趙琪 張健 張智民 陳鎮(zhèn)文 劉澤佳 周立成 劉逸平

文章編號：1671-3559（2024）03-0331-10DOI：10.13349/j.cnki.jdxbn.20240318.001

摘要： 為了提高瀝青路面壓實度預(yù)測的準確率，基于機器學習對瀝青路面進行壓實度質(zhì)量評估；通過對比實際工程中不同壓路機在瀝青路面上的振動規(guī)律，構(gòu)建振動壓路機-瀝青路面系統(tǒng)動力學模型，利用Simulink數(shù)值仿真軟件對所構(gòu)建的模型進行仿真，設(shè)計8種工況，對比壓實度計值、 壓實度控制值、 機械驅(qū)動功率、滾輪綜合剛度、 填筑體能量、 單位體積壓實功率6個壓實度質(zhì)量評估指標在各工況下的適用性差異；采用支持向量機、 邏輯回歸、 k最近鄰、 決策樹、 樸素貝葉斯法5種傳統(tǒng)的機器學習方法對各工況下的壓實度質(zhì)量評估指標樣本進行訓練，對比壓實度預(yù)測準確率；設(shè)計壓路機在不同碾壓次數(shù)時的碾壓路線，對比分別采用最優(yōu)壓實度質(zhì)量評估指標和單一壓實度質(zhì)量評估指標的壓實度預(yù)測準確率。結(jié)果表明：不同壓實度質(zhì)量評估指標在不同工況下的適用性不同，即使在同一種工況下，不同碾壓次數(shù)時的適用性也存在差異；采用最優(yōu)壓實度質(zhì)量評估指標代替單一壓實度質(zhì)量評估指標，壓實度預(yù)測準確率提高5.8%； 在5種傳統(tǒng)的機器學習方法中，樸素貝葉斯法預(yù)測最優(yōu)壓實度質(zhì)量評估指標類型的準確率最高，為96.22%。

關(guān)鍵詞： 瀝青路面； 壓實度質(zhì)量評估； 機器學習； 壓實度； 動力學模型

中圖分類號： U416.217

文獻標志碼： A

開放科學識別碼（OSID碼）：

Quality Evaluation on Compaction of

Asphalt Pavements Based on Machine Learning

ZHAO Qi1， ZHANG Jian2， ZHANG Zhimin2， CHEN Zhenwen2， LIU Zejia1， ZHOU Licheng1， LIU Yiping1

（1. School of Civil Engineering and Transportation， South China University of Technology， Guangzhou 510641， Guangdong， China;

2. Guangzhou Chengtou Road and Bridge Engineering Co.， Ltd.， Guangzhou 510199， Guangdong， China）

Abstract： To improve accuracy of asphalt pavement compaction prediction， quality evaluation on compaction asphalt pavements was conducted on the basis of machine learning. By comparing vibration patterns of different rollers on asphalt pavements in practical engineering， a dynamical model of vibration roller-asphalt pavement system was constructed.? The constructed model was simulated by using Simulink numerical simulation software， and eight working conditions were designed to compare applicability differences of six quality evaluation indicators of compaction under different working conditions including compaction meter value， compaction control value， machine drive power， roller-integrated stiffness， filling energy， and unit volume compaction power. Five traditional machine learning methods， namely support vector machine， logistic regression， k-nearest neighbor， decision tree， and naive Bayes， were used to train quality evaluation indicator samples of compaction under different working conditions， and prediction accuracy of compaction was compared. Rolling routes of the roller with different rolling times were designed to compare predict accuracies of compaction using the

收稿日期： 2023-03-14????????? 網(wǎng)絡(luò)首發(fā)時間：2024-03-19T16：00：19

基金項目： 國家自然科學基金項目（11972162）；廣東省自然科學基金項目（2023A1515012942）

第一作者簡介： 趙琪（1998—），男，滿族，吉林四平人。碩士研究生，研究方向為瀝青路面壓實度的智能監(jiān)測。E-mail： 3487554692@qq.com。

