基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)土面區(qū)壓實(shí)度預(yù)測(cè)

劉國光，裴磊洋，楊躍敏，李世男，4

1)中國民航大學(xué)機(jī)場(chǎng)學(xué)院，天津 300300；2)中國科學(xué)院西北生態(tài)環(huán)境資源研究院凍土工程國家重點(diǎn)實(shí)驗(yàn)室，甘肅蘭州 730026；3)中國科學(xué)院西北生態(tài)環(huán)境資源研究院，甘肅蘭州 730026； 4)成都雙流國際機(jī)場(chǎng)飛行區(qū)管理部，四川成都 610030

隨著中國民航運(yùn)輸業(yè)的蓬勃發(fā)展和航班日起降架次增加，飛機(jī)滑出跑道的飛行事故偶有發(fā)生[1]．飛機(jī)在跑道上高速滑行時(shí)，受機(jī)械性能、天氣情況和道面狀況等因素影響，一旦沖出跑道，起落架折斷，將造成重大災(zāi)難．為此，民用機(jī)場(chǎng)在跑道兩側(cè)設(shè)置了土面區(qū)作為飛機(jī)沖出跑道時(shí)的緩沖區(qū)域[2]．《民用機(jī)場(chǎng)運(yùn)行安全管理規(guī)定》要求土面區(qū)經(jīng)過重型擊實(shí)后土質(zhì)壓實(shí)度不得低于87%，且碾壓和壓實(shí)度測(cè)試每年不得少于兩次[3]．

壓實(shí)度是機(jī)場(chǎng)土面區(qū)工作性能的關(guān)鍵指標(biāo)，壓實(shí)度不足將造成起落架沉陷或折斷的二次事故，使救援工作難以開展．因此，在機(jī)場(chǎng)飛行區(qū)管理實(shí)踐中，常采用割草配合機(jī)械設(shè)備碾壓的方法改善土面區(qū)壓實(shí)度．已有研究表明，增加碾壓機(jī)械的軸重對(duì)土體壓實(shí)度影響最明顯[4]，但過大的外荷載會(huì)破壞土體結(jié)構(gòu)[5]．單位面積壓強(qiáng)[6]、循環(huán)外力幅值比[7]、碾壓周期、土質(zhì)、土體密度、含水量[8]、滲透阻力和孔隙水壓力等都影響著土體壓實(shí)度[9]．因此，民航局要求壓實(shí)度評(píng)價(jià)工作由第三方機(jī)構(gòu)至少一年開展兩次，常用方法為環(huán)刀取土配合室內(nèi)實(shí)驗(yàn)，但僅能評(píng)價(jià)當(dāng)前壓實(shí)效果，缺乏實(shí)時(shí)性和預(yù)測(cè)性，難以為管理部門提供有針對(duì)性的指導(dǎo)意見．

預(yù)測(cè)土體壓實(shí)度的主要技術(shù)手段是動(dòng)態(tài)采集影響土體壓實(shí)度的重要參數(shù)指標(biāo)．針對(duì)含水量監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析可知，外界水分補(bǔ)給對(duì)土體壓實(shí)度影響極大，含水率越高，壓實(shí)度越差，外荷載作用深度越大[10]．通過分析土粒含量、土壤光譜和底土深度等相關(guān)因素可建立土體壓實(shí)度分析模型[11]或采用電阻率法[12]和傳感器融合系統(tǒng)法[13]預(yù)測(cè)土體壓實(shí)度．在獲得足夠數(shù)量的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)后，貝葉斯法[14]、土壤收縮曲線法[15]、有限元法[10]、聚類分析法[16]、壓實(shí)曲線法[8]、遺傳算法[17]和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)法[18]都可用于土體壓實(shí)度預(yù)測(cè)．

