高速公路瀝青路面路用性能分段評(píng)價(jià)模型

吐?tīng)栠d·買買提,陳俊豪,謝海巍,高衛(wèi)平

(1. 新疆農(nóng)業(yè)大學(xué) 交通與物流工程學(xué)院,烏魯木齊 830052; 2. 新疆交通投資(集團(tuán))公司有限責(zé)任公司,烏魯木齊 830000)

中國(guó)公路總里程已經(jīng)超過(guò)500萬(wàn)km,位居世界領(lǐng)先行列,其中高速公路總里程近年來(lái)已經(jīng)達(dá)到20萬(wàn)km,超過(guò)美國(guó)成為全球第一。新疆在“十四五”期間計(jì)劃高速公路投資超過(guò)1萬(wàn)億元,到“十四五”末期,新疆的高速公路建設(shè)總里程將達(dá)到1萬(wàn)km,公路通車總里程將達(dá)到21萬(wàn)km(含兵團(tuán)),農(nóng)村公路將超過(guò)14萬(wàn)km。在這樣的情況下,老路的拓寬、改造和養(yǎng)護(hù)工程將成為新疆交通行業(yè)面臨的重要建設(shè)任務(wù)。

中國(guó)公路的建設(shè)方向已經(jīng)進(jìn)入了運(yùn)營(yíng)養(yǎng)護(hù)階段,公路的養(yǎng)護(hù)支出逐年增長(zhǎng)。公路養(yǎng)護(hù)支出中瀝青路面所占比重較高,其中瀝青路面的路用性能評(píng)價(jià)指標(biāo)對(duì)公路養(yǎng)護(hù)決策和支出的影響較大。為了建立高可信度的路用性能評(píng)價(jià)指標(biāo)體系與實(shí)際路面狀況之間的映射關(guān)系,學(xué)者和工程人員已經(jīng)對(duì)瀝青路面路用性能評(píng)價(jià)指標(biāo)及其權(quán)重進(jìn)行了大量研究,并制定了相應(yīng)的規(guī)范。