通信作者簡介： 劉澤佳（1975—），男，山東平度人。副教授，博士，碩士生導師，研究方向為固體力學。E-mail： zjliu@scut.edu.cn。

網(wǎng)絡(luò)首發(fā)地址： https：//link.cnki.net/urlid/37.1378.N.20240318.1842.002

optimal quality evaluation indicators of compaction and the single quality evaluation indicators of compaction. The results show that the applicability of different quality evaluation indicators of compaction is different under each working condition. Even under the same working condition， the applicability with different rolling times is also different. Using the optimal quality evaluation indicators of compaction to evaluate indicators instead of the single quality evaluation indicators of compaction， the prediction accuracy of compaction is increased by 5.8%. Among the five traditional machine learning methods， naive Bayes method has the highest accuracy of predicting types of the optimal compaction quality evaluation indicators， which is 96.22%.

Keywords： asphalt pavement; quality evaluation on compaction; machine learning; compaction; dynamical model

瀝青路面施工工期較短，平整度好，行車舒適性好且噪聲小，同時養(yǎng)護方便。在瀝青路面建設(shè)施工過程中，壓實是瀝青路面施工過程中的最后一道工序，壓實度是壓實過程中嚴格控制的指標之一［1］。壓實度對瀝青路面施工質(zhì)量、 使用性能和使用壽命都有重要影響，在一定程度上決定了瀝青路面的抗水損害能力、 抗車轍能力和耐久性，因此壓實度質(zhì)量評估被高度重視。

傳統(tǒng)的檢測壓實度的方法一般有灌砂法、 鉆芯取樣法等［2］。這些方法存在很多不足之處，例如：利用灌砂法和鉆芯取樣法進行壓實度的測定時，通常是對某個點進行檢測的，隨機性大，以點蓋面的做法缺乏代表性；檢測的結(jié)果具有滯后性，無法實時得到準確的壓實度測量結(jié)果，最終導致人力、 物力、 財力浪費；傳統(tǒng)的檢測壓實度的方法是有損的，對道路會造成一定程度的破壞。

由于傳統(tǒng)壓實檢測技術(shù)存在諸多缺點，因此智能壓實檢測技術(shù)應(yīng)運而生［3］。智能壓實檢測技術(shù)是采用計算機技術(shù)、高精密傳感技術(shù)以及定位技術(shù)等高新技術(shù)集成的新型壓實檢測技術(shù)［4］。智能壓實檢測技術(shù)對于解決上述壓實質(zhì)量控制的不足具有非常顯著的優(yōu)勢，但是目前在智能壓實檢測領(lǐng)域，仍有一些問題需要解決： 1）大多數(shù)智能壓實檢測設(shè)備仍基于碾壓次數(shù)或單一壓實度質(zhì)量評估指標（簡稱單一指標）評價壓實度?；谀雺捍螖?shù)的方法忽略了其他因素，具有較大誤差，不宜采用；由于不同指標適用的工況不同，因此基于單一指標的方法對所有壓實工況均采用單一指標時也會產(chǎn)生較大誤差，甚至是錯誤的預(yù)測結(jié)論。 2）利用機器學習方法預(yù)測壓實度的方法改進了傳統(tǒng)方法的不足之處，但是需要進行大量的現(xiàn)場施工試驗從而建立數(shù)據(jù)庫，此過程需要耗費大量的人力和物力。

為了提高壓實度預(yù)測準確率， 本文中對不同壓實度質(zhì)量評估指標在不同工況下的適用性進行探討， 并結(jié)合相應(yīng)工況選取最優(yōu)壓實度質(zhì)量評估指標（簡稱最優(yōu)指標）， 構(gòu)建振動壓路機-瀝青路面系統(tǒng)動力學模型（簡稱本文模型）， 結(jié)合MATLAB/Simulink軟件與機器學習， 對本文模型進行仿真， 設(shè)計8種不同類型的工況， 分別比較采用最優(yōu)指標預(yù)測和采用單一指標預(yù)測壓實度的準確率， 并結(jié)合路基壓實現(xiàn)場試驗， 進一步驗證最優(yōu)指標預(yù)測相對于單一指標預(yù)測的優(yōu)勢。

