基于GA-BP神經(jīng)網(wǎng)絡(luò)的碾壓混凝土壓實度實時評價方法

田正宏,蘇偉豪,鄭 祥,焦新宸

(1.河海大學(xué)水利水電學(xué)院,江蘇 南京 210098; 2.中國水利水電第七工程局有限公司第一分局,四川 彭山 620860)

碾壓混凝土的施工質(zhì)量對大壩結(jié)構(gòu)安全至關(guān)重要。碾壓施工時,每層壓實密度是質(zhì)量控制的核心指標(biāo)[1]。因此,實時準(zhǔn)確檢測與評價倉面碾壓壓實密度是控制壓實質(zhì)量以及檢測現(xiàn)場工藝是否合格的必要環(huán)節(jié)。目前,施工現(xiàn)場采用核子密度儀隨機取點檢測碾壓層壓實度[2]。這種方法效率較低,且單點人工測值結(jié)果表征性存在一定偏差,影響碾壓層壓實質(zhì)量評價的客觀性與準(zhǔn)確性。此外,現(xiàn)有一些數(shù)字化碾壓效果在線饋控方法基于先期試驗倉的碾壓遍數(shù)、設(shè)備參數(shù)、碾壓速度、激振力等工藝參數(shù)構(gòu)建實時評價模型[3-5]，但現(xiàn)場獲取的相關(guān)工藝參數(shù)可靠性仍存在明顯不足,如碾壓設(shè)備的激振力[6]或加速度由于設(shè)備差異等復(fù)雜干擾而難以有效去噪,因而這類參數(shù)評價模型依舊不能很好地反映實時碾壓密實性真實效果。鑒于此,本文基于可準(zhǔn)確獲取的倉面隨機測點范圍內(nèi)碾前拌合料含濕率、碾壓后表面應(yīng)力波波速及相應(yīng)碾壓混凝土材料級配特征參數(shù)等,采用基于改進遺傳算法的GA-BP神經(jīng)網(wǎng)絡(luò)(genetic algorithm-backpapagation artificial neutral network)構(gòu)建壓實度預(yù)測模型,實時預(yù)測倉面各檢測點處的碾壓混凝土壓實度指標(biāo)。

1 實時碾壓壓實度預(yù)測參數(shù)選擇與獲取

1.1 實時碾壓壓實度預(yù)測參數(shù)選擇

為實現(xiàn)現(xiàn)場碾壓施工質(zhì)量的快速預(yù)測,選擇合適可靠的實時檢測模型參數(shù)至關(guān)重要。大量室內(nèi)和現(xiàn)場試驗及已有文獻成果表明[7],影響碾壓混凝土壓實質(zhì)量的主要因素為料性參數(shù)、碾壓機械參數(shù)、溫度、天氣等。但是,在實際工程應(yīng)用中,現(xiàn)場碾壓機械參數(shù)、溫度、天氣等干擾因素復(fù)雜多變[8],實時采集數(shù)據(jù)的準(zhǔn)確性難以控制和有效處理。因此,通過檢測碾壓后混凝土表面應(yīng)力波以直接反映其內(nèi)部結(jié)構(gòu)特征,間接反映出了碾壓機械參數(shù)、溫度、天氣等外部因素對碾壓壓實度的綜合影響。另外,同一密實條件下碾壓混凝土表面應(yīng)力波波速穩(wěn)定且波動范圍小,而不同密實條件下表面應(yīng)力波波速變化明顯。相同碾壓工況條件下,含濕率、級配和膠砂比作為料性參數(shù)表征碾壓混凝土的可碾性,直接影響其壓實度。因此,本文基于碾壓工藝前后的料性特征的可靠獲取性及處理方便的優(yōu)點,選擇含濕率、波速、級配因子和膠砂比4個影響因素,構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,結(jié)合進一步的現(xiàn)場實時信息化施工[9]饋控系統(tǒng),實現(xiàn)碾壓混凝土壓實質(zhì)量實時、全倉面、精準(zhǔn)化評價;對于現(xiàn)場欠碾壓區(qū)域,通過增加碾壓遍數(shù)等工藝調(diào)整,實現(xiàn)碾壓質(zhì)量的精細化控制。