瀝青路面使用性能技術(shù)狀況評(píng)價(jià)指標(biāo)[1]包括路面損壞狀況指數(shù)(Pavement Condition Index ,PCI)、路面行駛質(zhì)量指數(shù)(Riding Quality Index ,RQI)、路面車轍深度指數(shù)(Rutting Depth Index ,RDI)、路面跳車指數(shù)(Pavement Bumping Index ,PBI)、路面抗滑性能指數(shù)(Skidding Resistance Index ,SRI)、路面磨耗指數(shù)(Pavement Wearing Index ,PWI)和路面結(jié)構(gòu)性能指數(shù)(Pavement Structure Strength Index ,PSSI)等7個(gè)單項(xiàng)指標(biāo)以及路面技術(shù)狀況指數(shù)(Pavement Quality Index ,PQI)綜合指標(biāo)。這些指標(biāo)的評(píng)定等級(jí)分為優(yōu)、良、中、次、差。在計(jì)算PQI時(shí),根據(jù)相關(guān)規(guī)范中的賦權(quán)方法,為每一個(gè)二級(jí)指標(biāo)賦予權(quán)重[2]。為了解決高速公路瀝青路面使用性能刻畫(huà)中精細(xì)化程度較低問(wèn)題,一些研究者基于模糊分析和粗糙集理論,在路面結(jié)構(gòu)性能、功能性能、車轍性能以及安全性能等方面,建立了評(píng)價(jià)等級(jí),并提出了新的解決思路。李海蓮等[3]基于模糊分析和粗糙集理論分析不完備系統(tǒng)的優(yōu)勢(shì),從路面結(jié)構(gòu)性能、功能性能、車轍性能以及安全性能等維度建立了評(píng)價(jià)等級(jí),并提出了解決高速公路瀝青路面使用性能刻畫(huà)精細(xì)化程度較低的問(wèn)題的思路。羅秀云等[4]采用層次分析法主觀賦權(quán)和熵權(quán)法客觀賦權(quán)進(jìn)行組合賦權(quán),構(gòu)建組合賦權(quán)值,建立基于物元理論的瀝青混凝土路面性能評(píng)價(jià)模型。張凱星等[5]利用神經(jīng)網(wǎng)絡(luò)在考慮路面結(jié)構(gòu)強(qiáng)度指標(biāo)的基礎(chǔ)上,建立綜合性能評(píng)價(jià)模型。汪雙杰等[6]對(duì)國(guó)內(nèi)外瀝青路面長(zhǎng)期性能研究進(jìn)行了全面分析。張麗娟等[7]提出了基于K最鄰近非參數(shù)回歸的預(yù)測(cè),構(gòu)建瀝青路面結(jié)構(gòu)使用性能最鄰近節(jié)點(diǎn)算法預(yù)測(cè)模型。趙靜等[8]提出了能夠有效動(dòng)態(tài)使用新數(shù)據(jù)的等維灰數(shù)遞補(bǔ)模型,對(duì)路面狀況等指標(biāo)進(jìn)行了預(yù)測(cè)。Nguyen等[9]分析了衡量道路表面不平度的響應(yīng)式方法可應(yīng)用的范圍和適用性,并重點(diǎn)討論了振動(dòng)傳感器和激光傳感器兩種常見(jiàn)的測(cè)量方法。Abed等[10]使用貝葉斯網(wǎng)絡(luò)作為概率預(yù)測(cè)模型,結(jié)合地理信息系統(tǒng)和遺傳規(guī)劃等方法,對(duì)瀝青路面的性能進(jìn)行了預(yù)測(cè)。Wang等[11]以公路養(yǎng)護(hù)為研究對(duì)象,利用馬爾可夫鏈及人工神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型,對(duì)高速公路的預(yù)防性能和維護(hù)性能進(jìn)行研究。Shim等[12]提出了一種基于輕量級(jí)自編碼器網(wǎng)絡(luò)的分層體系結(jié)構(gòu),用于道路表面損壞檢測(cè),用以優(yōu)化PCI指標(biāo)的精確度。Isradi等[13]探討了基于Bina Marga方法和路面損失狀況指數(shù)(PCI)方法評(píng)估道路路面損壞的有效性和可行性。Yu等[14]提出了一種考慮交通量和路面特征的瀝青路面摩擦系數(shù)預(yù)測(cè)模型。Wang等[15]開(kāi)發(fā)了一種混合灰色關(guān)聯(lián)分析和支持向量機(jī)回歸技術(shù)來(lái)預(yù)測(cè)路面性能,該預(yù)測(cè)模型解決了傳統(tǒng)模型考慮因素單一、預(yù)測(cè)周期短、容易過(guò)擬合等缺點(diǎn)。Li等[16]針對(duì)瀝青路面性能預(yù)測(cè)精度較低的問(wèn)題,基于粒子群優(yōu)化算法和支持向量機(jī)回歸算法建立一種新的路面性能預(yù)測(cè)模型。Yao等[17]提出了一種根據(jù)最長(zhǎng)增加或減少的子序列重建性能數(shù)據(jù)的質(zhì)量控制方法,并通過(guò)神經(jīng)網(wǎng)絡(luò)和主成分分析法減少評(píng)價(jià)指標(biāo)變量的維度。Guo等[18]提出一種采用梯度提升決策樹(shù)來(lái)預(yù)測(cè)兩個(gè)相關(guān)功能指標(biāo)的集成學(xué)習(xí)模型。Faisal等[19]通過(guò)比較Bina Marga方法和路面損壞狀況指數(shù)(PCI)方法在Banda Aceh市的應(yīng)用,以評(píng)估道路損壞狀況。Ho等[20]基于交通流載荷下的動(dòng)態(tài)響應(yīng)方法,對(duì)存在路面損傷的整體路面進(jìn)行了動(dòng)態(tài)沖擊系數(shù)評(píng)估。