濟南大學學報（自然科學版）第38卷

第3期趙琪，等：基于機器學習的瀝青路面壓實度質(zhì)量評估

1? 模型構(gòu)建

1.1? 智能壓實檢測技術(shù)

智能壓實檢測技術(shù)是用于土壤、 骨料和瀝青混合料壓實檢測的技術(shù)。該技術(shù)通過測量壓路機振動輪的加速度信號，計算得到相應(yīng)的壓實度質(zhì)量評估指標，以此反映填筑體的壓實程度［5］，因此構(gòu)建振動加速度與壓實度的關(guān)系模型尤為重要。智能壓實檢測技術(shù)工作原理如圖1所示。加速度傳感器豎直置于振動輪中軸，以測量振動輪的加速度信號。隨著填筑體壓實度的增加，振動輪所受地面的反作用力相應(yīng)增加，加速度也增加。將所測加速度信號上傳至位于駕駛室內(nèi)的控制系統(tǒng)，從而計算相應(yīng)的智能壓實測試值，最終得到實時預(yù)測的壓實度。根據(jù)智能壓實檢測技術(shù)工作原理，可以通過測量加速度信號評估填筑體的壓實狀態(tài)。

1.2? 壓實度質(zhì)量評估指標

僅采用加速度評價壓實度因所考慮影響因素有限，通常產(chǎn)生較大誤差。為了有效地提高預(yù)測準確率，在加速度的基礎(chǔ)上對壓實度質(zhì)量評估指標進行改進。指標的可靠性是直接影響智能壓實檢測技術(shù)適用性的關(guān)鍵因素。

壓實度質(zhì)量評估指標最早出現(xiàn)于20世紀70年代，即基于對加速度信號進行傅里葉變換后，加速度頻域上2次諧波幅值與基頻幅值之比與壓實度之間的關(guān)系，以壓實度計值（compaction meter value， CMV）作為壓實度質(zhì)量評估指標，記為vcm。其他頻域上的振幅也對壓實度產(chǎn)生一定的影響，因此更多頻譜成分被引入畸變程度的計算中，以壓實度控制值（compaction control value， CCV）作為壓實度質(zhì)量評估指標，記為vcc［6］。vcc是vcm的擴展，不僅考慮了振動輪垂直加速度在頻域上的1、 2次諧波振幅，同時考慮了能夠反映諧波形狀的0.5、 1.5、 2.5、 3次諧波振幅。

Rinehart等［7］通過建立壓實度和壓路機消耗能量的關(guān)系式，提出以機械驅(qū)動功率（machine drive power）作為壓實度質(zhì)量評估指標，記為Pmd，計算式［7］為

Pmd=P-Wvsin α+z··g-（vl1+l2） ，（1）

式中： P為壓路機總驅(qū)動功率； W為壓路機重力； v為壓路機行駛速度； α為壓路機的爬坡角； z··為振動輪振動加速度；g為重力加速度； l1、 l2為機械自身能量損耗率。

Anderegg等［8］從振動力學的角度出發(fā)，通過求解二自由度動力學模型的二階微分運動方程，提出以滾輪綜合剛度（roller-integrated stiffness）作為壓實度質(zhì)量評估指標，記為ks，計算式［8］為

ks=Ω2m2+m0e0cos z

，（2）

式中： Ω為壓路機激振頻率； m2為振動輪質(zhì)量； m0為振動輪中偏心塊質(zhì)量； e0為振動輪中偏心塊的偏心距； 為偏心力與振動輪位移之間的相位滯后角； z為振動輪位移。

