基于級聯(lián)卷積神經網絡的瀝青混凝土吸水狀況推測方法

李家勝

摘要：針對傳統(tǒng)推測方法在復雜環(huán)境下無法實現(xiàn)數(shù)據(jù)共享，使數(shù)據(jù)重復出現(xiàn)，導致吸水狀況推測精準度低的問題，文章提出了基于級聯(lián)卷積神經網絡的瀝青混凝土吸水狀況推測方法。根據(jù)瀝青混凝土結構，確定三級網絡推測形式：通過第一級網絡依據(jù)級聯(lián)卷積神經網絡推測原理，分析吸水率與常壓、正壓環(huán)境關系，確定壓力對混凝土的吸水影響，獲取瀝青混凝土吸水率;通過第二、三級網絡可過濾不符合實際的情況，剔除大量冗余數(shù)據(jù)，避免重復數(shù)據(jù)出現(xiàn)。由實驗結果可知，使用該方法在常壓環(huán)境下與標準值最大誤差為0.5%，在正壓環(huán)境下與標準值一致，具有精準推測效果。

關鍵詞：級聯(lián)卷積神經網絡;瀝青混凝土;吸水狀況;推測

0 引言

長期暴露在自然環(huán)境下的瀝青路面常年受到降雨影響，雨水逐漸滲透到瀝青混凝土內部，長此以往會造成瀝青路面破裂、剝落等病害發(fā)生。如果瀝青路面積水無法有效快速排除，會在其表面形成一層水膜，當高速行駛車輛穿過水膜時，會降低輪胎與路面摩擦力，車輛瞬間會產生橫向漂移，存在一定的危險系數(shù)。因此，對瀝青混凝土吸水狀況進行推測研究是具有必要性的。

文獻[1]提出一種基于結構特征和紋理特征的瀝青混凝土吸水狀況推測方法，預處理瀝青混凝土吸水數(shù)據(jù)，檢測吸水方向邊緣，并利用瀝青混凝土結構特征推測吸水狀況;文獻[2]提取瀝青混凝土結構特征并構建特征向量，通過貝葉斯分類器精確推測瀝青混凝土吸水狀況;文獻[3]提出基于角點回歸全卷積神經網絡的瀝青混凝土吸水狀況推測方法，該方法能夠在標準數(shù)據(jù)上有效推測。然而，上述三種方法在正常環(huán)境下較適用，但是在環(huán)境復雜的條件下，受到壓強影響，無法實現(xiàn)數(shù)據(jù)共享，使數(shù)據(jù)重復出現(xiàn)，導致氣壓發(fā)生變化時，吸水狀況推測結果并不精準。因此，本文提出了基于級聯(lián)卷積神經網絡的瀝青混凝土吸水狀況推測方法。

卷積神經網絡能夠自動選取最優(yōu)特征提取算子，利用多層級聯(lián)方式檢測瀝青混凝土結構，首先采用輕量級的卷積神經網絡快速過濾掉大量的非瀝青混凝土吸水區(qū)域數(shù)據(jù)，之后采用復雜卷積神經網絡推測瀝青混凝土吸水狀況。

1 級聯(lián)卷積神經網絡推測原理

基于級聯(lián)卷積神經網絡的瀝青混凝土吸水狀況推測框架層級設計為三級，其推測示意圖如圖1所示。

圖1（b）為第一級網絡與瀝青混凝土結構基礎推測框圖;圖1（c）中第二級網絡是瀝青混凝土結構基礎推測框圖的進一步強化結果;圖1（d）中第三級網絡是對瀝青混凝土各層結構推測框圖進行篩選與數(shù)據(jù)回歸的結果。

輸入第一張推測圖像時，為了應對不同結構部分，需對推測圖像進行尺度變換，獲取圖片尺度縮放集合[4]。每張圖片推測流程如圖2所示。

推測框是依次通過不同級網絡，推測瀝青混凝土吸水情況并得到推測混凝土結構[5]。重新調整前一級推測框對應的圖片大小，并將調整結果傳送到下一級中再次推測判別，在第三個級層輸出吸水狀況推測結果。

