考慮多種損壞構(gòu)成特征的瀝青路面預(yù)防性養(yǎng)護(hù)決策方法

李 莉,管婷婷

(上海大學(xué)土木工程系,上海 200444)

路面預(yù)防性養(yǎng)護(hù)是指在不增加路面結(jié)構(gòu)承載力的前提下,對結(jié)構(gòu)完好的路面或附屬設(shè)施有計劃地采取某種具有費用效益的措施,以達(dá)到保養(yǎng)路面系統(tǒng)、延緩損壞、保持或改進(jìn)路面功能狀況的目的[1].預(yù)防性養(yǎng)護(hù)能夠以較少的養(yǎng)護(hù)投入獲得較好的路面性能,在路面壽命期內(nèi)進(jìn)行3～4次的預(yù)防性養(yǎng)護(hù)可以節(jié)約45%～50%的養(yǎng)護(hù)費用、延長使用壽命10～15年[2].因此,預(yù)防性養(yǎng)護(hù)理念越來越受重視,但工程中對養(yǎng)護(hù)措施如何選擇、養(yǎng)護(hù)時機(jī)如何確定等決策要素尚無統(tǒng)一標(biāo)準(zhǔn)[3].

常見的預(yù)防性養(yǎng)護(hù)決策方法多為決策樹法,即按照路況技術(shù)指標(biāo)分層、分級,逐步匹配適合的預(yù)防性養(yǎng)護(hù)措施[4-6].路面技術(shù)狀況指數(shù)(pavement quality index,PQI)、路面狀況指數(shù)(pavement condition index,PCI)等是決策樹中較為常用的路況技術(shù)指標(biāo).然而,由于這類指標(biāo)綜合性較強(qiáng),由多個要素加權(quán)得到,往往難以反映路面實際的損壞特征,用于路面決策時也容易引起偏差[7-9].針對這一問題,一些學(xué)者提出在決策樹中引入詳細(xì)的損壞參數(shù),如:Kuhn[10]提出用裂縫、車轍和松散等具體損壞代替綜合性指標(biāo)來描述路面性能;周嵐[11]根據(jù)江蘇省高速公路的實際損壞狀況,提出了路面破損的橫向裂縫指標(biāo)、修補(bǔ)率和表面破損狀況等指標(biāo);劉勝強(qiáng)[12]提出在綜合性路況指標(biāo)的基礎(chǔ)上增加了百米當(dāng)量橫縫條數(shù)、塊狀修補(bǔ)率和車轍率.這些細(xì)觀指標(biāo)的引入在一定程度上提高了路面預(yù)防性養(yǎng)護(hù)決策的準(zhǔn)確度,但也令決策過程更為復(fù)雜,因為細(xì)觀指標(biāo)的選取和使用方式往往依賴于當(dāng)?shù)氐穆窙r特征,難以在不同區(qū)域的道路上移植,不利于標(biāo)準(zhǔn)化.

因此,有必要對綜合性路況指標(biāo)進(jìn)行深入分析,明確其容易引起預(yù)防性養(yǎng)護(hù)決策偏差的深層次原因,并研究針對性的決策改進(jìn)方法.本工作將以工程應(yīng)用中使用較多的PCI指標(biāo)為代表進(jìn)行分析.

1 不同PCI水平下?lián)p壞特點分析

PCI綜合考慮了多種路面損壞的情形,如線裂、網(wǎng)裂、坑槽、車轍等[13],其中損壞最嚴(yán)重(扣分最多)的稱作“主導(dǎo)損壞”.在預(yù)防性養(yǎng)護(hù)決策中通常需要同時考慮PCI水平和路段“主導(dǎo)損壞”,以選取最具針對性的養(yǎng)護(hù)措施[14].然而,這種決策方式有效的前提之一是“主導(dǎo)損壞”能夠真正代表路面的損壞特征.因此,首先需要對不同PCI水平下的路面損壞構(gòu)成進(jìn)行分析,量化“主導(dǎo)損壞”的代表性.