Krber等［9］采用作用力與位移的乘積表征能量，將2個連續(xù)的振動周期內(nèi)的抵抗力和振動輪位移的時間歷程進行積分，得到傳遞到填筑體的能量，提出以填筑體能量作為壓實度質(zhì)量評估指標，記為ω，計算式［9］為

ω=∫2T［-m1z··+（m1+m2）g+m0e0Ω2］z·dt ，（3）

式中： m1為機架質(zhì)量； z·為振動輪振動速度； t為振動輪激振時間； T為振動輪激振周期。

Liu等［10］從壓路機做功的角度出發(fā)，提出以單位體積壓實功率作為壓實度質(zhì)量評估指標，記為Pvol，計算式［10］為

Pvol=2AQ+πF04ΩNbhv ，（4）

式中： A為振動輪振幅； Q為振動輪豎向荷載； F0為振動輪激振力； N為振動輪碾壓次數(shù)； b為振動輪寬度； h為碾壓層厚度。

目前，國內(nèi)外已有10余種壓實度質(zhì)量評估指標應(yīng)用于實際工程，其中vcm、 vcc、 Pmd、 ks、 ω、 Pvol這6個壓實度質(zhì)量評估指標應(yīng)用效果較好，但是各指標在不同工況下的適用性和敏感性方面的研究還有所欠缺［11］。本文中對6個壓實度質(zhì)量評估指標在不同工況的適用性進行進一步研究，從而實現(xiàn)提高壓實度預(yù)測準確率的最終目標。

1.3? 本文模型及其動力學方程

路基的壓實工藝分為初壓、 復壓和終壓3個階段，而振動壓實主要集中在復壓階段，這也是本文中的重點研究階段。目前已有學者針對不同類型的振動壓路機提出相應(yīng)的數(shù)學模型［12］，本文中通過對比實際工程中不同壓路機在瀝青路面上的振動規(guī)律，構(gòu)建本文模型，如圖2所示。

m1—機架質(zhì)量； m2—振動輪質(zhì)量； m3—隨振瀝青質(zhì)量；

k1、 c1—減震器剛度、 阻尼； k2、 c2—瀝青剛度、 阻尼；

F0—振動輪激振力； ω0—振動輪激振角頻率；

t—振動輪激振時間； x1、 x2、 x3—m1、 m2、 m3的自由度；

Fs—地面的抵抗力。

本文模型的構(gòu)建基于以下假設(shè)： 1）只考慮豎直方向的振動，本文模型的上半部分代表壓路機的特性，下半部分代表瀝青材料的特性； 2）將壓路機的機架、 振動輪設(shè)為一定質(zhì)量的剛體，并且機架與振動輪之間用無質(zhì)量的彈簧-阻尼單元作為減震系統(tǒng)進行連接； 3）振動輪與地面之間緊密接觸，不存在跳振，即x1=x2，其中x1、 x2分別為m1、 m2的自由度。根據(jù)牛頓第二定律，本文模型的動力學方程為

m1x··1+c1x·1+k1x1-c1x·2-k1x2=0 ，

（m2+m3）x··2+（c1+c2）x·+（k1+k2）x2-c1x·1-

k1x1=F0sinω0t ，

F0=m0e0ω20 ，（5）

式中： m3為隨振瀝青質(zhì)量； k1、 c1分別為減震器剛度、 阻尼； k2、 c2分別為瀝青剛度、 阻尼； ω0為振動輪的激振角頻率。式（5）的矩陣形式為

MX··+CX·+KX=F（t） ，（6）

式中：M=m10

0m2+m3為質(zhì)量矩陣； C=

c1-c1

-c1c1+c2為阻尼矩陣； K=k1-k1

-k1k1+k2為剛度矩陣； X、 X·、 X··分別為自由度位移、 速度、 加速度向量；

F（t）為激振力矩陣。

2? 模型仿真

2.1? 狀態(tài)空間仿真

采用MATLAB/Simulink軟件對本文模型進行機械振動分析仿真，較常用的方法有積分模塊仿真、 狀態(tài)空間仿真、 S函數(shù)模塊仿真3種方法［13］。由于狀態(tài)空間仿真有諸多優(yōu)點，如仿真過程簡單、 可讀性好、 容易