第二級主要任務是對第一級瀝青混凝土吸水狀況推測不符合實際情況的結果過濾。第二級網絡為一個多任務分類網絡，其結構如圖3所示。

與第一級網絡目標不同，第二級中所生成的吸水狀況推測框數(shù)量有所減少，剔除多余數(shù)據(jù)，只針對吸水結構推測其回歸框[6]。在第二級網絡結構中存在較多神經單元，大大增加了第二級網絡的擬合性。與第一級網絡類似，第二級網絡是對吸水狀況相對誤差展開推測的[7]。

第三級為推測框架最后一個階段，其作用是承接第二級結果，并過濾多余數(shù)據(jù)，因此，該級將推測精度作為參照結果[8]。與前兩級不同，第三級網絡結構中使用全連接層，有效保證了推測精度。

2 瀝青混凝土吸水狀況推測

依據(jù)級聯(lián)卷積神經網絡推測原理，可確定三級網絡推測結果，第一級網絡推測結果可獲取圖片尺度縮放集合，該集合內數(shù)據(jù)包括瀝青混凝土吸水率數(shù)據(jù);第二、三級網絡推測結果是過濾不符合實際的情況，減小推測誤差，保證推測精度。因此，依據(jù)該原理，研究含水率與浸水壓力關系，由此推測瀝青混凝土吸水狀況。

2.1 第一級推測

建立的級聯(lián)卷積神經網絡結構如圖4所示。

由圖4可知，該網絡中存在2個分類器，均是卷積神經網絡，其中一個為高分辨率訓練樣本，另一個是低分辨率訓練樣本[9]。將256×256像素小尺寸圖像作為輸入樣本直接輸入該網絡中作為訓練和測試樣本，之后進行卷積和赤化操作，推測瀝青混凝土吸水狀況。

瀝青混凝土含水率與不同空氣壓力之間的關系如表1所示。

由表1可知，常壓環(huán)境下，基于級聯(lián)卷積神經網絡推測方法，隨著壓力增加，吸水率由2.50%增加到3.80%，增加速度較慢;正壓環(huán)境下，基于級聯(lián)卷積神經網絡推測方法，隨著壓力增加，吸水率也隨之緩慢增加。

使用級聯(lián)卷積神經網絡推測方法可推測出，當瀝青混凝土外部環(huán)境壓力出現(xiàn)變化時，滲透性會隨之變化。當瀝青混凝土處于常壓環(huán)境下，水流在外部壓力作用下向混凝土內部滲入的速度較慢，隨之而來的還有空氣，空氣逐漸使連通孔隙飽和，瀝青混凝土吸水率不再變化[10];當瀝青混凝土處于正壓環(huán)境下，水流在外部壓力作用下向混凝土內部逐漸滲入，使瀝青混凝土吸水率增大。

2.2 第二、三級推測

調節(jié)卷積核權值與偏值參數(shù)，使得網絡輸出結果與實際結果最為接近。由于卷積核和偏值在網絡訓練前是隨機賦予的，因此，輸出結果與實際結果存在一定的偏差。

為了減少偏差，在訓練中采用前反饋算法，流程如圖5所示。

通過基于級聯(lián)卷積神經網絡的二、三級推測，減小推測誤差，保證推測精度。

3 實驗分析

為了驗證基于級聯(lián)卷積神經網絡的瀝青混凝土吸水狀況推測方法的合理性，進行實驗驗證分析。

3.1 瀝青混凝土路面結構

以廣西某高速公路為例，該路面采用“滲透+密封”的結構形式設計瀝青混凝土路面防水層，工程區(qū)多雨，設計人員把預防水害放在第一位。除了作為致密結構層的表面層、中層表面層和底層表面層外，還可提供穩(wěn)定的礫石基層?！皾B透+密封”防水結構層可防止雨水不斷從表層滲入基層。具體結構組合優(yōu)化方法如下：