在眾多預(yù)測(cè)手段中，ANN法因其不需要為輸入變量和預(yù)測(cè)結(jié)果指定本構(gòu)關(guān)系，也不需要窮舉預(yù)測(cè)結(jié)果的全部影響因素，僅通過數(shù)據(jù)訓(xùn)練建立輸入因素和輸出結(jié)果的對(duì)應(yīng)關(guān)系，因此，被應(yīng)用于邊坡滑移[19]、穩(wěn)定性預(yù)測(cè)[20]、不同深度土壤溫度估計(jì)[21]、土壤侵蝕敏感性預(yù)估[22]、土壤鹽度預(yù)測(cè)[23]及壓實(shí)度預(yù)測(cè)等領(lǐng)域．楊學(xué)超等[24]根據(jù)路基碾壓試驗(yàn)的數(shù)據(jù)，基于對(duì)ANN的分析，建立了路基壓實(shí)度預(yù)測(cè)的ANN模型，為路基碾壓施工中的壓實(shí)度預(yù)測(cè)提供了新的研究思路．李細(xì)榮[25]通過土的激光圖像提取壓實(shí)度特征參數(shù)，建立了ANN預(yù)測(cè)模型，并對(duì)預(yù)測(cè)模型進(jìn)行有效驗(yàn)證，證明了用ANN模型預(yù)測(cè)土體壓實(shí)度的可行性．RANASINGHE等[26]應(yīng)用ANN法建立模型對(duì)滾動(dòng)強(qiáng)夯法的有效性進(jìn)行先驗(yàn)預(yù)測(cè)，模型的預(yù)測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)吻合度較好．為通過優(yōu)化輸入因素的方法比較不同ANN模型的預(yù)測(cè)誤差和穩(wěn)定性，本研究建立了預(yù)測(cè)土體壓實(shí)度的ANN模型，利用2015—2020年在某機(jī)場(chǎng)開展的土面區(qū)壓實(shí)度測(cè)試結(jié)果進(jìn)行模型訓(xùn)練與校驗(yàn)，實(shí)現(xiàn)土體壓實(shí)度的動(dòng)態(tài)預(yù)測(cè)，并通過另一機(jī)場(chǎng)對(duì)比實(shí)測(cè)試驗(yàn)，驗(yàn)證了模型的可靠性，為機(jī)場(chǎng)管理部門提高土面區(qū)壓實(shí)度安全管理提供了技術(shù)建議．

1 壓實(shí)度預(yù)測(cè)模型

1.1 ANN模型結(jié)構(gòu)

ANN指由大量的處理單元互相連接而形成的復(fù)雜信息處理系統(tǒng)，是一種多層前饋式網(wǎng)絡(luò)，按誤差逆?zhèn)鞑ニ惴ㄍㄟ^反向傳播誤差信號(hào)調(diào)整網(wǎng)絡(luò)權(quán)值訓(xùn)練數(shù)據(jù)[27]，使實(shí)際輸出與期望輸出的誤差最小[28]．ANN有多層和單層之分，它的每一層包含若干個(gè)神經(jīng)元，各個(gè)神經(jīng)元之間用有向弧線連接，通過對(duì)輸入變量的反復(fù)訓(xùn)練學(xué)習(xí)，達(dá)到處理輸入變量、模擬輸入輸出關(guān)系的目的，且它只需要知道引起輸出變量變化的影響因素．因此，利用ANN建模的關(guān)鍵在于輸入變量(即影響因素)的選取，它提供了被預(yù)測(cè)系統(tǒng)的基本信息[29]．ANN在處理土體壓實(shí)度影響因素等模糊、隨機(jī)性和非線性數(shù)據(jù)方面具有明顯的優(yōu)勢(shì)，對(duì)結(jié)構(gòu)復(fù)雜、因果關(guān)系不明確的土體壓實(shí)度預(yù)測(cè)尤為適用．

土體壓實(shí)度影響因素見圖1．在為某機(jī)場(chǎng)進(jìn)行長(zhǎng)期壓實(shí)度評(píng)估后發(fā)現(xiàn)，同一飛行區(qū)土質(zhì)情況接近，土體地表植被接近，經(jīng)重型擊實(shí)后最大干密度值接近．因此，選取天然密度(natural density, ND)、實(shí)測(cè)含水率(actual water content, AW)、最優(yōu)含水率(optimal water content, OW)、測(cè)試前1個(gè)月內(nèi)降水狀況(rainfall condition, RC)和測(cè)試前2個(gè)月內(nèi)壓實(shí)狀況(compaction condition, CC)作為ANN模型的輸入變量，這些變量可以分別通過試驗(yàn)和飛行區(qū)管理部門的巡場(chǎng)記錄得到．選取壓實(shí)度作為模型的輸出值，利用Matlab可建立結(jié)構(gòu)為N(5，3，1)的土體壓實(shí)度預(yù)測(cè)模型，其中，“5”表示輸入層中有5個(gè)輸入向量；“3”表示設(shè)置的隱含層中有3個(gè)節(jié)點(diǎn)； “1”表示輸出層有1個(gè)輸出向量，即壓實(shí)度．

