基于GRNN神經(jīng)網(wǎng)絡(luò)的瀝青路面裂縫預(yù)測(cè)方法

柯文豪，陳華鑫，雷 宇，張 濤

1) 長(zhǎng)安大學(xué)材料科學(xué)與工程學(xué)院，陜西西安 710064；2) 中交第一公路勘察設(shè)計(jì)研究院有限公司，陜西西安 710065

【土木建筑工程 / Architecture and Civil Engineering】

基于GRNN神經(jīng)網(wǎng)絡(luò)的瀝青路面裂縫預(yù)測(cè)方法

柯文豪1，陳華鑫1，雷 宇2，張 濤2

1) 長(zhǎng)安大學(xué)材料科學(xué)與工程學(xué)院，陜西西安 710064；2) 中交第一公路勘察設(shè)計(jì)研究院有限公司，陜西西安 710065

采用相關(guān)分析法對(duì)瀝青路面裂縫的不同影響因素進(jìn)行分析，采用廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network，GRNN))建立瀝青路面裂縫預(yù)測(cè)模型，選用50組高速公路路面實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，選用6組實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn). 結(jié)果表明，使用年限和累計(jì)軸載次數(shù)與裂縫高度正相關(guān)；瀝青層厚度、半剛性結(jié)構(gòu)層厚度和上面層瀝青用量與裂縫呈中度負(fù)相關(guān)；下面層瀝青用量與裂縫呈低度正相關(guān)；年最低氣溫與裂縫相關(guān)性極弱．預(yù)測(cè)值與實(shí)測(cè)值偏差較小，裂縫預(yù)測(cè)值與實(shí)測(cè)值最大偏差為12.71%，說(shuō)明模型預(yù)測(cè)效果較好．

道路工程；預(yù)測(cè)方法；裂縫；高速公路；瀝青路面；廣義回歸神經(jīng)網(wǎng)絡(luò)

隨著中國(guó)路網(wǎng)的逐步完善，公路修筑急速由建設(shè)期轉(zhuǎn)入運(yùn)營(yíng)養(yǎng)護(hù)期. 在養(yǎng)護(hù)期如何保障路面長(zhǎng)期性能優(yōu)良是目前面臨的一個(gè)主要問(wèn)題. 從歐美等發(fā)達(dá)國(guó)家歷史經(jīng)驗(yàn)看，對(duì)路面進(jìn)行合理的養(yǎng)護(hù)規(guī)劃是解決該問(wèn)題的一個(gè)有效手段. 然而無(wú)論采用何種養(yǎng)護(hù)規(guī)劃方法，首先需要解決的是路面路用性能預(yù)測(cè)問(wèn)題. 其中，裂縫作為瀝青路面最主要的病害類(lèi)型，對(duì)其進(jìn)行科學(xué)預(yù)測(cè)尤為重要. 國(guó)外對(duì)瀝青路面裂縫預(yù)測(cè)的研究較早，其中影響較大的為美國(guó)國(guó)有公路運(yùn)輸管理員協(xié)會(huì)(American association of state highway and transportation officials， AASHTO)路面性能預(yù)測(cè)模型，其針對(duì)瀝青路面自上而下(top-down)裂縫、 自下而上(bottom-up)裂縫和溫度裂縫均建立了對(duì)應(yīng)的預(yù)測(cè)模型[1-7]. 然而以上模型均為通過(guò)室內(nèi)試驗(yàn)并結(jié)合美國(guó)當(dāng)?shù)芈访媲闆r得到，由于路面結(jié)構(gòu)類(lèi)型、施工水平和環(huán)境交通特征與中國(guó)實(shí)際情況都存在較大差異，無(wú)法直接采用. 國(guó)內(nèi)學(xué)者對(duì)路面性能預(yù)測(cè)也開(kāi)展了相關(guān)研究，武建民等[8]建立了基于時(shí)間序列分析法的自回歸積分滑動(dòng)平均模型(autoregressive integrated moving average model，ARIMA)對(duì)路面行駛使用性能指數(shù)(riding quality index，RQI)進(jìn)行預(yù)測(cè)[8]；周鵬飛等[9-24]分別采用馬爾可夫鏈與神經(jīng)網(wǎng)絡(luò)組合模型、信息擴(kuò)散理論、灰色系統(tǒng)理論等對(duì)路面性能指數(shù)進(jìn)行預(yù)測(cè).以上預(yù)測(cè)模型主要為綜合性的指數(shù)模型，并未針對(duì)裂縫預(yù)測(cè)開(kāi)展相關(guān)性研究. 曾勝等[25]通過(guò)對(duì)瀝青瑪蹄脂碎石路面逐年裂縫的觀測(cè)，采用灰色關(guān)聯(lián)法建立使用年限與路面裂縫率的模型對(duì)路面裂縫進(jìn)行預(yù)測(cè)，由于觀測(cè)樣本單一且影響因素較少，使其適用性受限.

