一种基于GA-BP网络的碾压混凝土压实度评价方法与流程

本发明属于混凝土施工质量监控技术领域，尤其属于碾压混凝土施工质量评价技术领域，涉及一种基于ga-bp网络的碾压混凝土压实度评价方法。

背景技术：

碾压混凝土是用振动碾压实的超干硬性混凝土。由于碾压混凝土施工方法和筑坝材料的特殊性，在碾压混凝土分层碾压施工过程中，施工层面压实度低与层面出现薄弱环节都会对渗透性和坝体强度产生较大影响，对坝体安全和耐久性构成威胁。因此，严格控制碾压热层的压实度对碾压混凝土坝成型质量具有重要意义。

目前实践中，工程现场对于碾压混凝土施工层压实度指标控制方法主要是灌砂法、环刀法及核子密度仪等检测法。这些检测方法的测试功效较低、控制精度较差、采样数据少、质量表征性不全面且单点人工测值结果表征性存在难以避免的偏差，影响对碾压层压实质量评价的客观性与准确性。

已有文献公开提出有：采用多参数化实时预测和评价碾压层压实度指标的方法，是基于先期试验仓的碾压遍数、设备参数、行走速度、激振力等工艺参数构建实时压实度预测模型；这些模型包括支持向量机模型、神经网络模型等，但现场实际施工工艺参数获取可靠性仍存在明显不足，如碾压设备激振力或加速度采集由于设备差异性、环境干扰等复杂问题难以有效去噪，因而上述参数实时预测模型依旧不能很好地反映真实碾压密实性真实效果。

还有文献公开的就是基于核方法(kernelmethod,km)与自适应混沌细菌觅食算法(adaptivechaoticbacteriaforagingalgorithm,ac-bfa)的模糊逻辑构建,同时将被碾材料物理参数、料源特性参数、施工过程碾压参数作为模型的输入参数,其中被碾压材料的物理参数由振动信号分解后得到的基波与一次谐波的振幅表征，能在加噪数据与异常数据测试中显示出更强鲁棒性,可嵌入到碾压质量实时监控系统后能够实现压实质量的实时预测评价。这其中所指的碾材料物理参数与料源特性参数都为土石料的含水率、粒径大于5mm的大颗粒、碾压层厚度等。

已有的支持向量机模型、神经网络模型、模糊逻辑模型等方法所针对的是土石料，而碾压混凝土碾压料则不同于土石料。碾压混凝土的级配中粗骨料、细骨料(砂)、水泥等多相混合体，在受碾过程中，不同级配的骨料级配因子与骨料紧密密度具有较强相关性，与压实后密实度关联性强；碾压混凝土的含湿率由于水泥浆液的组分存在不同于普通土石的含水率，含湿率在振动碾压作用下对提高粗细料间相互错位和最佳充填直至改善压实效果均有重要影响；而由于碾压混凝土碾压料的原料复杂性，现场条件下很难以某几个特定参数对其压实度进行精确预测和评价。采用碾压热层完成时的表面应力波速检测压实度，由于现场检测条件制约和滤波去噪处理难度，也难以单一因素精准预测评价压实度指标。但从施工质量实时检验和准确评价需求出发，碾压热层压实度指标合格性评价一般不得低于98％，精度要求较高；而采用灌砂法、环刀法及核子密度仪等检测法由于人为操作误差大、测点少、工作量大，因而无法实现现场实时精细评价；选用支持向量机模型、神经网络模型等预测模型灵敏度相对较低、鲁棒性也较差，也存在难以适应问题，且尚无先例。目前为止，尚未见公开的针对碾压混凝土现场压实度预测评价模型方法描述。

ga-bp神经网络预测模型采用启发式的搜索方法，在全局解空间多区域内寻找最优解或近似最优解，避免bp神经网络初始权值和阈值随机产生而陷入局部最优解，导致网络训练失败的现象。由于克服了普通bp网络模型的全局解空间多区域陷入局部最优解缺陷，因而大大提高了多参数输入预测模型精准度和对参数获取差异性评价的鲁棒性，更能适应用于碾压混凝土现场压实度可靠评价。