等長(zhǎng)分段法是一種常用的養(yǎng)護(hù)路段劃分方法,將一條公路按照固定的長(zhǎng)度(如1km)進(jìn)行劃分,每個(gè)分段都有一個(gè)編號(hào)和一個(gè)起止點(diǎn)。優(yōu)點(diǎn)是操作和管理簡(jiǎn)便,不需要考慮路面屬性的差異。但缺點(diǎn)也很明顯,無(wú)法真正地將路面屬性相同或相近的路段合成到一起,導(dǎo)致有些路段的養(yǎng)護(hù)效果不佳。如果一個(gè)分段內(nèi)有多種病害類型、分布及成因,就需要采用不同的養(yǎng)護(hù)對(duì)策,增加了養(yǎng)護(hù)成本和難度。另外,如果一個(gè)分段內(nèi)有部分路面質(zhì)量很好,而另一部分很差,那么就會(huì)造成資源浪費(fèi)或者忽視問(wèn)題。為了解決這些問(wèn)題,許哲譜等[21]提出一種基于核密度估計(jì)的瀝青路面狀況動(dòng)態(tài)分段新方法。王雪[22]依賴于建立線性參考系統(tǒng)對(duì)路面進(jìn)行動(dòng)態(tài)分段。Wang等[23]提出了無(wú)監(jiān)督聚類方法,利用歸一化割方法,根據(jù)路面多維性能數(shù)據(jù)對(duì)路面進(jìn)行分段。

目前瀝青路面路用性能的研究主要集中在路用性能影響因素量化、路用性能單項(xiàng)指標(biāo)及綜合指標(biāo)預(yù)測(cè)模型、路用性能衰變方程參數(shù)優(yōu)化等方面。隨著數(shù)據(jù)挖掘方面的算法、算力和數(shù)據(jù)采集方面的技術(shù)和方法的持續(xù)發(fā)展,路用性能研究逐漸偏向于基于大規(guī)模數(shù)據(jù)和數(shù)據(jù)挖掘算法的數(shù)據(jù)驅(qū)動(dòng),同時(shí)計(jì)算機(jī)算力的提升為基于數(shù)據(jù)驅(qū)動(dòng)的瀝青路面路用性能分析提供了有力支撐[24]。在處理道路工程領(lǐng)域數(shù)據(jù)方面,傳統(tǒng)基于統(tǒng)計(jì)的方法存在一些缺陷,神經(jīng)網(wǎng)絡(luò)可以通過(guò)利用大量信息樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練,并建立輸入和輸出樣本之間的映射關(guān)系,從而實(shí)現(xiàn)預(yù)測(cè)、分類等任務(wù)。

新疆大部分公路跨越復(fù)雜多樣的地質(zhì)條件、不同的氣候和通行環(huán)境區(qū)域,但目前對(duì)瀝青路面路用性能評(píng)價(jià)時(shí)只采用統(tǒng)一的評(píng)價(jià)指標(biāo)體系和權(quán)重。因此文中提出一種將聚類算法、反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network ,BPNN)、平均影響值(Mean Impact Value ,MIV)等神經(jīng)網(wǎng)絡(luò)方法相結(jié)合,對(duì)研究路段進(jìn)行分段和二級(jí)指標(biāo)綜合權(quán)重優(yōu)化思路,進(jìn)而提高瀝青路面路用性能分析的精細(xì)化。

1 數(shù)據(jù)來(lái)源及評(píng)價(jià)指標(biāo)體系

1.1 瀝青路面路用性能數(shù)據(jù)

文中使用的高速公路路面使用狀況數(shù)據(jù)由新疆公路管理局和相關(guān)統(tǒng)計(jì)資料提供。這些數(shù)據(jù)將被用于分析高速公路路面的使用狀況,進(jìn)一步探究路面的維護(hù)和管理問(wèn)題。其中,數(shù)據(jù)涵蓋各類指標(biāo),如路面平整度、路面損壞情況和車流量等,這些指標(biāo)的數(shù)據(jù)來(lái)源覆蓋面廣泛,可以提高數(shù)據(jù)的可靠性和代表性。這些數(shù)據(jù)經(jīng)過(guò)統(tǒng)計(jì)和分析后,能夠深入研究高速公路路面的使用狀況和維護(hù)管理問(wèn)題,為公路建設(shè)和管理提供決策支持和科學(xué)參考。