本研究考慮環(huán)境、交通、路面結(jié)構(gòu)和路面材料等因素，根據(jù)多條高速公路瀝青路面歷年裂縫實(shí)測(cè)數(shù)據(jù)，采用相關(guān)分析法對(duì)裂縫的不同影響因素進(jìn)行分析，確定影響程度，進(jìn)而采用廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network，GRNN)預(yù)測(cè)方法建立裂縫的預(yù)測(cè)模型.

1 瀝青路面裂縫影響因素分析

1.1 影響因素選擇及數(shù)據(jù)獲取方法

影響瀝青路面裂縫的因素有環(huán)境、交通、路面結(jié)構(gòu)、路面材料和施工水平等.本研究選取路面使用年限、累計(jì)標(biāo)準(zhǔn)軸載作用次數(shù)、年最低氣溫、瀝青層厚度、半剛性結(jié)構(gòu)層厚度、上面層瀝青用量和下面層瀝青用量等作為瀝青路面裂縫影響因素，并采用相關(guān)性分析方法，分析以上因素對(duì)裂縫的影響程度.

本研究選取深圳市機(jī)荷高速、南光高速、鹽排高速、鹽壩高速；陜西省靖王高速、西長(zhǎng)高速、西安繞城高速、延靖高速、榆綏高速等高速公路路面設(shè)計(jì)數(shù)據(jù)及部分年限的檢測(cè)數(shù)據(jù)進(jìn)行分析. 其中，各路段使用年限、累計(jì)標(biāo)準(zhǔn)軸載作用次數(shù)、瀝青層厚、半剛性結(jié)構(gòu)層厚度、上面層瀝青用量和下面層瀝青用量等數(shù)據(jù)從設(shè)計(jì)文件中得到；年最低氣溫通過(guò)搜集項(xiàng)目所在地區(qū)氣候數(shù)據(jù)得到；裂縫從歷年路面檢測(cè)資料及養(yǎng)護(hù)維修資料中獲得.

1.2 影響因素及裂縫數(shù)據(jù)

各路段路面結(jié)構(gòu)如表1，可見(jiàn)各路段路面結(jié)構(gòu)均為半剛性基層路面， 瀝青層厚度為15～22 cm， 半剛性結(jié)構(gòu)層厚度為40～62 cm，與國(guó)內(nèi)目前常用的路面結(jié)構(gòu)形式一致.各影響因素及裂縫數(shù)據(jù)如表2.

表1 各路段路面結(jié)構(gòu)

表2 各影響因素及裂縫數(shù)據(jù)

(續(xù)表2)

1.3 結(jié)果及分析

采用相關(guān)分析法分析各影響因素對(duì)瀝青路面裂縫的影響程度，分析結(jié)果如表3，從表3可見(jiàn)，使用年限、累計(jì)軸載作用次數(shù)、年最低氣溫、下面層瀝青用量與裂縫呈正相關(guān)；瀝青層厚度、半剛性結(jié)構(gòu)層厚度、上面層瀝青用量與裂縫呈負(fù)相關(guān). 其中使用年限、累計(jì)軸載作用次數(shù)與裂縫高度相關(guān)；瀝青層厚度、半剛性結(jié)構(gòu)層厚度、上面層瀝青用量與裂縫呈中度相關(guān)；下面層瀝青用量與裂縫呈低度相關(guān)；年最低氣溫與裂縫則相關(guān)性極弱.