1.1.1拌合料含濕率

新拌的超干硬性混凝土在振動碾壓作用下,如果拌合料含濕率偏低,自由漿體不能充分填充拌合料孔隙,碾壓層難以壓實泛漿;反之,如果含濕率偏高,振動液化產(chǎn)生多余自由水,碾壓能量部分消耗于超靜孔隙水壓力[10],內(nèi)部顆粒受到的有效應(yīng)力減少,也無法達到最佳壓實度,因此存在一個合理含濕率以保證最佳壓實度效果。鑒于此,將拌合料含濕率作為預(yù)測壓實度指標(biāo)的關(guān)鍵因素之一。

現(xiàn)有施工規(guī)范通常采用VC值法(維勃稠度法)表示拌合料的可碾性。但是現(xiàn)場施工過程,由于采用VC值法工作量大、時間長、步驟多以及人為因素影響較大等原因,事實上無法做到快速準(zhǔn)確和連續(xù)多測點檢測。已有試驗研究表明,碾壓混凝土的VC值與含濕率之間存在較密切線性相關(guān)性[11]。因此,采用拌合料含濕率替代VC值表征拌合料可碾性是可行的方法。

1.1.2碾壓熱層應(yīng)力波波速

在半無限不均勻彈性介質(zhì)中,橫波與反射的縱波在自由表面處相互疊加和干涉,從而產(chǎn)生表面應(yīng)力波。表面應(yīng)力波在沿介質(zhì)表面?zhèn)鞑r,其能量主要集中在距表面大約一個波長的深度范圍內(nèi)。因此當(dāng)碾壓混凝土的密實度發(fā)生變化時,表面應(yīng)力波在其內(nèi)部的傳播波速會隨之發(fā)生變化;相同密實條件下碾壓熱層應(yīng)力波波速穩(wěn)定且波動范圍小,即表面應(yīng)力波對碾壓施工層混凝土壓實質(zhì)量敏感性良好。鑒于此,本文將現(xiàn)場測試某一碾壓工藝完成后的熱層表面應(yīng)力波波速作為另一個重要參數(shù)評價該層壓實狀態(tài)是較直接有效的方法。

1.1.3拌合料級配及膠砂比

碾壓混凝土自身料性對壓實狀態(tài)有重要的影響,其中最主要的因素是粗骨料級配與膠砂比。碾壓混凝土拌合料在振動液化后,骨料顆粒在重力和振動應(yīng)力波的作用下向下運動、排列構(gòu)成一個穩(wěn)定骨架,粗骨料的級配狀況和緊密程度將直接決定該骨架的空隙率和可碾性。這里定義級配因子λ衡量粗骨料級配情況:

(1)

式中:rs為骨料粒徑為5～20 mm的質(zhì)量分?jǐn)?shù);rm為骨料粒徑在20～40 mm的質(zhì)量分?jǐn)?shù);rl為骨料粒徑在40～80 mm的質(zhì)量分?jǐn)?shù);rz為骨料粒徑在80～150 mm的質(zhì)量分?jǐn)?shù)。通過二、三級配以及全級配料不同配比的緊密密度試驗,發(fā)現(xiàn)骨料級配因子與骨料緊密密度具有較強的非線性相關(guān)性(圖1)。

圖1 骨料級配因子與骨料緊密度的關(guān)系

從圖1中可以看出,相同的振動能量輸入時,骨料級配因子越大,振實空隙率隨之增大,也即該級配的碾壓混凝土越不容易壓實;級配因子越小,振實空隙率越小,則該級配的碾壓混凝土越容易壓實。所以合理的級配有利于提高碾壓壓實度。