技术实现要素：

本发明根据现有技术的不足公开了一种基于ga-bp网络的碾压混凝土压实度评价方法。本发明目的是为实现碾压混凝土压实质量现场实时准确评价，提供一种基于ga-bp网络，利用应力波、含湿率及碾压料级配等可获得参数的碾压混凝土压实度评价方法。

本发明通过以下技术方案实现：

基于ga-bp网络的碾压混凝土压实度评价方法，采用ga-bp神经网络构建压实度评价模型，预测评价碾压混凝土实时测点处的混凝土压实度，选取施工现场实时测点的碾压料含湿率、碾压层表面应力横波波速、碾压料级配因子和胶砂比为评价模型的输入指标参数。

本发明评价方法具体包括以下步骤：

步骤一，选取施工现场各测点碾压料含湿率、碾压层表面应力横波波速、碾压料级配因子和胶砂比为实时评价模型的输入指标参数；

步骤二，确定压实度实时评价模型的神经网络结构；

步骤三，利用遗传算法优化初始权值和阈值；

步骤四，将确定的初始权值和阈值带入bp神经网络进行精调建立最优神经网络模型；

步骤五，获取实测点碾压料含湿率、碾压层表面应力横波波速、碾压料级配因子和胶砂比并利用最优神经网络模型对评价点进行实时评价，得到压实度值。

所述步骤一是通过智能含湿率仪、波速实时测试仪在碾压现场在线采集数据，并查找对应采集测点混凝土碾压料级配因子和胶砂比，将获得的样本数据进行预处理，通过线性变化映射到区间；并选取500组样本数据作为模型训练数据用于测试训练后的网络模型性能。

所述步骤二确定压实度实时评价模型神经网络结构，模型采用一个输入层，二个隐含层和一个输出层的双隐含层神经网络；输入层的神经元个数为步骤一获取的压实度实时评价输入指标参数4，输出层的神经元个数为1即压实度；隐含层神经元个数通过隐含层节点数仿真的均方误差和绝对误差分析确定，分别确定为4和6。

所述步骤三利用遗传算法优化初始权值和阈值是：将选取的500组数据作为ga-bp网络的训练数据，将网络中所有权值和阈值直接采用实数编码的方式形成一组有序的染色体x，每个染色体编码长度为s，在连接权值与阈值范围内，随机生成n个种群，每个种群的进化次数为m；适应度函数采用网络误差平方和的倒数，以便于寻找所有进化代数中使网络误差平方和最小的权值和阈值；根据适应度函数，计算每个个体的适应度值，挑选适应度值大亲本，进行基因交叉和基因变异，产生新一代个体；计算新个体适应度值，进入循环直至求得最优个体，即确定初始权值和阈值。

所述步骤四将确定的初始权值和阈值带入bp神经网络进行精调建立最优神经网络模型是：将遗传算法优化的权值和阈值作为bp神经网络的初始权值和初始阈值，利用500组训练数据计算网络期望输出与实际输出值的均方误差，判断均方误差是否满足要求，如果满足，则停止训练，否则不断更新网络的权值和阈值，反复迭代计算，直到满足精度要求或达到设定的训练步数，训练模型结束建立最优神经网络模型。

本发明针对现场碾压混凝土压实度影响因素多和可获取参数稳定性差的特点，为获得准确精细化的实时碾压层压实度指标值，提出了一种基于碾压料含湿率、碾压层表面应力横波波速、碾压料级配以及胶砂比的多参数法ga-bp神经网络压实度精细预测模型。首先基于工程现场实测多参数法数据，考虑实际工程现场数据采样的波动性和噪音干扰复杂性，建立ga-bp网络以提高现场碾压施工条件下获取上述参数输入后压实度评价稳定性；其次，利用核子密度仪检测方法验证建立模型训练精度；最后对比普通bp神经网络模型与本专利提出的ga-bp神经网络模型比较精度可靠性，为现场碾压混凝土压实度实时精确预测提供可靠方法。