（1）主線路填土及土質挖方路段。該路段的路面結構為：第一層為厚度為6 cm的AC-13型防滑面層;第二層為厚度為6.5 cm的AC-20型面層;第三層為厚度為6 cm的AC-25型底層;表層厚度為0.6 cm的漿料密封層和5.5%水泥穩(wěn)定碎石上基層。本工程主干高填方和匝道路面的結構設計也符合上述標準，即厚度為15 cm的5%水泥穩(wěn)定碎石和厚度為20 cm的4.5%水泥穩(wěn)定碎石。

（2）主線路石方開挖路段。該路段路面結構面層至下層完全一致，主要是由厚度僅為10 cm的4.5%水泥穩(wěn)定碎石基層組成的。

3.2 實驗材料及級配選擇

3.2.1 實驗材料

使用AH-70#瀝青，表1顯示了其主要性能，確定了最優(yōu)油石比為5.0%。用馬歇爾標準試件進行了試驗，瀝青混凝土的表觀密度為2.39 g/cm3，其最大理論相對密度為2.53 g/cm3，孔隙率為5.6%。AH-70#型號瀝青性能指標如表2所示。

3.2.2 級配選擇

SC-10級配是一種粗骨料級配，其依靠較多粗骨料形成一個骨架。為確保級配的高溫穩(wěn)定性和致密性，必須對細骨料進行充分填充。SAC-10級配具有碎石含量高、細集料多的特點。在應力吸收層中采用該級配，抗彎抗拉能力較強（見表3）。

使用改性I-D型瀝青作為應力吸收層基礎材料，粗細集料都是石灰?guī)r，依據(jù)該選擇結果設置實驗指標。

3.3 實驗指標

用稱重法測定瀝青混凝土含水率，分別記錄浸漬前和浸漬后瀝青混凝土質量m1、m2，浸漬一段時間后的樣品吸水率用式（3）計算。

Wt=m2-m1m1×100%（3）

根據(jù)式（3）計算出浸漬一段時間后瀝青混凝土含水量，將其作為吸水率測定指標。

3.4 實驗結果與分析

使用基于結構特征和紋理特征的瀝青混凝土吸水狀況推測方法，即Q2，利用瀝青混凝土結構特征推測吸水狀況;基于貝葉斯分類器推測方法，即Q3，提取瀝青混凝土結構特征并構建特征向量，由此推測混凝土吸水狀況;基于角點回歸全卷積神經網絡推測方法，即Q4，在標準數(shù)據(jù)上利用全卷積神經網絡推測混凝土吸水狀況。傳統(tǒng)上這三種方法在復雜環(huán)境下，出現(xiàn)大量冗余數(shù)據(jù)，導致瀝青混凝土吸水狀況推測精準度較低，而使用基于級聯(lián)卷積神經網絡推測方法，即Q1，其推測結果更加精準。

為了驗證該點，分別從含水率、吸水率兩方面，將這4種方法進行對比分析。

3.4.1 含水率

將含水率作為測試指標，分別使用四種方法推測瀝青混凝土吸水狀況，對比結果如表4所示。

由表4可知，在浸漬前5 g時，使用四種方法得到的浸漬后結果與標準值一致，其余情況下，只有使用Q1方法與標準值一致。剩下三種方法與標準值存在較大誤差，含水率計算結果并不精準。

通過上述分析可知，使用基于級聯(lián)卷積神經網絡推測方法含水率推測結果與實際值一致，說明該方法推測結果較為精準。

3.4.2 吸水率

（1）常壓吸水率。分別使用四種方法分析瀝青混凝土常壓吸水率，結果如圖6所示。

由圖6可知，在常壓環(huán)境下，使用基于級聯(lián)卷積神經網絡推測方法與標準值相差較小，最大誤差為0.5%;而使用基于結構特征和紋理特征的瀝青混凝土吸水狀況推測方法、基于貝葉斯分類器推測方法、基于角點回歸全卷積神經網絡推測方法與標準值相差較大，最大誤差依次為4.5%、5.5%、5.9%。