碾壓混凝土的膠砂比代表配合比中膠凝材料含量。當(dāng)膠砂比偏低時,振動液化產(chǎn)生的漿體變少,混凝土內(nèi)部的空隙不能被漿液填充,導(dǎo)致無法振動壓實,且碾壓層表面無液化泛漿現(xiàn)象。當(dāng)膠砂比偏大時,拌合物骨料顆粒周圍的漿體層增厚,游離漿體增多,現(xiàn)場施工可碾性降低。因此將膠砂比作為表征碾壓混凝土材料特性的定性指標(biāo),能夠準(zhǔn)確控制碾壓混凝土的壓實狀態(tài)。

1.2 實時碾壓壓實度預(yù)測參數(shù)獲取

1.2.1拌合料含濕率測定

現(xiàn)場碾壓混凝土拌合料在運輸、卸料、堆放和攤鋪過程中,拌合物水分持續(xù)蒸發(fā)損失,進而導(dǎo)致拌合料含濕率降低。為此,要在倉面鋪料后碾壓前的短時間內(nèi)檢測現(xiàn)場碾壓混凝土的含濕率。這段時間處于倉面噴濕小氣候狀態(tài)下,為提高測量效率和測量精度,拌合料的含濕率采用自主研發(fā)的含濕率測試儀直接測出。該測試儀根據(jù)電磁波在碾壓混凝土中傳播的頻率來測試探針之間碾壓混凝土相對介電常數(shù)[12],其計算公式為

(2)

式中:ε為碾壓混凝土介電常數(shù);ε1、x1分別為空氣的介電常數(shù)和體積分?jǐn)?shù);ε2、x2分別為砂、石、水泥、摻合料的介電常數(shù)和體積分?jǐn)?shù);ε3、x3分別為水的介電常數(shù)和體積分?jǐn)?shù)。

含濕率測試儀根據(jù)相對介電常數(shù)與水的體積分?jǐn)?shù)的關(guān)系,通過智能計算模塊獲取相應(yīng)的電壓值,計算出碾壓混凝土的含濕率并輸出。已有試驗研究[11]表明,在VC值介于0～10 s時,粒徑大于10 mm大骨料的表面含濕率變化對剩余拌合料影響很小,因此在現(xiàn)場試樣測試前篩除粒徑大于10 mm人工大骨料,以免大骨料的存在降低測試結(jié)果的精準(zhǔn)度。將篩網(wǎng)篩過的細石混凝土分3次加入內(nèi)徑為11.0 cm、高為10.5 cm的筒狀容器并搗實至表面泛漿;再將探針直接插入搗實的拌合料中進行測試(圖2)。此外,在倉面施工碾壓前實時測試時,每次累計篩料量應(yīng)相差不多,且累計篩除時間大體相等;使用篩網(wǎng)取待測混凝土試篩,從而較準(zhǔn)確地反映出碾壓前鋪攤料短時間內(nèi)的料濕性狀態(tài)。

圖2 含濕率測試現(xiàn)場

1.2.2碾壓層表面應(yīng)力波波速獲取

在半無限非均勻彈性介質(zhì)中,表面應(yīng)力波具有高度頻散性,特別是距自由表面半波長的范圍內(nèi)。基于瞬態(tài)瑞雷波法[13]原理,采用專門研制的波速儀測出不同碾壓密實狀態(tài)下碾壓層表面應(yīng)力波波速(圖3)。為防止因碾壓層完工后間隙水化過程導(dǎo)致檢測層強度、彈性模量等力學(xué)性能參數(shù)發(fā)生較明顯改變,使檢測波速發(fā)生較大的變化,進而影響壓實度預(yù)測準(zhǔn)確性,規(guī)定在每個碾壓條帶振動碾壓結(jié)束后盡快完成波速測試。測試時,首先通過固定高度的小球自由下落沖擊地面,在落地點激發(fā)具有一定頻率帶寬的混合頻率表面波,波速儀2定點加速度傳感器采集沖擊后的瞬態(tài)表面應(yīng)力波信號,通過傅里葉變化由時域轉(zhuǎn)化為頻域,經(jīng)去噪過濾后,對頻率為f的表面應(yīng)力波分量通過互譜分析法,計算兩個采集觸點首波的相位差Δφ,由此得到碾壓層表面應(yīng)力波在該壓實狀態(tài)的平均傳播速度:

(3)

式中:Δx為兩個鋼制觸點的距離。為了保證應(yīng)力波計算精度,Δx應(yīng)滿足:

(4)

圖3 波速測試現(xiàn)場

2 GA-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

遺傳算法是一種具有全局搜索能力的概率性的自適應(yīng)迭代算法,不受空間信息的限制。BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值隨機產(chǎn)生,極易陷入局部極值。因此采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化,在全局解空間多個區(qū)域內(nèi),尋找最優(yōu)解或近似最優(yōu)解。

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

首先建立共M層、第m層神經(jīng)元數(shù)為Sm的BP神經(jīng)網(wǎng)絡(luò),隨機產(chǎn)生一組權(quán)值wm,i,j與閾值bm，i,其中wm,i,j為第m層前一層的第j個神經(jīng)元對當(dāng)前層的第i個神經(jīng)元的權(quán)值;bm，i為第m層的第i個神經(jīng)元的閾值;m=1,2,…,M;i=1,2,…,Sm;j=1,2,…,Sm-1。

2.1.1信息的正向傳遞

對網(wǎng)絡(luò)訓(xùn)練時,將輸出值與目標(biāo)值比較,然后調(diào)整相應(yīng)的權(quán)值與閾值,以使均方差最小。根據(jù)LMS算法,輸出層誤差可以近似表示為:

(5)

式中:t(k)為第k次迭代時的目標(biāo)變量矩陣;a(k)為第k次迭代時輸出變量矩陣。

表1 大壩碾壓混凝土配合比

2.1.2誤差的反向傳播

wm，i,j(k+1)=wm，i,j(k)+γ[wm，i,j(k)-

wm，i,j(k-1)]-α(1-γ)sm，iam-1，j

(6)

各閾值的修正為

bm，i(k+1)=bm，i(k)+γ[bm，i(k)-

bm，i(k-1)]-α(1-γ)sm，i

(7)

式中:sm，i為第m層的第i個神經(jīng)元的敏感度;γ為勢態(tài)因子,且0≤γ<1;α為學(xué)習(xí)速率。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)模型

2.2.1初始化種群

將網(wǎng)絡(luò)中所有的權(quán)值和閾值直接采用實數(shù)編碼的方式形成一組有序的基因串(二維矩陣)X=(wm，i,j,bm，i),基因串編碼長度為

(8)

2.2.2適應(yīng)度函數(shù)

鑒于遺傳算法的搜索目標(biāo)是尋找誤差平方和最小的權(quán)值與閾值,因此第i個神經(jīng)元基因串Xi的適應(yīng)度函數(shù)采用誤差平方和的倒數(shù):

(9)

式中:aM，i，j為第i個基因串在輸出層的第j個輸出節(jié)點的輸出值;ti，j為對應(yīng)的目標(biāo)值。

2.2.3種群進化

根據(jù)適應(yīng)度函數(shù)將每個個體適應(yīng)值由大到小進行排序,采用幾何規(guī)劃排序選擇運算,得到上一代個體直接進入下一代的概率。然后從第l代種群中隨機選擇兩個親本Xl，i和Xl，j,采用算術(shù)交叉方式進行基因交叉,產(chǎn)生新個體由下式確定:

(10)