1.1 基于PCI評分的路段分組

按照PCI評分將路段分組,可分離不同的路面損壞發(fā)展階段,從而分別研究各階段的損壞構(gòu)成特點.按照現(xiàn)行規(guī)范對PCI分級(優(yōu)、良、合格、不合格)是最直接的分組方法[1],但該方法僅考慮了PCI評分,而忽略了PCI評分和損壞分布的關(guān)系,故分組結(jié)果未必最優(yōu).因此,有必要同時考慮PCI評分和路面損壞分布,利用數(shù)據(jù)自身的內(nèi)聚特征進(jìn)行分組.實現(xiàn)這一目的的算法有多種,如變尺度混沌優(yōu)化算法[15]、人工蜂群算法[16]和有序聚類算法[17]等.有序聚類算法適合處理大量數(shù)據(jù),能夠同時找到多個最優(yōu)的插入點將有序序列劃分為多組,在多個領(lǐng)域得到了成功應(yīng)用[18-19].因此,本工作采用有序聚類算法對路段進(jìn)行分組,要求組內(nèi)PCI盡可能接近,而組間PCI差異盡可能大.

1.1.1 有序聚類算法

1958年,Fisher[20]提出了最優(yōu)分割法.1982年,方開泰[21]對最優(yōu)分割法做出一些改進(jìn),提出了一維和二維數(shù)據(jù)的有序聚類方法.2011年,Liu等[22]針對有序聚類算法運算時間過長的問題做出了改進(jìn),提出當(dāng)數(shù)據(jù)序列不滿足修剪條件時,通過添加余弦相似度比較來減少計算時間.此后,有序聚類法得到了廣泛應(yīng)用[18,23].

有序聚類算法的思想是尋找最優(yōu)分割點,使分組后產(chǎn)生的離差平方和的增量最小,從而實現(xiàn)組內(nèi)盡可能保持均質(zhì)性、而組間對比鮮明[24].

(1)計算各組直徑.

設(shè)有序樣本x1,x2,···,xn,其中xi為第i個樣本的特征值.記有序樣本中某一分組為Gij={xi,xi+1,···,xj}(j＞i),該分組的平均值為,直徑為D(i,j),則有

(2)定義誤差函數(shù).

將n個有序樣本分為k組,記為p(n,k),則有

簡記為

式中:1=i1＜i2＜···＜ik＜in=n.

定義p(n,k)的誤差函數(shù)為

當(dāng)n、k確定時,e(p(n,k))越小表示段內(nèi)離差平方和越小,分組越趨于合理.因此,目標(biāo)為尋找令e(p(n,k))達(dá)到最小時的分組.

(3)精確最優(yōu)解的求法.

求解過程從計算j2開始,一直計算出jk為止,具體算法如下:

當(dāng)k=2時,

當(dāng)2＜k≤n時,

要找到j(luò)=jk使得式(3)～(7)取最小值,得到Gk={jk,jk+1,···,n}.

對于任意的j必須使前面的j-1個樣本最優(yōu)分割為k-1組,且式(6)成立,得到Gk-1={jk-1,jk-1+1,···,jk-1}.

類似地,可以得到G1,G2,···,Gk,即所求的最優(yōu)分組.

1.1.2 實測數(shù)據(jù)分析

本工作以城市道路數(shù)據(jù)為例進(jìn)行分析,收集了2015—2019年上海市城市道路瀝青路面性能數(shù)據(jù)共計11 250條,包括路面等級、長度、寬度、基層面層厚度、路齡等基礎(chǔ)信息,各種路面損壞(如線裂、網(wǎng)裂、坑槽等)的檢測信息,以及PCI、RQI、結(jié)構(gòu)強(qiáng)度等計算結(jié)果.將路段按照PCI評分排序,并將PCI評分作為有序聚類的特征量,按照有序聚類算法對11 250個路段進(jìn)行分組.

圖1為分組數(shù)與最小誤差函數(shù)值的關(guān)系.可以看出:隨著分組數(shù)的下降,誤差函數(shù)值不斷減小;但當(dāng)分組過多時,組間的數(shù)據(jù)就相對較少,失去了分組的意義;當(dāng)分類數(shù)k=10時,誤差函數(shù)下降速度下降最快,曲線出現(xiàn)明顯拐點.因此,結(jié)合實際PCI的分布情況,本工作將路段分為10組,結(jié)果如表1所示.

表1 路段數(shù)據(jù)分組Table 1 Grouping result of section data

圖1 分組數(shù)與最小誤差函數(shù)關(guān)系Fig.1 Relationship between number of groups and the values of minimum error function

1.2 損壞特點分析

基于上述分組,分析不同PCI水平下的路面損壞分布特點.當(dāng)路段存在多種損壞且損壞程度差異不大時,主導(dǎo)損壞可能失去代表性.因此,首先需要分析PCI水平和損壞種類數(shù)量的關(guān)系,其次需要明確多種損壞并存時,不同損壞之間的差異程度.