1.2 ANN模型訓(xùn)練與校驗(yàn)

圖2為某機(jī)場(chǎng)連續(xù)6 a土面區(qū)壓實(shí)度測(cè)試方案．該機(jī)場(chǎng)位于珠江入?？冢匦螌儆谇鹆甑貛?，土質(zhì)為赤紅壤，氣候?qū)儆趤啛釒ШＱ笮詺夂?，雨量富足，年均日照時(shí)間長(zhǎng)．從圖2可見，測(cè)點(diǎn)分布在跑道兩側(cè)土面區(qū)，每個(gè)土面區(qū)的測(cè)點(diǎn)至少3個(gè)，每個(gè)測(cè)點(diǎn)環(huán)刀取土3次，共收集1 728組壓實(shí)度數(shù)據(jù)．從實(shí)測(cè)的土面區(qū)壓實(shí)度結(jié)果中隨機(jī)抽取500組數(shù)據(jù)，其中，400組數(shù)據(jù)用于輸入ANN模型進(jìn)行訓(xùn)練，100組數(shù)據(jù)用于校驗(yàn)，部分原始輸入變量和期望輸出變量可掃描文末右下角二維碼．模型選用雙曲正切S型傳輸函數(shù)(Tansig函數(shù))，將神經(jīng)網(wǎng)絡(luò)層中的凈輸入信號(hào)轉(zhuǎn)換為凈輸出信號(hào)，訓(xùn)練次數(shù)上限設(shè)置為5萬次．

圖2 某機(jī)場(chǎng)壓實(shí)度測(cè)試方案Fig.2 Compactness test plan in the airport

利用前400組數(shù)據(jù)將ANN模型完成訓(xùn)練后，可用已測(cè)試數(shù)據(jù)進(jìn)行土體壓實(shí)度預(yù)測(cè)效果校驗(yàn)，壓實(shí)度預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比見圖3．ANN模型的預(yù)測(cè)準(zhǔn)確性可通過納什效率系數(shù)(Nash-Sutcliffe efficiency, NSE)評(píng)估[29]，

(1)

圖3 實(shí)測(cè)壓實(shí)度與預(yù)測(cè)壓實(shí)度的對(duì)比Fig.3 Comparisons of compactness between the predicted results and in-situ test results

圖3為實(shí)測(cè)壓實(shí)度與預(yù)測(cè)壓實(shí)度的對(duì)比. 由圖3可知，土面區(qū)壓實(shí)度預(yù)測(cè)值與實(shí)測(cè)值的擬合直線均方差(R-Squared,R2)為0.98，同時(shí)NSE計(jì)算值為0.89，表明根據(jù)該機(jī)場(chǎng)壓實(shí)度測(cè)試數(shù)據(jù)建立的ANN模型對(duì)本機(jī)場(chǎng)的壓實(shí)度具有出色的預(yù)測(cè)能力．為驗(yàn)證上述ANN模型的適用性，在另一機(jī)場(chǎng)進(jìn)行了驗(yàn)證試驗(yàn)．

2 機(jī)場(chǎng)應(yīng)用驗(yàn)證

在圖4所示的14個(gè)測(cè)區(qū)進(jìn)行環(huán)刀取土，在實(shí)驗(yàn)室測(cè)得土樣的實(shí)測(cè)密度與含水率，如表1. 制作含水率分別為12%、14%、15%、16%和17%的土樣進(jìn)行重型擊實(shí)試驗(yàn)，得到最優(yōu)含水率為13.4%，最大干密度為1.96 g/cm3，進(jìn)而計(jì)算得到每個(gè)采樣點(diǎn)的實(shí)測(cè)壓實(shí)度．

圖4 對(duì)比機(jī)場(chǎng)驗(yàn)證試驗(yàn)Fig.4 Verification test in contrast airport

表1 對(duì)比機(jī)場(chǎng)測(cè)區(qū)土樣天然密度及含水率測(cè)試結(jié)果Table 1 Natural density and mass water content test results for soil samples of text zones in contrast airport