1.2 指標(biāo)體系

根據(jù)數(shù)據(jù)的可獲得性、研究需求以及相關(guān)領(lǐng)域的前期研究成果,建立了1套包含二級(jí)指標(biāo)的綜合評(píng)價(jià)體系,以對(duì)瀝青路面的狀況進(jìn)行客觀全面的評(píng)估。該指標(biāo)體系是通過(guò)對(duì)多種影響瀝青路面性能的因素進(jìn)行分析和整合而成,旨在為決策者提供科學(xué)依據(jù)和指導(dǎo)建議。第一級(jí)指標(biāo)為路面技術(shù)狀況指數(shù)PQI,而第二級(jí)指標(biāo)則考慮了路面損壞狀況指數(shù)(PCI)、路面行駛質(zhì)量指數(shù)(RQI)、路面車轍深度指數(shù)(RDI)、路面跳車指數(shù)(PBI)、路面抗滑性能指數(shù)(SRI)等五大評(píng)價(jià)指標(biāo),從而更準(zhǔn)確地反映路面的實(shí)際情況[25]。該綜合評(píng)價(jià)指標(biāo)體系將為瀝青路面的監(jiān)測(cè)、維護(hù)和改進(jìn)提供有益的決策支持(見(jiàn)圖1)。

圖1 PQI指標(biāo)體系

2 研究方法

鑒于公路作為基礎(chǔ)設(shè)施的重要組成部分,其路用性能的評(píng)價(jià)對(duì)于保障公路的安全、經(jīng)濟(jì)和環(huán)保運(yùn)行具有重要意義。由于公路跨越復(fù)雜的地質(zhì)條件、氣候和交通流區(qū)域[26],其路用性能表現(xiàn)出一定的差異性和復(fù)雜性,因此需要采用多種方法對(duì)其進(jìn)行深入研究[27]。

文中采用聚類分析方法對(duì)路用性能檢測(cè)樣本進(jìn)行分類,并通過(guò)神經(jīng)網(wǎng)絡(luò)的技術(shù)手段對(duì)不同路段路用性能指標(biāo)進(jìn)行分析。具體地,采用K均值聚類(K-means)算法將公路樣本按照其路用性能的特征進(jìn)行分類,形成多個(gè)小組。在此基礎(chǔ)上,針對(duì)每一組樣本,利用傳統(tǒng)的統(tǒng)計(jì)學(xué)方法以及BP神經(jīng)網(wǎng)絡(luò),對(duì)其路用性能指標(biāo)進(jìn)行深入分析,以確定不同路段路用性能指標(biāo)對(duì)綜合路用性能評(píng)價(jià)的影響程度和相互關(guān)系[28]。

通過(guò)以上方法分析,能夠更加全面、準(zhǔn)確地了解公路路用性能的差異和特點(diǎn),發(fā)現(xiàn)其內(nèi)在的規(guī)律性和變異性[29],并為公路的建設(shè)和管理提供科學(xué)依據(jù)。

2.1 K-means聚類分析

瀝青路面病害檢測(cè)數(shù)據(jù)具有波動(dòng)幅度大和演變無(wú)規(guī)律等特征,通過(guò)選取聚類算法進(jìn)行分析可以更好地探索數(shù)據(jù)的內(nèi)在結(jié)構(gòu)[30],發(fā)現(xiàn)其中的規(guī)律性和異常點(diǎn)等信息。在常用的聚類算法中,K-means算法是一種經(jīng)典的基于距離的聚類方法。

K-means算法的目標(biāo)是將給定數(shù)據(jù)集D劃分為k個(gè)簇(其中k≤n),并使得同一簇內(nèi)的樣本相似度高,不同簇間的樣本相似度低。算法的計(jì)算過(guò)程主要包括以下幾個(gè)步驟:

1)從數(shù)據(jù)集D中隨機(jī)選取k個(gè)樣本點(diǎn)作為初始的k個(gè)簇的質(zhì)心;

2)將數(shù)據(jù)集中剩余的元素與k個(gè)簇中心計(jì)算距離(相似度),并將其分配到距離最近的簇中,從而生成新的k個(gè)簇;