（2）正壓吸水率。分別使用四種方法分析瀝青混凝土正壓吸水率，結果如圖7所示。

由圖7可知，在正壓環(huán)境下，使用基于級聯(lián)卷積神經網絡推測方法與標準值基本一致，誤差為0;而使用基于結構特征和紋理特征的瀝青混凝土吸水狀況推測方法、基于貝葉斯分類器推測方法、基于角點回歸全卷積神經網絡推測方法與標準值相差較大，最大誤差依次為7%、6%、6%。

通過上述分析結果可知，以往使用的基于結構特征和紋理特征的瀝青混凝土吸水狀況推測方法、基于貝葉斯分類器推測方法、基于角點回歸全卷積神經網絡推測方法在復雜環(huán)境下，無法實現(xiàn)數(shù)據(jù)共享，使數(shù)據(jù)重復出現(xiàn)，導致氣壓發(fā)生變化時，無法精準推測吸水率。而使用基于級聯(lián)卷積神經網絡推測方法，通過級聯(lián)卷積神經網絡識別圖像中的有效數(shù)據(jù)信息，不會出現(xiàn)冗余數(shù)據(jù)，在無重復數(shù)據(jù)支持下，具有精準推測結果。

4 結語

本文針對瀝青混凝土吸水狀況，提出了基于級聯(lián)卷積神經網絡的推測方法。由實驗驗證結果可知，隨著浸泡時間的延長，密級配瀝青混凝土的含水率逐漸增加，初期增長迅速，后期擴散緩慢;分別在常壓和正壓環(huán)境下測試瀝青混凝土吸水狀況，發(fā)現(xiàn)基于級聯(lián)卷積神經網絡推測與標準值基本一致。

由于實驗只選用了AH-70#瀝青混凝土，所以研究結果并不具有全面性。為了進一步證明該方法比其他方法更能精準推測出瀝青混凝土吸水狀況，在今后研究項目中，應對其他類型瀝青混凝土展開詳細研究。

參考文獻：

[1]王朋輝，胡永彪，田明銳，等.基于圖像紋理的瀝青路面坑槽識別及提取[J].計算機應用研究，2018，35（5）：1 596-1 600.

[2]王曉孟，石永奎，郝 建.基于貝葉斯分類器的直接頂穩(wěn)定性的預測方法研究[J].煤炭技術，2018，37（2）：86-88.

[3]溫作林，申永剛，蘇 建，等.基于卷積神經網絡的混凝土裂縫識別[J].低溫建筑技術，2019，41（6）：9-12，21.

[4]程亨達，陳煥新，李正飛，等.多聯(lián)機系統(tǒng)制熱工況下的制冷劑充注量故障診斷模型——基于多層卷積神經網絡[J].制冷學報，2020，41（1）：40-47.

[5]譚 聰，李宗利，韓進生，等.不同強度等級和尺寸混凝土自由吸水規(guī)律研究[J].混凝土，2019（11）：34-38.

[6]紀 鋒，陳亮亮，張 鵬，等.再生混凝土吸水率與強度的相關性研究[J].長江科學院院報，2019，36（3）：139-144.

[7]孫紅軍，謝曉杰，王永貴.基于ANSYS的舊水泥混凝土路面瀝青加鋪層應力狀態(tài)研究[J].公路工程，2020，45（1）：173-177，211.

[8]田 園，郭乙霏，郭利霞，等.強吸水再生預處理對混凝土抗凍性影響研究[J].人民黃河，2019，41（4）：135-138，147.

[9]姜 騫，石 亮，崔 鞏，等.過度振搗對海工混凝土構件吸水率的影響研究[J].新型建筑材料，2018，45（10）：6-9.

[10]鄭春樂，拾方治，李秀君.舊混凝土板粒石化再生骨料吸水特性研究[J].上海理工大學學報，2018，40（5）：70-75.