結(jié)合上述實(shí)測(cè)參數(shù)和機(jī)場(chǎng)飛行區(qū)管理部門記錄的數(shù)據(jù)，輸入ANN模型進(jìn)行壓實(shí)度預(yù)測(cè)．比較預(yù)測(cè)值與實(shí)測(cè)值，可得14個(gè)土面區(qū)的壓實(shí)度預(yù)測(cè)誤差(圖5)．其中，13個(gè)分區(qū)的預(yù)測(cè)誤差在±5%內(nèi)，只有1個(gè)分區(qū)預(yù)測(cè)誤差達(dá)到15%，同時(shí)NSE計(jì)算值為0.86，說明利用ANN模型快速預(yù)測(cè)土面區(qū)壓實(shí)度能夠滿足工程應(yīng)用精度．因此，飛行區(qū)管理部門可根據(jù)土面區(qū)壓實(shí)度測(cè)試報(bào)告歷史數(shù)據(jù)建立并訓(xùn)練ANN模型，通過監(jiān)測(cè)土面區(qū)含水率和記錄降水與壓實(shí)情況，利用ANN動(dòng)態(tài)預(yù)測(cè)土面區(qū)壓實(shí)度變化，實(shí)現(xiàn)土面區(qū)安全的實(shí)時(shí)管控，為飛行區(qū)管理部門加強(qiáng)安全監(jiān)管提供指導(dǎo)意見．

圖5 對(duì)比機(jī)場(chǎng)壓實(shí)度相對(duì)誤差Fig.5 Compactness relative errors in contrast airport

3 基于ANN的壓實(shí)度影響因素分析

3.1 單影響因素分析

為給機(jī)場(chǎng)飛行區(qū)管理部門提供改進(jìn)安全工作的技術(shù)方案，通過縮減輸入向量對(duì)上面建立的ANN模型進(jìn)行優(yōu)化分析．在輸入變量中依次剔除ND、AW、OW、RC和CC數(shù)據(jù)后，利用同樣的400組數(shù)據(jù)重新訓(xùn)練并進(jìn)行預(yù)測(cè)，壓實(shí)度預(yù)測(cè)值和實(shí)測(cè)值的平均誤差情況如圖6．由圖6可知，剔除ND、AW和RC 3個(gè)影響因素后平均預(yù)測(cè)結(jié)果偏大，表明這3項(xiàng)因素對(duì)預(yù)測(cè)結(jié)果影響較大，不能忽略．而剔除OW后對(duì)平均預(yù)測(cè)結(jié)果影響不大，但預(yù)測(cè)結(jié)果穩(wěn)定性變差．造成這種現(xiàn)象的原因在于最優(yōu)含水率受土質(zhì)影響較大，同一機(jī)場(chǎng)飛行區(qū)回填時(shí)土質(zhì)接近，因此OW接近，忽略它對(duì)預(yù)測(cè)結(jié)果影響不大．但如圖3所示，機(jī)場(chǎng)飛行區(qū)面積較大，土面區(qū)土質(zhì)存在差別，剔除OW將會(huì)影響預(yù)測(cè)結(jié)果的穩(wěn)定性．因此，當(dāng)根據(jù)土面區(qū)土質(zhì)情況分區(qū)建立ANN模型時(shí)，可不考慮OW因素．此外，剔除CC后平均預(yù)測(cè)結(jié)果偏小，穩(wěn)定性波動(dòng)大，模型的壓實(shí)度預(yù)測(cè)結(jié)果小于實(shí)測(cè)壓實(shí)度，預(yù)測(cè)結(jié)果偏安全．在機(jī)場(chǎng)壓實(shí)機(jī)械和壓實(shí)周期不變的情況下，該因素可以忽略．

圖6 剔除單個(gè)影響因素后的平均誤差及誤差區(qū)間Fig.6 Average error and error range after removing one factor