隨著使用年限及累計(jì)軸載作用次數(shù)的增加，路面疲勞裂縫逐步擴(kuò)展，裂縫增多；瀝青層厚度的增大有利于減少及降低半剛性結(jié)構(gòu)層反射裂縫的擴(kuò)展速率，從而減少路面裂縫；半剛性基層厚度的增大有利于提高基層整體強(qiáng)度，減少基層裂縫的產(chǎn)生，從而減少反射至路表的裂縫；上面層采用瀝青用量較大的瀝青瑪蹄脂碎石等瀝青混合料，其抗裂性能較好，有利于減少路面裂縫；下面層采用瀝青碎石等瀝青用量較少的瀝青碎石類(lèi)材料，在一定程度上有利于減少及延緩反射裂縫；路面裂縫對(duì)年最低氣溫的變化不敏感，其主要原因?yàn)榈蜏貙?duì)溫度裂縫的影響較大，而在全國(guó)大多數(shù)區(qū)域內(nèi)溫度裂縫并非半剛性基層瀝青路面主要裂縫形式，因此，其對(duì)瀝青路面裂縫的影響有限. 相關(guān)性分析結(jié)論與工程實(shí)際情況較為吻合，說(shuō)明采用相關(guān)分析法分析各因素對(duì)瀝青路面裂縫的影響程度是可行的.

表3 各影響因素與裂縫之間的相關(guān)系數(shù)

2 裂縫預(yù)測(cè)

2.1 GRNN預(yù)測(cè)方法

為預(yù)測(cè)瀝青路面裂縫，采用GRNN方法建立裂縫的預(yù)測(cè)模型. GRNN具有很強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯(cuò)性和魯棒性，適用于解決非線性問(wèn)題. GRNN在逼近能力和學(xué)習(xí)速度上較徑向基函數(shù)(radial basis function，RBF)網(wǎng)絡(luò)有更強(qiáng)的優(yōu)勢(shì)，網(wǎng)絡(luò)最后收斂于樣本量積聚較多的優(yōu)化回歸面，并且在樣本數(shù)據(jù)較少時(shí)，預(yù)測(cè)效果也較好.

2.2 GRNN預(yù)測(cè)模型建立

模型建立首先需選取訓(xùn)練樣本及測(cè)試樣本. 將表2中56組樣本分為訓(xùn)練樣本及測(cè)試樣本，訓(xùn)練樣本選取第1～50組數(shù)據(jù)；測(cè)試樣本選取第51～56組數(shù)據(jù). 由于年最低氣溫與裂縫率的相關(guān)性極弱，故將該因素剔除后，選取使用年限、累計(jì)軸載作用次數(shù)、下面層瀝青用量、瀝青層厚度、半剛性結(jié)構(gòu)層厚度和上面層瀝青用量作為影響因素，采用GRNN神經(jīng)網(wǎng)絡(luò)建立模型，對(duì)第1～50組數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練均方誤差為0.000 333 9，訓(xùn)練完成后，對(duì)第51～56組數(shù)據(jù)的裂縫率進(jìn)行預(yù)測(cè).

2.3 GRNN預(yù)測(cè)結(jié)果

將預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行對(duì)比，如圖1和表4所示. 可以看出，裂縫預(yù)測(cè)值與實(shí)測(cè)值最大偏差為12.71%，均方根誤差與實(shí)測(cè)平均值比值為11.97%，平均絕對(duì)誤差與實(shí)測(cè)平均值比值為10.75%，預(yù)測(cè)值與實(shí)測(cè)值誤差較小，擬合度較高. 說(shuō)明采用GRNN神經(jīng)網(wǎng)絡(luò)模型對(duì)裂縫進(jìn)行預(yù)測(cè)，其效果較好.