式中:Xl+1，i和Xl+1，j為交叉后的個體;r為[0,1]之間的隨機數(shù)。

然后,采用實數(shù)編碼下的非均勻變異算法,在子代中隨機選擇變異點k,若變異xk處的基因范圍為[Lk，min,Lk，max] 則變異產(chǎn)生的新基因為

(11)

式中:r′為取值為0或1的隨機數(shù)。

最后,應(yīng)用BP算法對遺傳算法優(yōu)化權(quán)值W與閾值b進行精調(diào),從而搜索出最優(yōu)解或近似最優(yōu)解。

3 實例驗證

3.1 工程概況

烏弄龍水電站是瀾滄江上游河段梯級開發(fā)的第二級水電站,為二等大(2)型水利工程,攔河大壩為碾壓混凝土重力壩。以第1、2、3、4、5號壩段、第10倉為例進行測試。該倉面碾壓混凝土拌合料使用P·MH42.5水泥和Ⅱ級粉煤灰;骨料采用砂石加工系統(tǒng)生產(chǎn)的人工骨料,母巖為灰?guī)r,細骨料為灰?guī)r人工砂,碾壓砂細度模數(shù)為3.08,石粉含量(質(zhì)量分?jǐn)?shù))為20.9%,其中小于0.08 mm微粒含量為6.8%,粗骨料經(jīng)過砂石篩分系統(tǒng)二次篩分;外加劑采用ZB-1Rcc15、ZB-1A緩凝型高效減水劑和GK-9A引氣劑;拌合水采用營地用水。碾壓混凝土的配合比如表1所示。

3.2 壓實度預(yù)測模型參數(shù)獲取

現(xiàn)場采用含濕率測試儀直接測出倉面鋪料后、碾壓前拌合料含濕率;在振動碾碾壓規(guī)定的遍數(shù)后,立即使用波速儀測定該位置表面應(yīng)力波波速,同步采用核子密度計檢測相應(yīng)位置處的單點壓實度。通過測定不同碾壓層不同位置的含濕率、波速及壓實度,結(jié)合已知的對應(yīng)級配和材料膠砂比,建立1個500組樣本的數(shù)據(jù)訓(xùn)練集。部分試驗數(shù)據(jù)如表2所示。

表2 部分試驗數(shù)據(jù)

以500組樣本點數(shù)據(jù)作為訓(xùn)練樣本,采用GA-BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。根據(jù)訓(xùn)練后的網(wǎng)絡(luò),預(yù)測隨機選取的50個現(xiàn)場測試點壓實度值,比較BP神經(jīng)網(wǎng)絡(luò)模型與GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測壓實度的準(zhǔn)確性與穩(wěn)定性。

鑒于碾壓混凝土的壓實度與現(xiàn)場實際碾壓料的含濕率、碾壓層表面應(yīng)力波速值、級配和膠砂比呈現(xiàn)復(fù)雜的非線性關(guān)系,尤其碾壓層壓實度還受碾壓機械、溫度、天氣等外部因素影響,因而簡單網(wǎng)絡(luò)結(jié)構(gòu)不易準(zhǔn)確預(yù)測壓實度,且穩(wěn)定性較差。但網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜則將增加訓(xùn)練時間且易出現(xiàn)過擬合現(xiàn)象。因此采用1層輸入層、2層隱含層、1層輸出層,即1-2-1網(wǎng)絡(luò)結(jié)構(gòu)(圖4)。2層隱含層神經(jīng)元數(shù)分別為9和 4,其對應(yīng)的傳遞函數(shù)分別為logsig和purelin,網(wǎng)絡(luò)的學(xué)習(xí)速率為0.01。

圖4 GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3 模型預(yù)測結(jié)果及應(yīng)用分析

GA-BP 神經(jīng)網(wǎng)絡(luò)計算過程分為2個步驟。

第1步,采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化,設(shè)置種群數(shù)目為50,種群進化次數(shù)為100。在進化過程中,誤差平方和與個體適應(yīng)度隨遺傳代數(shù)的變化情況如圖5、圖6所示。經(jīng)過約40代搜索后,誤差平方和達到最小且趨于平穩(wěn)。實際的適應(yīng)度值在約60代進化后達到最大且趨于平穩(wěn)。