3)重新計(jì)算k個(gè)簇的質(zhì)心,即該簇中所有樣本的平均值;

4)將數(shù)據(jù)集D中全部樣本按照新的質(zhì)心重新進(jìn)行聚類;

5)重復(fù)執(zhí)行第3、4步驟,直到質(zhì)心變化程度小于設(shè)定閾值;

6)最終輸出聚類結(jié)果,包括每個(gè)簇的質(zhì)心和其中包含的樣本點(diǎn)。

使用K-means算法進(jìn)行聚類分析可以更好地理解瀝青路面病害檢測(cè)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和規(guī)律,為進(jìn)一步的數(shù)據(jù)驅(qū)動(dòng)分析和建模提供基礎(chǔ)。通過(guò)將數(shù)據(jù)集劃分為k個(gè)簇,可以更有效地捕捉樣本之間的相似性和差異性,從而更好地識(shí)別數(shù)據(jù)中的異常點(diǎn)和規(guī)律信息。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中的一種前饋神經(jīng)網(wǎng)絡(luò),其具備強(qiáng)大的泛化性能和自主學(xué)習(xí)能力等特點(diǎn)。針對(duì)當(dāng)前瀝青路面路用性能檢測(cè)數(shù)據(jù)值域變化趨勢(shì)和數(shù)據(jù)樣本量不足等現(xiàn)狀,采用BP神經(jīng)網(wǎng)絡(luò)作為建立PQI預(yù)測(cè)模型的方法能夠有效地達(dá)到預(yù)期效果。該方法通過(guò)傳遞函數(shù),不斷調(diào)整輸入層、隱含層和輸出層各神經(jīng)元之間的權(quán)值,直到誤差函數(shù)輸出的誤差達(dá)到指定范圍。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)可參見(jiàn)式(1),誤差函數(shù)可參見(jiàn)式(2)。

(1)

(2)

式中:n為輸入的樣本數(shù)量;k為第k次調(diào)整權(quán)值;d(k)為第k次的期望輸出;y(k)為第k次的實(shí)際輸出。具體訓(xùn)練過(guò)程包括以下幾個(gè)步驟:

1)網(wǎng)絡(luò)初始化。根據(jù)輸入輸出序列(X,Y)確定網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)n、隱含層節(jié)點(diǎn)數(shù)l、輸出層節(jié)點(diǎn)數(shù)m。初始化輸入層和隱含層之間的權(quán)值wij、隱含層和輸出層之間的權(quán)值wjk。初始化隱含層閥值a、輸出層閥值b,給定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù);

2)隱含層輸出計(jì)算。根據(jù)X、權(quán)值wij、隱含層閥值a計(jì)算隱含層輸出H;

3)輸出層計(jì)算。根據(jù)隱含層輸出H,連接權(quán)值wjk和閥值b計(jì)算預(yù)測(cè)輸出Y;

4)誤差計(jì)算。根據(jù)預(yù)測(cè)輸出Y和期望值計(jì)算誤差e;

5)權(quán)值更新。根據(jù)預(yù)測(cè)誤差e更新連接權(quán)值wij和wjk;

6)閥值更新。根據(jù)預(yù)測(cè)誤差更新e,更新閥值a和b;

7)判斷迭代是否結(jié)束,若沒(méi)有結(jié)束返回到第2步,結(jié)束則終止。

2.3 平均影響值法

平均影響值 (Mean impact value, MIV)是一種用于衡量神經(jīng)網(wǎng)絡(luò)輸入變量對(duì)輸出變量影響程度的指標(biāo),由Dombi等[31]提出。MIV算法通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行大量訓(xùn)練,分析每個(gè)輸入變量對(duì)輸出變量的影響大小和方向,進(jìn)而確定其相對(duì)重要性。