圖1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值對(duì)比Fig.1 Comparing prediction values of neural network with measured values

誤 差裂縫/(m·km-1)均方根誤差27．047標(biāo)準(zhǔn)均方根誤差0．056平均絕對(duì)誤差24．274標(biāo)準(zhǔn)平均絕對(duì)誤差0．050

3 結(jié) 論

綜上研究認(rèn)為：

1)采用相關(guān)分析法對(duì)裂縫的不同影響因素進(jìn)行分析，結(jié)果表明，使用年限、累計(jì)軸載作用次數(shù)與裂縫高度正相關(guān)；瀝青層厚度、半剛性結(jié)構(gòu)層厚度、上面層瀝青用量與裂縫中度負(fù)相關(guān)；下面層瀝青用量與裂縫低度正相關(guān)；年最低氣溫與裂縫相關(guān)性極弱；

2)采用GRNN神經(jīng)網(wǎng)絡(luò)建立用于瀝青路面裂縫預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型，可考慮交通量、溫度、路面結(jié)構(gòu)、路面材料等影響因素，且預(yù)測(cè)值與實(shí)測(cè)值偏差小，最大偏差為12.71%；

3)基于GRNN神經(jīng)網(wǎng)絡(luò)逼近能力強(qiáng)、學(xué)習(xí)速度快的特性，在后續(xù)研究中隨著樣本采集數(shù)的不斷增大，瀝青路面裂縫預(yù)測(cè)的精度也將不斷提升.

/ References：

[1] Hofko B. Addressing the permanent deformation behavior of hot mix asphalt by triaxial cyclic compression testing with cyclic confining pressure[J]. Journal of Traffic and Transportation Engineering English Edition，2015，2(1):17-29.

[2] Durango P L. Adaptive optimization models for infrastructure management[D]. Berkeley, USA: University of California Berkeley，2002.

[3] Mensching D J，McCarthy L M，Mehta Y，et al. Modeling flexible pavement overlay performance for use with quality related specifications[J]. Construction and Building Materials，2013，48(6): 1072-1080.

[4] Mandapaka V. Mechanistic-empirical and life-cycle cost analysis for optimizing flexible pavement maintenance and rehabilitation[J]. Journal of Transportation Engineering，2012，138(5): 625-633.

[5] Yared H D，Ibrahim O，Denis J，et al. Mechanics-based top-down fatigue cracking initiation prediction framework for asphalt pavements[J]. Road Materials and Pavement Design，2015，16(4): 907-927.

[6] Shahab F，Ali K. Reinforcing overlay to reduce reflection cracking: an experimental investigation[J]. Geotextiles and Geomembranes，2015，43(3):216-227.

[7] Gedafa D S，Hossain M，Romanoschi S A. Perpetual pavement temperature prediction model[J]. Road Materials & Pavement Design, 2014，15(1):55-65.

[8] 武建民，劉大彬，李福聰，等. 基于時(shí)間序列分析法的瀝青路面使用性能預(yù)測(cè)[J]. 長(zhǎng)安大學(xué)學(xué)報(bào)自然科學(xué)版，2015，35(3):1-7. Wu Jianmin，Liu Dabin，Li Fucong，et al. Performance prediction of asphalt pavement maintenance based on time series analysis[J]. Journal of Chang’an University Natural Science Edition，2015，35(3): 1-7.(in Chinese)

[9] 周鵬飛，溫勝?gòu)?qiáng)，康海貴. 基于馬爾可夫鏈與神經(jīng)網(wǎng)絡(luò)組合的路面使用性能預(yù)測(cè)[J]. 重慶交通大學(xué)學(xué)報(bào)自然科學(xué)版，2012，31(5):997-1001. Zhou Pengfei，Wen Shengqiang，Kang Haigui. Pavement performance combining forecasting based on BP neural network and markov model[J]. Journal of Chongqing Jiaotong University Natural Science Edition，2012，31(5): 997-1001.(in Chinese)

[10] 馬士賓，王麗潔，王清洲，等. 基于信息擴(kuò)散理論的瀝青路面使用性能預(yù)測(cè)[J]. 河北工業(yè)大學(xué)學(xué)報(bào)自然科學(xué)版，2012，41(1):103-108. Ma Shibin，Wang Lijie，Wang Qingzhou，et al. Asphalt pavement performance prediction based on the information diffusion theory[J]. Journal of Hebei University of Technology Natural Science Edition，2012，41(1):103-108.(in Chinese)

[11] 孔祥杰. 瀝青路面性能衰變預(yù)測(cè)及養(yǎng)護(hù)維修決策方法研究[D]. 北京:北京工業(yè)大學(xué)，2015. Kong Xiangjie. Study on prediction method of performance decay and maintenance decision method of asphalt pavement[D]. Beijing: Beijing University of Technology，2015.(in Chinese)