實測路段數(shù)據(jù)中共包含了9種損壞形式.PCI和損壞種類數(shù)的關(guān)系見表2.可以看出:當(dāng)PCI較高時,絕大多數(shù)路段只有一種損壞(如分組10);隨著PCI的下降,存在多種損壞的路段數(shù)逐漸增多,且分布越來越分散;當(dāng)PCI低于90.8分時(分組1～7),95%以上的路段超過2種損壞.由此可見,大部分路段的損壞形式并不單一,還需進(jìn)一步分析各損壞的差異程度.

表2 各組路段按損壞種類數(shù)的統(tǒng)計結(jié)果Table 2 Statistical results of each section group according to the number of damage types

對存在2種及以上損壞的路段,進(jìn)一步量化不同損壞的差異程度.PCI計算模型中的單項扣分值是根據(jù)損壞類型、密度、程度給出,從而使得不同的損壞具有可比性[1].因此本工作采用單項扣分值表征各種損壞的嚴(yán)重程度,變異系數(shù)Cv表征不同損壞扣分值的差異程度,

式中:σ為各損壞單項扣分值的標(biāo)準(zhǔn)差;μ為各損壞單項扣分平均值.

圖2所示為各分組路段損壞差異的分析結(jié)果.可以看出:當(dāng)PCI水平較高時,變異系數(shù)Cv較大,表明各損壞嚴(yán)重程度的差異較大,主導(dǎo)損壞較為突出;隨著PCI水平的下降,變異系數(shù)Cv不斷減小,表明損壞間的差異減小,各損壞的影響程度趨同;當(dāng)PCI水平繼續(xù)降低(低于86.7分)時,變異系數(shù)Cv再次逐步上升,表明不同損壞的差異逐漸增大,主導(dǎo)損壞的影響再次突出.總之,當(dāng)PCI為84.4～93.0分時,不同損壞的差異尤為不明顯,即主導(dǎo)損壞并不能概況路面實際損壞特征,而這個PCI評分范圍恰是通常認(rèn)為適合預(yù)防性養(yǎng)護(hù)的范圍.這也間接證明了僅利用PCI這類綜合性路況指標(biāo)和主導(dǎo)損壞指導(dǎo)預(yù)防性養(yǎng)護(hù)決策可能并不準(zhǔn)確.對多種損壞同時存在且差異較小的路段,應(yīng)考慮更具區(qū)分度的決策方法.

圖2 各組損壞扣分變異系數(shù)圖Fig.2 Variation coefficient of damage deduction for each group

2 基于損壞分布的BP神經(jīng)網(wǎng)絡(luò)建模

除了利用路況評價數(shù)據(jù)外,經(jīng)驗豐富的決策者一般會在實地踏勘的基礎(chǔ)上根據(jù)路面具體損壞情況給出預(yù)防性養(yǎng)護(hù)建議.經(jīng)驗知識在解決復(fù)雜的養(yǎng)護(hù)決策問題時往往具有重要作用[25].傳統(tǒng)的決策樹和專家系統(tǒng)可根據(jù)經(jīng)驗知識來推理、判斷,模擬資深專家的思維過程,利用經(jīng)驗知識指導(dǎo)解決實際的決策問題[26].但當(dāng)輸入變量增加時,多種指標(biāo)的組合數(shù)呈指數(shù)級增長,經(jīng)驗知識難以通過決策樹和專家系統(tǒng)準(zhǔn)確表達(dá).此外,當(dāng)調(diào)整決策參數(shù)時,需重新定義規(guī)則,較為耗時耗力[27].相比而言,神經(jīng)網(wǎng)絡(luò)方法在經(jīng)驗知識模型化方面具備顯著優(yōu)勢,不僅能夠模擬參數(shù)之間復(fù)雜、模糊的因果關(guān)系,還能夠根據(jù)數(shù)據(jù)變動自動學(xué)習(xí)規(guī)則、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu).神經(jīng)網(wǎng)絡(luò)在路面養(yǎng)護(hù)領(lǐng)域也已經(jīng)大量應(yīng)用,例如:沙愛民等[28]利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)了路基病害的高效識別;陳仕周等[29]將BP神經(jīng)網(wǎng)絡(luò)用于瀝青路面使用性能的預(yù)測,取得了較高的預(yù)測精度;Domitrovi′c等[30]利用神經(jīng)網(wǎng)絡(luò)建立路面養(yǎng)護(hù)決策模型,成功利用了工程實際中積累的養(yǎng)護(hù)經(jīng)驗知識.

