详情

原文传递一种沥青混合料综合性能预测方法

专利名称：	一种沥青混合料综合性能预测方法
摘要：	本发明公开了一种沥青混合料综合性能预测方法选取若干种沥青混合料的合成级配参数、油石比以及每种级配的沥青混合料相应性能作为试验样本总体；对收集到的样本数据剔除异常值，进行归一化处理，作为模型的输出变量，判断样本的各档合成级配参数和油石比之间的相关性和主成分分析后确定模型的输入变量，建立神经网络模型，用模型输出变量对神经网络模型进行训练，利用训练完毕的神经网络模型对测试集数据进行仿真；利用经主成分分析算法优化后的神经网络模型可以高效准确的计算出混合料综合性能，对沥青混合料的混合料综合性能进行评价，从而避免进行大量重复性的试验操作，避免了试验试件的制作，有效地减少人力、物力和财力的浪费。
专利类型：	发明专利
国家地区组织代码：	陕西;61
申请人：	长安大学
发明人：	董仕豪;宿金菲;韩森;刘梦梅;张壮;姚腾飞;田中男
专利状态：	有效
申请日期：	2019-01-23T00:00:00+0800
发布日期：	2019-06-21T00:00:00+0800
申请号：	CN201910064346.0
公开号：	CN109917115A
代理机构：	西安通大专利代理有限责任公司
代理人：	徐文权
分类号：	G01N33/42(2006.01);G;G01;G01N;G01N33
申请人地址：	710064 陕西省西安市碑林区南二环路中段
主权项：	1.一种沥青混合料综合性能预测方法，其特征在于，包括以下步骤：步骤1，选取若干种级配沥青混合料的级配参数和性能参数作为样本数据；步骤2，对步骤1收集到的样本数据进行预处理，剔除异常值，并进行归一化处理；步骤3，计算步骤2归一化后各档合成级配参数和油石比之间的相关性，得到相关系数矩阵，若相关系数矩阵中有一半以上的数据大于阈值，则对数据进行降维处理，将降维后得到的主成分确定为神经网络模型的输入变量；若不满足降维条件，则直接将合成级配参数和油石比确定为神经网络模型输入变量；步骤4，根据步骤3确定神经网络模型输入层的输入变量，将沥青混合料的稳定度、流值、动稳定度、残留稳定度和低温破坏应变作为神经网络模型的输出变量，建立BP神经网络模型，其数学表达式为：其中，Mk为模型输入变量，Wki为输入层权重，εi为输入层误差项，Vij为输出层权重，ηj为输出层误差项，Tj为模型输出值，k为主成分个数，取值1～n，i为隐含层神经元个数，取值1～m，j为输出变量个数，f(x)为传递函数；步骤5，将步骤3确定的输入变量作为BP神经网络模型的输入变量，将沥青混合料的性能参数作为BP神经网络模型的输出变量，对步骤4所建立BP神经网络模型进行训练；BP神经网络模型输出结果的均方差符合要求时，则进行步骤6，若不符合要求，则重复步骤4和步骤5；步骤6，用步骤5所训练的神经网络模型对测试集数据进行多次仿真，取仿真结果的平均值作为最终预测结果。 2.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤1中，性能参数包括合成级配参数和油石比以及每种级配的沥青混合料相应的稳定度、流值、动稳定度、残留稳定度和低温破坏应变作为样本数据。 3.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤2中，采用进行归一化处理，其中，x为归一化之前样本的合成级配参数、油石比、稳定度、流值、动稳定度、残留稳定度和低温破坏应变，y为归一化之后样本的合成级配参数、油石比、稳定度、流值、动稳定度、残留稳定度和低温破坏应变。 4.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤3中，利用公式：和判断样本的各档合成级配参数和油石比之间的相关性，其中cov(xi,yi)为第i个输入变量和第j个输入变量之间的协方差，xi为第i个输入变量在所有样本中的平均值，Dxi为第i个输入变量在所以样本中的方差，n为样本个数，rij为第i个输入变量和第j个输入变量之间的相关系数，相关系数矩阵R为： 5.根据权利要求4所述的沥青混合料综合性能预测方法，其特征在于，步骤3中，主成分的个数由累计贡献率Ck确定：其中，λi为原有变量的相关系数矩阵的第i个特征值，k为主成分个数，p为需要进行主成分分析的原有变量的个数，k＜p。 6.根据权利要求5所述的沥青混合料综合性能预测方法，其特征在于，步骤3中的判断降维阈值为0.3，采用采用PCA算法对输入变量进行降维。 7.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤4中，建立一个隐含层为1层并含有23个神经元的BP神经网络模型，j取值1～5，传递函数为tansig函数：其中，n为样本数量，隐含层神经元取10～40个。 8.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤5中，计算BP神经网络模型输出结果的均方差MSE，对BP神经网络模型训练状态进行评价：其中，Ti为测试值，ti为真实值，n为样本数量，即试件个数，当MSE＜10-5且趋于稳定时BP神经网络模型训练完成，符合使用要求。 9.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤5中，BP神经网络模型训练次数是通过对测试集数据的测试结果调整得到，在6000～10000范围取值；在输出层没有得到期望的输出时，则计算输出层的误差变化值，通过误差反向传播，对权值和阈值调整，使BP神经网络模型满足精度要求。 10.根据权利要求1所述的沥青混合料综合性能预测方法，其特征在于，步骤6中，采用参与模型训练的参数与马歇尔试件的合成级配参数和油石比进行验证，对10组数据分别测试10次，各取其平均值作为最终测试值。
所属类别：	发明专利