本发明提出一种基于可准确获取的混凝土碾压前碾压料含湿率、碾压完工时测点表面应力波波速及相应的混凝土碾压料级配特征等关键参数，采用ga-bp神经网络构建压实度预测模型，预测评价碾压实时各测点处的混凝土压实度指标，能为现场施工过程中可靠判定实时压实度准确性提供方法。

与现有技术相比，本发明的有益效果在于：

1、本发明选择碾压料含湿率、碾压热层应力波速、碾压料级配因子和胶砂比四个主要影响因素，作为现场混凝土压实度模型预测关键输入参数，能够在实际工程中可靠应用。由于影响碾压混凝土压实质量的因素众多，主要为料性参数、碾压机械参数、温度、天气等因素。但是在实际工程应用中，现场碾压机械参数、温度、天气等因素实时采集准确性难以控制和有效处理，但通过检测碾压后碾压层表面应力波直接反映混凝土内部的结构特征，且可间接反映出碾压机械参数、温度、天气等外部因素对碾压压实度的综合影响效果。另外，由于混凝土碾压层分层施工叠层施工间隔稍长，导致下层基体刚度对上层碾压热层的表面应力波波速干扰小特点显著，因此施工碾压热层实时检测的表面应力波波速变化对碾压层压实质量敏感性好，检测方便快捷，含湿率、级配和胶砂比作为料性参数表征碾压混凝土的可碾性，获取相对容易且方便。

2、本发明提出了ga-bp神经网络为双隐层模型，能有效拟合压实度与含湿率、波速、级配因子和胶砂比之间复杂非线性关系，避免了隐含层过少预测精度低及隐含层过多出现过拟合导致网络鲁棒性差现象，从而实现碾压混凝土压实度实时准确预测。

3、本发明提出遗传算法优化bp神经网络初始权值和阈值，采用启发式的搜索方法，在全局解空间多区域内寻找最优解或近似最优解，更加适合碾压混凝土现场参数的实时采样误差波动大输入预测模型特点，避免bp神经网络初始权值和阈值随机产生而陷入局部最优解，导致网络训练失败的现象。

附图说明

图1是碾压混凝土压实度实时评价ga-bp神经网络结构图；

图2是碾压混凝土压实度实时评价ga-bp神经网络预测算法流程图；

图3是基于bp与ga-bp神经网络的压实度模型预测图；

图4是碾压混凝土压实度模型预测分组精度对比图。

具体实施方式

下面结合具体实施方式对本发明进一步说明，具体实施方式是对本发明原理的进一步说明，不以任何方式限制本发明，与本发明相同或类似技术均没有超出本发明保护的范围。

结合附图。

本发明基于可准确获取的碾压热层压实后结构属性—--波速以及碾压前料性参数—--含湿率、级配因子和胶砂比，构建ga-bp双隐层神经网络模型，并通过工程现场实测数据对比bp神经网络模型实时预测结果差别，表明了ga-bp神经网络模型预测准确度高、稳定性好，而且对碾压混凝土压实度下限值敏感，更能准确有效预测现场碾压层混凝土压实度，从而实现碾压效果的精细化评价。

1、如图1所示，现场实时获取压实度实时评价指标参数，构建ga-bp神经网络结构，包括以下步骤：

步骤一：碾压碾压料含湿率实时检测。工程现场中碾压混凝土碾压料在运输、卸料、堆放和摊铺过程中，拌合物水分持续蒸发损失，进而导致碾压料含湿率降低。为此，现场碾压混凝土含湿率在仓面铺料后碾压前短时间内检测，且这段时间处于仓面喷湿小气候状态下。为提高测量效率和测量精度，碾压料的含湿率采用自主研发的含湿率测试仪直接测出。该测试仪利用电磁波在碾压混凝土中传播的频率来测试探针之间碾压混凝土相对介电常数，计算采用式(1)