BP神經(jīng)網(wǎng)絡(luò)能夠通過輸入、輸出的數(shù)據(jù)不斷調(diào)整內(nèi)部結(jié)構(gòu)參數(shù),從而自動創(chuàng)建知識系統(tǒng),屬于有監(jiān)督的學(xué)習(xí)方法[31].本工作采用BP神經(jīng)網(wǎng)絡(luò)方法對PCI水平接近、多種損壞并存且差異不大的路段進(jìn)行預(yù)防性養(yǎng)護(hù)決策.BP神經(jīng)網(wǎng)絡(luò)方法有效的前提是能夠利用反映正確預(yù)防性養(yǎng)護(hù)經(jīng)驗的數(shù)據(jù)進(jìn)行模型訓(xùn)練,因此,首先需要篩選具備正確養(yǎng)護(hù)經(jīng)驗的路段.

2.1 有效養(yǎng)護(hù)路段篩選

“有效養(yǎng)護(hù)”定義為進(jìn)行預(yù)防性養(yǎng)護(hù)后,路段的PCI評分有所提高.按照此標(biāo)準(zhǔn),對PCI處于84.4～93.0分的路段進(jìn)行篩選.首先,篩選出進(jìn)行過預(yù)防性養(yǎng)護(hù)的路段,再分析路段在預(yù)防性養(yǎng)護(hù)前后的路況檢測數(shù)據(jù),篩選出ΔPCI＞0的路段,作為具備正確養(yǎng)護(hù)經(jīng)驗的路段.

式中:PCI1為路面養(yǎng)護(hù)后的PCI評分;PCI2為路面養(yǎng)護(hù)前的PCI評分.本工作共篩選出符合條件的路段431個,其檢測數(shù)據(jù)、養(yǎng)護(hù)數(shù)據(jù)將用于BP神經(jīng)網(wǎng)絡(luò)建模.

2.2 模型參數(shù)分析

工程實踐中,預(yù)防性養(yǎng)護(hù)措施的選擇主要考慮路面技術(shù)狀況、道路交通等級、面層厚度等因素[5].現(xiàn)行的預(yù)防性養(yǎng)護(hù)決策是以路面結(jié)構(gòu)強(qiáng)度指數(shù)(structure strength index,SSI)足夠、橫向力系數(shù)(sideway force coefficient,SFC)優(yōu)良為前提,而本工作的決策方法是在此基礎(chǔ)上進(jìn)行的補(bǔ)充,因此結(jié)構(gòu)強(qiáng)度和路面抗滑不再作為補(bǔ)充方法的影響因素.路面行駛質(zhì)量、路面損壞狀況都對預(yù)防性養(yǎng)護(hù)對策的選擇影響較大,因此將路面行駛質(zhì)量指數(shù)(riding quality index,RQI)、PCI作為養(yǎng)護(hù)對策的影響因素.為了比較具體損壞構(gòu)成對養(yǎng)護(hù)決策的影響,本工作建立了兩個BP神經(jīng)網(wǎng)絡(luò)模型,二者的主要區(qū)別在于對路面損壞狀況的表征方式不同.模型1為PCI和主導(dǎo)損壞,模型2為PCI和全體損壞.除此之外,面層厚度、交通荷載等路段基礎(chǔ)數(shù)據(jù)也會影響預(yù)防性養(yǎng)護(hù)決策,故也將其作為建模參數(shù).對于模型訓(xùn)練的預(yù)防性養(yǎng)護(hù)措施,本工作收集了相應(yīng)路段2015—2019年的養(yǎng)護(hù)記錄,由于是以城市道路為例,預(yù)防性養(yǎng)護(hù)措施種類相對較少,故分為灌縫、罩面、微表處3類.表3和4為BP神經(jīng)網(wǎng)絡(luò)建模所用的參數(shù).