3.2 多影響因素分析

為進(jìn)一步比較各因素對(duì)預(yù)測(cè)結(jié)果的影響，在輸入變量中依次將5組影響因素兩兩剔除，重新建立ANN模型重復(fù)上述計(jì)算．其中，同時(shí)剔除ND和AW兩個(gè)影響因素后，在訓(xùn)練模型時(shí)計(jì)算中斷，說明在此ANN模型中ND和AW是應(yīng)重點(diǎn)分析的影響因素，不可輕易剔除．其余9種組合的預(yù)測(cè)結(jié)果誤差情況如圖7．圖7的橫坐標(biāo)為同時(shí)剔除的輸入向量，縱坐標(biāo)為ANN模型訓(xùn)練后預(yù)測(cè)壓實(shí)度的相對(duì)誤差平均值．與圖6相比，剔除兩種影響因素后預(yù)測(cè)結(jié)果平均誤差率顯著增加，整體預(yù)測(cè)結(jié)果偏低，預(yù)測(cè)結(jié)果穩(wěn)定性變差．其中，剔除OW-ND組合后整體誤差最大，表明除直接導(dǎo)致ANN模型失效的ND-AW組合外，ND-OW對(duì)預(yù)測(cè)結(jié)果誤差影響最大．分別剔除RC-ND、RC-CC、OW-AW、RC-AW和OW-RC等影響因素后，預(yù)測(cè)結(jié)果平均誤差較小，但結(jié)果穩(wěn)定性變差，上述5種組合中RC出現(xiàn)了4次，說明RC對(duì)預(yù)測(cè)結(jié)果誤差影響相對(duì)較小，但對(duì)結(jié)果穩(wěn)定性影響較大．剔除含CC的組合計(jì)算結(jié)果波動(dòng)性最大，與圖6結(jié)論一致．

圖7 剔除兩個(gè)影響因素后的平均誤差及誤差區(qū)間Fig.7 Average error and error range after removing two factors

由上述分析可知，在影響土面區(qū)壓實(shí)度的5種因素中，對(duì)ANN模型預(yù)測(cè)能力影響從高到低排列為AW、ND、RC、CC和OW．此外，機(jī)場(chǎng)飛行區(qū)土面區(qū)壓實(shí)度變化具有明顯的規(guī)律性：影響土體壓實(shí)度最主要的因素是回填土的類型；級(jí)配良好的土顆粒形成的土體壓實(shí)度高；降水對(duì)機(jī)場(chǎng)土面區(qū)壓實(shí)度具有不利影響，當(dāng)飛行區(qū)排水能力較差，造成土面區(qū)局部含水量過高甚至接近飽和狀態(tài)，壓實(shí)度將大大降低．因此，在機(jī)場(chǎng)飛行區(qū)的設(shè)計(jì)、建設(shè)和運(yùn)營過程中要加強(qiáng)對(duì)土面區(qū)回填土級(jí)配控制并提高其排水能力．

4 結(jié) 論

為提高機(jī)場(chǎng)飛行區(qū)內(nèi)土面區(qū)安全保障能力，結(jié)合某機(jī)場(chǎng)連續(xù)6 a的壓實(shí)度測(cè)試數(shù)據(jù)，建立了具有較強(qiáng)預(yù)測(cè)能力的壓實(shí)度預(yù)測(cè)ANN模型．通過因素分析法進(jìn)行模型優(yōu)化，為機(jī)場(chǎng)管理部門提供了預(yù)測(cè)壓實(shí)度的技術(shù)方案和提升壓實(shí)度的工作建議，可知：

1) 通過足夠的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，建立的ANN模型預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果線性擬合后的R2為0.98，NSE計(jì)算值達(dá)到了0.89，表明模型具有出色的預(yù)測(cè)能力．另一機(jī)場(chǎng)預(yù)測(cè)結(jié)果的誤差在±5%內(nèi)，僅有個(gè)別樣本誤差為15%，同時(shí)NSE計(jì)算值為0.86，表明達(dá)到了工程預(yù)測(cè)精度要求．

2) 利用ANN預(yù)測(cè)模型，機(jī)場(chǎng)管理部門可根據(jù)壓實(shí)度測(cè)試報(bào)告中提供的土質(zhì)情況和最優(yōu)含水率等因素，建立符合機(jī)場(chǎng)自身特點(diǎn)的壓實(shí)度動(dòng)態(tài)預(yù)測(cè)ANN模型，并可利用傳感器監(jiān)測(cè)土面區(qū)含水率實(shí)現(xiàn)壓實(shí)度的實(shí)時(shí)報(bào)告，為飛行區(qū)安全管理提供指導(dǎo)意見．

3) 通過ANN模型的優(yōu)化分析可知，在輸入的5種壓實(shí)度預(yù)測(cè)影響因素中，ND和AW對(duì)壓實(shí)度影響最大. 在飛行區(qū)土面區(qū)施工過程中加強(qiáng)回填土級(jí)配控制和提高排水能力，將大大方便機(jī)場(chǎng)運(yùn)營階段的土面區(qū)安全管理工作．