MIV的計(jì)算過(guò)程包括以下幾個(gè)步驟(見(jiàn)圖2):首先,需要進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,得到模型的輸入和輸出映射關(guān)系。然后,對(duì)于每個(gè)輸入變量,將其逐一置零,再次進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,并記錄輸出結(jié)果的變化量。這個(gè)變化量即為該輸入變量對(duì)輸出變量的影響量。最后,將所有的影響量加權(quán)求和并除以總樣本數(shù),得到該輸入變量的平均影響值。MIV的絕對(duì)值大小代表輸入變量對(duì)輸出變量的相對(duì)重要性,符號(hào)則代表其影響方向。

圖2 MIV方法流程

相比傳統(tǒng)的特征選擇方法,MIV不僅考慮了輸入變量對(duì)輸出變量的重要性,而且還考慮了其影響方向,因此可以更加準(zhǔn)確地評(píng)估輸入變量的作用[32]。

3 瀝青路面路用性能實(shí)例分析

文中選取國(guó)家高速公路G3012吐和高速上行作為研究路段,并選取2019年的1829條PCI、RQI、PBI、RD和SRI年檢數(shù)據(jù)作為K-means聚類分析和BP神經(jīng)網(wǎng)絡(luò)的輸入樣本。其中,以1 km為基本路段單元進(jìn)行數(shù)據(jù)采集。文中研究目的是分析研究對(duì)象在不同路段上的性能質(zhì)量指標(biāo)(PQI)的影響程度[33]。為此,采用BP神經(jīng)網(wǎng)絡(luò)對(duì)輸入樣本進(jìn)行訓(xùn)練,將PQI作為輸出樣本,用于分析研究對(duì)象分段[34]及其性能質(zhì)量指標(biāo)的影響程度。

3.1 基于年檢數(shù)據(jù)的K-means聚類分析

文中將1 829條瀝青路面監(jiān)測(cè)數(shù)據(jù)按照5個(gè)指標(biāo)組成數(shù)據(jù)矩陣,采用matlab 2019軟件、以k=2～5作為參數(shù)進(jìn)行聚類實(shí)驗(yàn),并通過(guò)實(shí)驗(yàn)和輪廓系數(shù)方法來(lái)確定最佳的k值,結(jié)果表明k值為3最佳。

聚類后,通過(guò)計(jì)算每個(gè)簇的指標(biāo)最小值、最大值和質(zhì)心分布情況來(lái)對(duì)聚類結(jié)果進(jìn)行分析和評(píng)估,進(jìn)一步理解不同簇之間的差異性和相似性。表1和表2展示了聚類后3個(gè)簇的指標(biāo)最小值、最大值和質(zhì)心分布情況。

表1 簇最小最大值分布

表2 每個(gè)聚類中心的質(zhì)心

根據(jù)表1的數(shù)據(jù),每個(gè)指標(biāo)都有一個(gè)值域,通過(guò)分析每個(gè)聚類的最小值和最大值,可以得出以下結(jié)論:

每個(gè)路段在病害指標(biāo)值域方面與其他路段顯著不同。同時(shí),不同聚類中的路段表現(xiàn)也有較大的差異,這些差異主要體現(xiàn)在各個(gè)性能指標(biāo)的最小值和最大值上:

在聚類1中,除行駛質(zhì)量指標(biāo)RQI及車轍深度指標(biāo)RDI的最小值較低以外,其他指標(biāo)的最大最小值都處于聚類2和聚類3中較平均位置,表明聚類1中的路段整體上表現(xiàn)良好,綜合路面性能評(píng)價(jià)指標(biāo)平緩;

在聚類2中,除車轍深度指標(biāo)RDI的最小值處于較平均位置以外,其他四個(gè)指標(biāo)的最大最小值都比聚類1和聚類3中的值低,表明聚類2中的路段整體上表現(xiàn)較差,綜合路面性能評(píng)價(jià)指標(biāo)較低;

在聚類3中,除路面跳車指標(biāo)PBI的最大值處于較平均位置以外,其他四個(gè)指標(biāo)的最大最小值都比聚類1和聚類2中的值高,表明聚類3中的路段整體上表現(xiàn)較好,綜合路面性能評(píng)價(jià)指標(biāo)較高。