圖5 誤差平方和進化曲線

圖6 適應(yīng)度進化曲線

第2步,采用BP神經(jīng)網(wǎng)絡(luò)算法對權(quán)值和閾值精細調(diào)節(jié)。在BP神經(jīng)網(wǎng)絡(luò)算法中,誤差平方和在迭代600次左右時趨于穩(wěn)定,迭代1 471次時停止。最后,分別采用GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)對碾壓混凝土壓實度進行預(yù)測,結(jié)果如圖7所示。

圖7 基于BP與GA-BP神經(jīng)網(wǎng)絡(luò)的壓實度預(yù)測

在50個預(yù)測點中,GA-BP神經(jīng)網(wǎng)絡(luò)模型的壓實度預(yù)測值誤差小于0.3%、0.6%和1%的樣本比例分別為68%、83%及100%,BP神經(jīng)網(wǎng)絡(luò)模型的相應(yīng)比例分別為32%、58%及82%;GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值均方誤差為0.137,最大誤差為0.98%,BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值均方誤差為0.499,最大誤差為1.67%。GA-BP神經(jīng)網(wǎng)絡(luò)模型不僅預(yù)測精度更高,且偏差波動范圍更小,能更準(zhǔn)確有效地預(yù)測現(xiàn)場碾壓層混凝土壓實性。

GA-BP神經(jīng)網(wǎng)絡(luò)模型對碾壓混凝土壓實度下限值更敏感:壓實度處于93%～96%的樣本點,GA-BP模型預(yù)測值的平均誤差為0.08%,最大誤差為0.17%,誤差很小;而壓實度大于96%時,GA-BP模型給出的預(yù)測值平均誤差在0.3%左右,最大誤差分布約0.9%,且誤差分布較為恒定。究其原因,預(yù)測誤差與GA-BP網(wǎng)絡(luò)模型結(jié)構(gòu)有關(guān):壓實度低于96%的碾壓測點,在高維空間數(shù)據(jù)離散性相對較小,由于模型算法具有較好的靈敏性和收斂一致性,因此擬合度高,預(yù)測精度高。這種特點對于現(xiàn)場施工中以某一合理壓實度(如96%)作為合格碾壓混凝土的最低評價指標(biāo),并以此判斷壓實效果的準(zhǔn)確性十分有利。GA-BP模型更能準(zhǔn)確判定不合格點數(shù),有助于掌握多因素復(fù)雜條件的壓實程度。

綜上,基于GA-BP神經(jīng)網(wǎng)絡(luò)的現(xiàn)場實時壓實度預(yù)測模型誤差小、性能穩(wěn)定,可用于碾壓混凝土熱層壓實質(zhì)量實時精準(zhǔn)控制,對施工具有指導(dǎo)作用和實際應(yīng)用價值。

4 結(jié) 論

a. 與BP神經(jīng)網(wǎng)絡(luò)模型比較,GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差小于0.3%、0.6%和1%的樣本比例分別為68%、83%及100%,不僅預(yù)測精度更高,而且偏差波動范圍更小,穩(wěn)定性好,能更準(zhǔn)確有效地預(yù)測現(xiàn)場碾壓層混凝土壓實性。

b. GA-BP神經(jīng)網(wǎng)絡(luò)模型對碾壓混凝土壓實度下限值更敏感,壓實度處于93%～96%的樣本點,模型預(yù)測值的平均誤差僅為0.08%,最大誤差僅為0.17%,預(yù)測精度很高。這種特點對于現(xiàn)場施工中以某一合理壓實度(如96%)作為合格碾壓混凝土的最低評價指標(biāo),并以此判斷壓實效果的準(zhǔn)確性十分有利。