开裂和永久变形，使用寿命短，拆迁改造带来了巨大的经济损失。未来为了减少维护等成本，将交通繁忙场所的道路设计寿命延长至至少40年而不需要加强结构，将更具成本效益。2017年利用RIOHTRACK进行试载试验，收集研究非线性道路结构和材料全生命周期条件下多用途性能演化规律，验证和改进道路结构设计方法和材料。在不同荷载水平下，对19种不同刚度水平的结构弯沉盆进行了定期测试和数据采集，并分析了它们的变化情况。弯沉作为反映沥青路面结构承载力的重要指标，一直是公路建设者和科研工作者关注的焦点。

发明内容

本发明正是针对现有技术中存在的问题，提供一种基于多层神经网络的沥青路面弯沉盆预测方法，考虑到沥青路面结构设计中弯沉试验数据采集的高成本问题，本发明提供一种基于多层神经网络的沥青路面弯沉盆预测方法，沥青路面的结构数据通过编码转换器和耦合器转换成潜在的编码向量，然后作为解释器的输入参数对沥青路面的弯沉盆进行预测。

为了实现上述目的，本发明的技术方案如下，一种基于多层神经网络的沥青路面弯沉盆预测方法，所述方法包括以下步骤：

步骤1、采集历年沥青路面使用性能检测数据及沥青路面使用性能影响因素数据，根据采集到的数据进行分类；

步骤2、编码转换器对输入数据进行预编码；并通过长短期记忆(LSTM)网络和一个线性层将预编码矩阵映射为输出编码矩阵；

步骤3、耦合器通过重构的方式对步骤2中的长短期记忆(LSTM)网络进行训练；

步骤4：解释器:给出结构路面的弯沉盆数据预测；

步骤5：使用基于python的深度学习框架pytorch来训练并测试多层神经网络模型，用于对沥青路面的弯沉盆进行预测。

作为本发明的一种改进，步骤1具体如下，采集历年沥青路面使用性能检测数据及沥青路面使用性能影响因素数据，根据采集到的数据进行分类，确定多层神经网络模型的输入输出变量，将路面使用性能作为多层神经网络模型的输入，所要预测的弯沉值作为多层神经网络模型的输出，为了更好地描述沥青路面不同结构之间的关系，构建一个三元组G-(V，E，X)，其中G＝(V，E)组成一个图，V＝{v_i}_{i＝1，2，...，n}表示图中节点的集合，即不同沥青路面结构的集合；E＝{e_ij}表示节点之间边的集合，即不同结构之间的关系，由路面结构和弯沉盆决定，或者表示为E(V，X)；X＝{x₁，x₂，...，x_n}表示各个节点的特征，其中的x_i∈R^m为实值向量，本发明节点的特征即为沥青路面结构的弯沉盆性能。