根據(jù)表2的質(zhì)心分布情況,并結(jié)合聚類分析結(jié)果,根據(jù)不同的評(píng)價(jià)指標(biāo),將G3012吐和高速上行段1 829 km可以分為三個(gè)不同的路段,分別為第1段(1 175 km)、第2段(136 km)和第3段(517 km)。每個(gè)路段在病害指標(biāo)值域方面與其他路段顯著不同。第1段的平均PCI值為84.6,表明該路段的路面損壞情況相對(duì)較差;第2段的平均PCI值為91.3,表明該路段的路面損壞情況較好;第3段的平均PCI值為96.8,表明該路段的路面損壞情況最好。

在行駛質(zhì)量指標(biāo)方面,第2段表現(xiàn)最好,平均值為96.2,而第1段和第3段的平均值分別為88.5和93.2。在路面跳車指標(biāo)和車轍深度指標(biāo)方面,第3段表現(xiàn)最好,平均值分別為94.7和92.6,而第1段和第2段的平均值均低于90。在抗滑性能指標(biāo)方面,第2段表現(xiàn)最好,平均值為97.8,而第1段和第3段的平均值分別為82.2和94.4。因此,不同路段的路面狀況和行駛質(zhì)量存在顯著差異,此外,聚類結(jié)果也為后續(xù)的神經(jīng)網(wǎng)絡(luò)分析提供了有價(jià)值的輸入數(shù)據(jù)。

3.2 反向傳播神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)PQI

為了研究不同路段病害指標(biāo)對(duì)PQI的影響程度,以更加準(zhǔn)確的方式計(jì)算PQI權(quán)重[35],文中采用了反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)方法。利用3.1中得到的聚類結(jié)果將G3012高速公路吐和路段分為3個(gè)段落,即簇。對(duì)于每個(gè)簇,將PCI、RQI、PBI、RDI和SRI作為BPNN神經(jīng)網(wǎng)絡(luò)的輸入,將相應(yīng)的PQI作為輸出,建立預(yù)測(cè)模型。網(wǎng)絡(luò)的隱含層和輸出層傳遞函數(shù)分別為tansig和purelin,網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm[36]。模型采用雙隱含層結(jié)構(gòu),其中第一層和第二層的節(jié)點(diǎn)數(shù)分別為5和4。網(wǎng)絡(luò)迭代次數(shù)(epoch)、學(xué)習(xí)率(lr)和學(xué)習(xí)目標(biāo)(goal)分別設(shè)置為100、0.001和0.0001,如圖3～5所示。

圖3 基于BPNN對(duì)評(píng)價(jià)指標(biāo)PQI預(yù)測(cè) (第一段)

圖4 基于BPNN對(duì)評(píng)價(jià)指標(biāo)PQI預(yù)測(cè) (第二段)

圖5 基于BPNN對(duì)評(píng)價(jià)指標(biāo)PQI預(yù)測(cè) (第三段)

BPNN模型在每個(gè)簇中的預(yù)測(cè)性能如表3～4所示。基于表3～4所示的結(jié)果,可以得出結(jié)論:在每個(gè)簇中,BPNN模型表現(xiàn)出了良好的預(yù)測(cè)性能,決定系數(shù)(R2)均在0.9以上。該模型在建立瀝青路面綜合路用性能和其輸入之間的映射關(guān)系方面具有較好的優(yōu)勢(shì)。因此,文中將進(jìn)一步研究應(yīng)用BPNN預(yù)測(cè)模型和MIV方法來(lái)構(gòu)建組合模型,以及將平均影響值法應(yīng)用于不同瀝青路面路用性能指標(biāo)對(duì)路用性能綜合評(píng)價(jià)指數(shù)PQI的分析中。

表3 BPNN訓(xùn)練集預(yù)測(cè)PQI性能(a)

表4 BPNN測(cè)試集預(yù)測(cè)PQI性能(b)