[12] 謝 峰. 基于BP神經(jīng)網(wǎng)絡(luò)的高速公路路面性能預(yù)測(cè)[J]. 公路交通科技應(yīng)用技術(shù)版，2015，129(9): 73-75. Xie Feng. Prediction of expressway pavement performance based on BP neural network[J]. Journal of Highway and Transportation Research and Development Application Technology Edition，2015，129(9): 73-75.(in Chinese)

[13] 韋金城，余四新. 青臨高速試驗(yàn)路瀝青路面結(jié)構(gòu)應(yīng)變分析和永久變形預(yù)估[J]. 公路交通科技，2015，32(8): 1-5. Wei Jincheng，Yu Sixin. Analysis of strain and prediction of permanent deformation for asphalt pavement of Qingzhou-Linshu expressway test road[J]. Journal of Highway and Transportation Research and Development，2015，32(8): 1-5.(in Chinese)

[14] 肖金平，韋 慧，趙 健，等. 湖南省高速公路路面使用性能衰變模型[J]. 中南大學(xué)學(xué)報(bào)自然科學(xué)版，2015，46(7):2686-2692. Xiao Jinping，Wei Hui，Zhao Jian，et al. Decay model of Hunan expressway pavement performance[J]. Journal of Central South University Science and Technology，2015，46(7):2686-2692.(in Chinese)

[15] 白志軍. 路面預(yù)防性養(yǎng)護(hù)中超薄磨耗層的性能評(píng)估與壽命預(yù)測(cè)[J]. 公路與汽運(yùn)，2015，169(4): 163-166. Bai Zhijun. Performance evaluation and life prediction of ultra-thin wear layer in pavement preventive maintenance[J]. Highways & Automotive Applications，2015，169(4): 163-166.(in Chinese)

[16] 魏建國(guó)，龔文劍，南秋彩，等. G6高速公路巴新麻段瀝青路面使用性能預(yù)測(cè)研究[J]. 公路與汽運(yùn)，2015，168(3): 92-95. Wei Jianguo，Gong Wenjian，Nan Qiucai，et al. Study on performance prediction of asphalt pavement of Paxing Ma section of G6 expressway[J]. Highways & Automotive Applications，2015，168(3): 92-95.(in Chinese)

[17] 程培峰，鄭 婉. 基于改進(jìn)殘差灰色模型預(yù)測(cè)路面使用性能的研究[J]. 中外公路，2014，34(3): 60-63. Chen Peifeng，Zheng Wan. Research on pavement performance prediction based on improved residual gray model[J]. Journal of China & Foreign Highway，2014，34(3): 60-63.(in Chinese)

[18] 陳 濤，郭衛(wèi)衛(wèi)，孟令智，等. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的路面摩擦系數(shù)預(yù)測(cè)模型[J]. 公路，2014，59(6): 1-6. Chen Tao，Guo Weiwei，Meng Lingzhi，et al. Prediction model of pavement friction coefficient based on generalized regression neural network[J]. Highway，2014，59(6): 1-6.(in Chinese)

[19] 劉亞敏，韓 森，徐鷗明. 基于遺傳算法的SMA路面抗滑性能預(yù)測(cè)模型[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2013，21(5): 890-898. Liu Yamin，Han Sen，Xu Ouiming. Prediction Model for Skid-resistance of Stone Mastic Asphalt Pavement Based on Genetic Algorithm[J]. Journal of Basic Science and Engineering，2013，21(5): 890-898.(in Chinese)

[20] 柯文豪，雷 宇，陳團(tuán)結(jié). 基于路用性能的瀝青路面全壽命周期設(shè)計(jì)方法[J]. 長(zhǎng)安大學(xué)學(xué)報(bào)自然科學(xué)版，2013，33(3): 7-13. Ke Wenhao，Lei Yu，Chen Tuanjie. Performance based life-cycle design method for asphalt pavement[J]. Journal of Chang’an University Natural Science Edition，2013，33(3): 7-13.(in Chinese)

[21] 王 斌，黃 衛(wèi)，楊 軍，等. 連續(xù)配筋混凝土路面路用性能預(yù)測(cè)與評(píng)價(jià)方法[J]. 中國(guó)公路學(xué)報(bào)，2012，25(5): 24-30. Wang Bin，Huang Wei，Yang Jun，et al. Prediction and evaluation methods for pavement performance of continuous reinforced concrete pavement[J]. China Journal of Highway and Transport，2012，25(5): 24-30.(in Chinese)