表3 BP神經(jīng)網(wǎng)絡(luò)模型1訓(xùn)練參數(shù)實例Table 3 The example of training parameters of BP neural network for Model 1

表4 BP神經(jīng)網(wǎng)絡(luò)模型2訓(xùn)練參數(shù)實例Table 4 The example of training parameters of BP neural network for Model 2

2.3 BP神經(jīng)網(wǎng)絡(luò)建模

Kolmogorov定理證明了BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和泛化能力,任一連續(xù)函數(shù)或映射函數(shù)均可采用3層網(wǎng)絡(luò)加以實現(xiàn)[32],因此本工作采用3層(輸入層、隱含層、輸出層)BP神經(jīng)網(wǎng)絡(luò)建立兩個模型.模型1和模型2的輸入層神經(jīng)元均為14個,輸出層神經(jīng)元均為3個(見表3和4).隱含層的神經(jīng)元數(shù)量一般沒有統(tǒng)一標(biāo)準(zhǔn),但數(shù)量過少時易發(fā)生欠擬合,難以恰當(dāng)表達(dá)輸入和輸出的關(guān)系,數(shù)量過多時又易出現(xiàn)過擬合,弱化模型的泛化能力,因此一般由經(jīng)驗公式確定隱含層神經(jīng)元數(shù)量[33].

式中:N為隱含層神經(jīng)元數(shù)量;m為輸入神經(jīng)元數(shù)量;n為輸出神經(jīng)元數(shù)量;a為1～10的常數(shù).按照式(9),得到隱含層的數(shù)量為5～14個.本工作經(jīng)反復(fù)調(diào)試,將隱含層神經(jīng)元數(shù)量定為14個,得到的結(jié)果更加穩(wěn)定(見圖3).

圖3 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.3 The structure diagram of BP neural network model

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型實際是優(yōu)化誤差函數(shù)的過程,反復(fù)訓(xùn)練迭代直至找到全局最優(yōu)的權(quán)值和閾值[34].本工作采用Trainsag共軛梯度算法來調(diào)整全局權(quán)值和閾值,這是因為相比于其他算法,該算法的搜索方向是負(fù)梯度方向和上一次迭代搜索方向的組合,不需要矩陣儲存,具有較快的收斂速率[35].

將431個養(yǎng)護(hù)效果良好的路段數(shù)據(jù)隨機(jī)分為3份,其中訓(xùn)練集占70%,驗證集和驗證集各占15%.訓(xùn)練集用于計算梯度、更新權(quán)重和閾值;驗證集用于確定最優(yōu)迭代次數(shù);測試集用于評估模型的泛化能力,即訓(xùn)練好的模型對新樣本的判別、推廣的能力.

2.4 結(jié)果分析

2.4.1 訓(xùn)練速度

當(dāng)訓(xùn)練集誤差降低而驗證集誤差升高時,停止訓(xùn)練,將此時對應(yīng)的迭代次數(shù)作為最優(yōu)迭代次數(shù),可在一定程度上緩解過擬合的問題[36].圖4為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線.可以看出:隨著迭代次數(shù)的增加,輸出結(jié)果的誤差迅速減小;模型1迭代34次時達(dá)到最優(yōu),交叉熵為0.28;模型2迭代72次時達(dá)到最優(yōu),交叉熵為0.14.因此,從收斂速度來說,模型1更優(yōu).

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.4 Training error curve of BP neural network

2.4.2 匹配精度

圖5為模型1和模型2對各類養(yǎng)護(hù)措施匹配精度用混淆矩陣表示,其中對角線內(nèi)數(shù)字表示分類正確的路段數(shù)及比例,對角線外為誤分類.

圖5 訓(xùn)練集混淆矩陣的Fig.5 Training confusion matrix

模型1對灌縫、罩面、微表處的匹配準(zhǔn)確率分別為89.7%、75.6%、44.6%.對罩面和微表處的匹配精度較低,表明根據(jù)主導(dǎo)損壞難以確定選擇罩面還是微表處.而模型2對灌縫、罩面、微表處的匹配準(zhǔn)確率可達(dá)92.7%、86.8%、86.4%,較模型1有了明顯提高,表明基于完整的損壞構(gòu)成更容易得到針對性的養(yǎng)護(hù)措施.模型2的總體匹配精度可達(dá)89.7%,較模型1(77.1%)提高了16%.因此模型2的匹配精度更高,基于詳細(xì)損壞分布選擇的養(yǎng)護(hù)措施表現(xiàn)出的規(guī)律性更強(qiáng),更符合預(yù)防性養(yǎng)護(hù)工程實際.