式中：ε为碾压混凝土介电常数；ε1为空气的介电常数；x1为空气体积浓度；ε2为砂、石、水泥、掺合料介电常数，其体积浓度为x2；ε3为水的介电常数，其体积浓度为x3。

根据相对介电常数与水体积浓度的关系，通过智能计算模块获取相应的电压值，计算出碾压混凝土的含湿率并输出。碾压料vc值介于0～10s间的粒径大于10mm大骨料其表面含湿率变化对剩余碾压料影响很小，因此在现场试样测试前采用10mm人工筛去除大骨料，以免大骨料的存在降低测试结果的精准性，将筛网筛过的细石混凝土分三次加入内径11cm、高为10.5cm的容量筒捣实至表面泛浆；再将探针直接插入捣实的碾压料中进行测试，在仓面施工碾压前实时测试时，筛料过程中，由于采样用量少，每次累计筛料量应相差不多，且累计筛除时间大体相等；使用筛网取待测混凝土试筛，测试时网筛剔料过程拌合物水分变化较小，可忽略筛完测试料的含湿率整体差异性，从而较准确地反映出碾压前铺摊料短时间内的料湿性状态。

步骤二：在半无限非均匀弹性介质中，表面应力波具有高度频散性，特别是距自由表面半波长的范围内。因此基于瞬态瑞雷波法原理，采用横波波速仪测出不同碾压密实状态下碾压层表面应力横波的波速值。为防止因碾压层完工间隙水化过程差异所导致检测层强度、弹性模量等力学性能参数发生较明显改变，导致检测波速值发生较大的变化，进而影响压实度预测准确性，规定测试碾压层表面应力波波速，应在每个碾压条带振动碾压结束后尽快完成。测试时，首先通过固定高度自由落球冲击地面，由激发点形成脉冲从而产生一定频率带宽的混合频率表面波，波速仪两定点加速度传感器采集冲击后的时间域瞬态表面应力波信号a1和a2。通过傅里叶变化由时域转化为频域，经去噪过滤后，对频域为f的表面应力横波分量通过互谱分析法，计算两个采集触点首波的相位差由此得到碾压层表面应力横波在该压实状态的平均传播速度如式(2)：

式中：δx为两个钢制触点的距离，m。

步骤三：计算碾压料级配因子和胶砂比。通过二～四级配料不同配比碾压料的紧密密度试验，发现骨料级配因子与骨料紧密密度具有较强的非线性相关性，相关系数为0.89，因此相同的振动能量输入时，骨料级配因子越大，振实空隙率随之增大，也即该级配的碾压混凝土越不容易压实；级配因子越小，振实孔隙率越小，则该级配的碾压混凝土越容易压实。碾压混凝土碾压料在振动液化后，骨料颗粒在重力和振动应力波的作用下向下运动、排列构成一个稳定骨架，粗骨料的级配状况和紧密程度将直接决定该骨架的空隙率和可碾性。因此定义级配因子λ衡量粗集料级配情况：

式中：rs为骨料粒径为5～20mm的质量百分比；rm为骨料粒径在20～40mm的质量百分比；rl为骨料粒径在40～80mm的质量百分比；rz为骨料粒径在80～150mm的质量百分比。。

碾压混凝土的胶砂比代表配合比中胶凝材料含量。当胶砂比偏低时，振动液化产生的浆体变少，混凝土内部的空隙不能被浆液填充，导致无法振动压实，且碾压层表面无液化泛浆现象。当胶砂比偏大，拌合物骨料颗粒周围的浆体层增厚，游离浆体增多，现场施工可碾性降低。因此将胶砂θ比作为表征碾压混凝土材料特性的定性指标，如式(4)所示：