3.3 PQI影響因素貢獻(xiàn)率量化

當(dāng)前,對(duì)路段的綜合評(píng)價(jià)指標(biāo)PQI計(jì)算,主要采用固定權(quán)重法對(duì)所有指標(biāo)進(jìn)行加權(quán)平均。文中以G3012高速公路為研究對(duì)象,考慮到其穿越不同地質(zhì)、氣候和交通流條件,PQI的輸入向量PCI、RQI、PBI、RDI和SRI對(duì)這些因素均較為敏感,為此,文中結(jié)合BP神經(jīng)網(wǎng)絡(luò)在PQI預(yù)測(cè)方面的優(yōu)勢(shì),采用MIV方法分析每個(gè)路段PCI、RQI、PBI、RDI和SRI指標(biāo)對(duì)PQI的貢獻(xiàn)率,如表5～7所示。

表5 第1路段PQI影響因素貢獻(xiàn)率

表6 第2路段PQI影響因素貢獻(xiàn)率

表7 第3路段PQI影響因素貢獻(xiàn)率

基于表5～7中的數(shù)據(jù),用聚類方法將公路分成若干段,結(jié)果表明不同路段的瀝青路面路用性能綜合評(píng)價(jià)指數(shù)(PQI)的各項(xiàng)指標(biāo)的貢獻(xiàn)率不同。具體而言,三個(gè)路段中的PBI指標(biāo)對(duì)PQI的貢獻(xiàn)率相較于SRI分別增加了87.65%、94.48%和87.40%,這與現(xiàn)行我國(guó)公路技術(shù)評(píng)定標(biāo)準(zhǔn)中PBI和SRI對(duì)PQI的權(quán)重都為10%略有不同。因此,需要根據(jù)實(shí)際情況采取相應(yīng)的評(píng)價(jià)指標(biāo),以更準(zhǔn)確地評(píng)估路面的使用性能。同時(shí)也應(yīng)強(qiáng)調(diào)考慮不同指標(biāo)貢獻(xiàn)率的差異以及需要更多的基于數(shù)據(jù)驅(qū)動(dòng)和定制化的方法來(lái)評(píng)估瀝青路面性能的重要性。

4 結(jié) 論

根據(jù)公路瀝青路面路用性能評(píng)價(jià)指標(biāo)體系的參數(shù)精細(xì)化需求,文中采用K-means聚類算法、BP神經(jīng)網(wǎng)絡(luò)和MIV算法相結(jié)合,建立了PQI預(yù)測(cè)模型,并對(duì)PQI的輸入指標(biāo)的貢獻(xiàn)率進(jìn)行了分析。主要結(jié)論如下:

1)采用K-means聚類方法將公路分段,可以更準(zhǔn)確地評(píng)估不同路段的瀝青路面路用性能綜合評(píng)價(jià)指數(shù)PQI,并揭示了不同評(píng)價(jià)指標(biāo)對(duì)PQI貢獻(xiàn)率的差異性。

2)結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)和平均影響值算法構(gòu)建的路面綜合評(píng)價(jià)指標(biāo)預(yù)測(cè)模型可以有效地分析各項(xiàng)評(píng)價(jià)指標(biāo)與路面綜合評(píng)價(jià)指標(biāo)的權(quán)重關(guān)系,為公路技術(shù)狀況指標(biāo)體系提供了一種新的基于數(shù)據(jù)驅(qū)動(dòng)的權(quán)重精細(xì)化方法。

3)通過(guò)對(duì)所選路段路面評(píng)價(jià)指標(biāo)的分析,路面跳車指標(biāo)PBI對(duì)路面綜合評(píng)價(jià)指數(shù)PQI的貢獻(xiàn)率比抗滑性能指標(biāo)SRI高,這與現(xiàn)行公路技術(shù)評(píng)定標(biāo)準(zhǔn)中的固定權(quán)重存在差異,因此對(duì)于不同路段,需要選擇合適的評(píng)價(jià)指標(biāo)以更精準(zhǔn)地評(píng)估瀝青路面的使用性能。

由于所獲得數(shù)據(jù)的局限性,文中測(cè)試實(shí)驗(yàn)路段較少,在后續(xù)研究中將采集多條跨區(qū)域、跨氣候的高速公路相關(guān)數(shù)據(jù)進(jìn)行分析研究,以驗(yàn)證優(yōu)化模型的精確性。