2.4.3 泛化能力

圖6為兩模型對訓(xùn)練集、驗證集和測試集的準(zhǔn)確率.可以看出,模型2測試集的匹配準(zhǔn)確率為86.2%,較模型1(58.5%)明顯提高.因此,模型2的泛化能力較強(qiáng),對新樣本的判別能力更強(qiáng).模型2訓(xùn)練集、驗證集和測試集的匹配精度變化幅度較小,說明模型2在3種數(shù)據(jù)集上的表現(xiàn)差異不大,得到的結(jié)果更加穩(wěn)定;而模型1在不同數(shù)據(jù)集上的表現(xiàn)差異較大,測試集和訓(xùn)練集的匹配精度難以維持在相似的水平.因此,相比于主導(dǎo)損壞,基于詳細(xì)損壞分布的養(yǎng)護(hù)決策模型的性能更加穩(wěn)定,更適合用于指導(dǎo)路面預(yù)防性養(yǎng)護(hù).

圖6 模型1和模型2的準(zhǔn)確率Fig.6 Decision accuracy of model 1 and 2

3 模型應(yīng)用

基于以上分析,PCI處于優(yōu)良之間(84.4～93.0分)的某一分段時,主導(dǎo)損壞可能無法概況路面損壞特征,采用傳統(tǒng)的決策樹法進(jìn)行預(yù)防性養(yǎng)護(hù)對策選擇可能難以取得良好效果,因此可在決策樹法的基礎(chǔ)上加以改進(jìn),引入模型2所示的BP神經(jīng)網(wǎng)絡(luò).當(dāng)路段滿足預(yù)防性養(yǎng)護(hù)條件且PCI介于該分段時,將各損壞的單項扣分值、PCI、RQI等數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò),即可得到更具有針對性的預(yù)防性養(yǎng)護(hù)參考意見,其決策流程如圖7所示.隨著路面歷年檢測數(shù)據(jù)的積累,上述損壞構(gòu)成差異較小的PCI分段會更逐漸穩(wěn)定.同時,隨著養(yǎng)護(hù)數(shù)據(jù)的累積,神經(jīng)網(wǎng)絡(luò)也可通過不斷的迭代、學(xué)習(xí),將積累的正確有效的養(yǎng)護(hù)經(jīng)驗不斷反饋到養(yǎng)護(hù)決策中,為復(fù)雜的路面養(yǎng)護(hù)決策問題提供一種高效、優(yōu)化的解決方案.

圖7 預(yù)防性養(yǎng)護(hù)補(bǔ)充決策方法Fig.7 Supplementary method of preventive maintenance decision

4 結(jié)束語

本研究針對綜合指標(biāo)和主導(dǎo)損壞對路面損壞特征表征不夠全面的問題,在傳統(tǒng)預(yù)防性養(yǎng)護(hù)決策樹方法的基礎(chǔ)上,提出了基于BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法,對主導(dǎo)損壞不突出的路段補(bǔ)充了針對性的決策方法.

(1)針對本研究中使用的數(shù)據(jù),當(dāng)PCI低于90.8分時(分組1～7),95%以上的路段有2～9種損壞;多種損壞的差異隨著PCI的降低先減小后增大;當(dāng)PCI處于84.4～93.0分時,不同損壞的差異尤為不明顯,主導(dǎo)損壞難以表征路面實際損壞特征.

(2)基于有效養(yǎng)護(hù)路段和BP神經(jīng)網(wǎng)絡(luò),考慮不同的損壞構(gòu)成,分別建立并比較了2個預(yù)防性養(yǎng)護(hù)決策模型.模型2訓(xùn)練集的匹配準(zhǔn)確率更高;模型2的泛化能力更強(qiáng),測試集的匹配準(zhǔn)確率達(dá)到了86.2%.因此,相比于主導(dǎo)損壞,基于多種損壞構(gòu)成的養(yǎng)護(hù)決策模型精度更高、泛化能力更強(qiáng)且更穩(wěn)定.

(3)BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)決策樹法結(jié)合能夠優(yōu)化瀝青路面預(yù)防性養(yǎng)護(hù)決策過程,提高養(yǎng)護(hù)對策選取的針對性,更符合實際的預(yù)防性養(yǎng)護(hù)決策,更適合推廣用于指導(dǎo)路面預(yù)防性養(yǎng)護(hù).