[22] 孫志林，黃曉明. 瀝青路面線性疲勞損傷特性及形變規(guī)律[J]. 東南大學(xué)學(xué)報(bào)自然科學(xué)版，2012，42(3): 521-525. Sun Zhilin，Huang Xiaoming. Linear fatigue damage characteristics and deformation law of asphalt pavement[J]. Journal of Southeast University Natural Science Edition，2012，42(3): 521-525.(in Chinese)

[23] Sun Lu，Ge Minli，Gu Wenjun，et al. Characterizing uncertainty in pavement performance prediction[J]. Journal of Southeast University English Edition，2012，28(1): 85-93.

[24] 馬士賓，王麗潔，王清洲，等. 基于信息擴(kuò)散理論的瀝青路面使用性能預(yù)測(cè)[J]. 河北工業(yè)大學(xué)學(xué)報(bào)，2012，41(1): 103-108. Ma Shibin，Wang Lijie，Wang Qingzhou，et al. Asphalt pavement performance prediction based on the information diffusion theory[J]. Journal of Hebei University of Technology， 2012，41(1): 103-108.(in Chinese)

[25] 曾 勝，黃雄立. SMA路面長(zhǎng)期性能的調(diào)查分析及預(yù)測(cè)[J]. 長(zhǎng)沙理工大學(xué)學(xué)報(bào)自然科學(xué)版，2010，7(1):12-17. Zeng Sheng，Huang Xiongli. Investigation and prediction research on long-term performance of SMA pavement[J]. Journal of Changsha University of Science and Technology Natural Science，2010，7(1):12-17.(in Chinese)

【中文責(zé)編：坪 梓；英文責(zé)編：之 聿】

2017-02-11；Accepted：2017-05-23

Professor Chen Huaxin. E-mail: chx92070@163.com

Prediction method for asphalt pavement crack based on GRNN neural network

Ke Wenhao1, Chen Huaxin1, Lei Yu2, and Zhang Tao2

1) School of Materials Science and Engineering, Chang’an University, Xi’an 710064, Shaanxi Province, P.R.China 2) China Communications Construction Company First Highway Consultants Company Limited, Xi’an 710065, Shaanxi Province, P.R.China

The relationship between crack and influencing factors is analyzed by using correlation analysis method. The prediction model for crack of asphalt pavement is established by using of general regression neural network (GRNN). In order to establish the model, 50 sets of measured data of expressway pavement are selected for determining model parameters, and 6 sets of measured data are selected for model validation. The service life and the cumulative number of standard axle loads are highly positive correlated with crack. The asphalt concrete layer thickness, the semi-rigid structural layer thickness and the surface layer asphalt content are moderately negative correlated with crack. The bottom layer asphalt content is low positively correlated with crack. The correlation between annual minimum temperature and crack is weak. The deviation of predicted values and measured ones is small. The maximum deviation is 12.71%, which shows that the model is feasible.

road engineering; prediction method; crack; expressway; asphalt concrete pavement; general regression neural network

：Ke Wenhao, Chen Huaxin, Lei Yu, et al. Prediction method for asphalt pavement crack based on GRNN neural network[J]. Journal of Shenzhen University Science and Engineering, 2017, 34(4): 378-384.(in Chinese)

U 416.2

A

10.3724/SP.J.1249.2017.04378

廣東省交通運(yùn)輸廳科技計(jì)劃資助項(xiàng)目(科技- 2014-02-008)

柯文豪(1986—)，男，長(zhǎng)安大學(xué)博士研究生. 研究方向：基于路用性能的路面設(shè)計(jì)方法. E-mail: kwh860225@126.com

Foundation：Science and Technology Planning Project of Transportation Department of Guangdong Province(Science-2014-02-008)

引 文：柯文豪 ，陳華鑫，雷 宇，等. 基于GRNN神經(jīng)網(wǎng)絡(luò)的瀝青路面裂縫預(yù)測(cè)[J]. 深圳大學(xué)學(xué)報(bào)理工版，2017，34(4)：378-384.