式中:m1为每立方米碾压混凝土胶凝材料的质量(水泥、粉煤灰或者矿粉)，kg。m2为每立方米碾压混土砂的质量，kg。

步骤四：鉴于碾压混凝土的压实度与现场实际碾压料的含湿率、碾压层表面应力波速值、级配和胶砂比呈现复杂的非线性关系，尤其碾压层压实度还受碾压机械、温度、天气等外部影响，因而简单网络结构不易准确预测压实度，且稳定性较差。但网络结构过于复杂则将增加权值训练时长且易出现过拟合现象。本文采用一层输入层、二层隐含层、一层输出层，即1-2-1网络结构，如图1所示。隐含层神经元的个数分别为4和6。

2、建立ga-bp双隐层神经网络实现碾压混凝土压实度实时预测，如图2所示。

步骤一：初始化种群。将网络中所有的权值和阈值直接采用实数编码的方式形成一组有序的染色体每个染色体的编码长度为s：

其中sⁱ表示第i层神经元个数，为前一层的第j个神经元对当前层的第i个神经元的权值。表示第m层的第i个神经元的阈值；其中m＝1,2,...,m，i＝1,2,...,s^m，j＝1,2,...,s^m-1。

步骤二：适应度函数采用网络误差平方和的倒数：

式中：为第i个染色体(个体)在输出层的第j个输出节点的输出值；tij为对应的目标值。

步骤三：种群进化。根据适应度函数将每个个体适应值由大到小进行排序，采用几何规划排序选择运算，得到上一代个体直接进入下一代的概率pe。然后从第l代种群中随机选择两个亲本和采用算术交叉方式进行基因交叉，产生新个体由下式确定：

式中：和为交叉后的个体；α为[0,1]之间的随机数。

然后，采用实数编码下的非均匀变异算法，在子代中随机选择变异点k，若变异xk处的基因范围为则变异产生的新基因x′k如下：

式中：β为[0,1]之间随机数。

重复迭代遗传算法，直到满足设定的遗传代数，停止计算，输出遗传算法优化的权值w(0)与阈值b(0)

步骤四：应用bp算法对遗传算法优化的权值w(0)和阈值b(0)进行精调。

(1)信息正向传递

当对网络训练时，当每次输入变量值变化时，其网络输出值都与目标值相比较，然后调整相应的权值与阈值，从而使均方差最小。根据lms算法，输出层误差可以近似表示为：

式中：t(k)为第k次迭代时的目标变量矩阵；a(k)为第k次迭代时输出变量矩阵。

(2)误差的反向传播

当正向传播的结果不能满足精度要求时，网络则从输出层反向传递误差，在训练误差的作用下，网络中各权值的修正方法为：

各阈值的修正方法为：

式中：为第m层的第i个神经元的敏感度；γ为势态因子，且0≤γ＜1；α为学习速率。

判断网络输出值均方误差，如果均方误差满足精度或达到最大迭代次数，训练结束，否则继续迭代循环直到满足计算中止条件。

3、如图3所示，分别采用ga-bp网络与bp神经网络对碾压热层测点处压实度进行预测，且采用ga-bp神经网络算法显著提高压实度预测准确度与精度。

4、如图4所示，随机选取50组测试数据，采用ga-bp模型计算压实度对比压实度实测值，其预测误差小于0.3％、0.6％和1％的样本比例分别为68％、83％及100％，而采用bp模型预测对应误差则分别为32％、58％及82％；ga-bp模型预测值均方误差为0.137，最大误差为0.98％，bp模型预测值均方误差为0.499，最大误差为1.67％。由此表明，ga-bp神经网络模型不仅显著提高碾压混凝土压实度预测精度，且预测值偏差波动范围小，更能准确有效预测现场碾压层混凝土压实性。

综上，本发明提出基于ga-bp网络的现场实时压实度预测模型误差小、性能稳定，可用于碾压混凝土热层压实度的实时精准评价，对施工具有指导作用和实际应用价值。