操作等，因此本文中采用該方法進行仿真。

狀態(tài)空間仿真采用狀態(tài)方程模塊State-Space，輸入為正弦信號，輸出為位移、 速度和加速度信號，并引入對信號進行快速傅里葉變換的Discrete模塊，從而有利于根據(jù)加速度時域信號求解vcm、 vcc， ΔuΔt為計算輸入對時間的變化率的微分模塊。為了便于觀察和分析，將仿真結(jié)果輸出至Workspace工作空間。本文模型仿真過程如圖3所示。

State-Space模塊—狀態(tài)方程模塊；

Discrete模塊—對信號進行快速傅里葉變換的模塊；

ΔuΔt模塊—計算輸入對時間的變化率的微分模塊。

2.2? 仿真參數(shù)設(shè)置

在本文模型仿真的過程中，需要對各模塊以及仿真參數(shù)進行設(shè)置。參考文獻［14］設(shè)置本文模型的仿真參數(shù)，如表1所示，其中m3設(shè)置為m2的30%［15］。

設(shè)置2種振幅分別為0.25、 1.00 mm的信號波作為輸入，本文模型中振動輪的加速度-時間曲線仿真結(jié)果如圖4所示。由圖可知，輸出的2個振動輪加速度信號穩(wěn)定并且大致符合振幅的倍數(shù)關(guān)系，可以初步驗證仿真結(jié)果的可靠性。

2.3? 工況設(shè)置

根據(jù)文獻［16］， k1、 c1根據(jù)相應(yīng)壓路機說明書確定范圍， k2、 c2根據(jù)瀝青材料級配確定范圍，并在此范圍內(nèi)梯度設(shè)置k2的數(shù)值。本文模型仿真參數(shù)值設(shè)置完成后，設(shè)置正弦波信號幅值和頻率，輸入仿真參數(shù)值并運行即可得到振動輪的加速度。再根據(jù)AC-25型瀝青路面壓實度-振動加速度-溫度關(guān)系擬合結(jié)果［14］計算瀝青路面壓實度，即

振動壓路機-瀝青路面系統(tǒng)動力學模型中

振動輪的加速度-時間曲線仿真結(jié)果

K=0.826exp（0.009θ）z··-0.555θ+60.934

，（7）

式中： K為瀝青路面壓實度； θ為瀝青路面攝氏溫度。

通過給定溫度值得到相應(yīng)的壓實度值， 再結(jié)合壓路機的機械參數(shù)得到不同的壓實度質(zhì)量評估指標值， 并通過計算不同工況下壓實度質(zhì)量評估指標值與壓實度值之間的相關(guān)系數(shù)得到不同工況下的最優(yōu)指標。 在此過程中， 根據(jù)正弦波信號振幅的不同， 將工況設(shè)置為低、 高幅2種， 振幅分別為1、 2? mm； 將頻率設(shè)置為低、 高頻2種，頻率分別位30、 50 Hz；將溫度設(shè)置為低、 高溫2種，溫度分別為120、 150 ℃。將以上3種物理參數(shù)結(jié)合形成8種工況：低溫低頻低幅、 高溫低頻低幅、 低溫低頻高幅、 低溫高頻低幅、 低溫高頻高幅、 高溫低頻高幅、 高溫高頻低幅、 高溫高頻高幅，分別記為工況1、 2、 …、 8。通過梯度改變k2值，從而形成320個樣本。

2.4? 仿真結(jié)果分析

8種工況下壓實度與vcm、 vcc、 Pmd、 ks、 ω、 Pvol這6個壓實度質(zhì)量評估指標之間的關(guān)系如圖5所示。由圖可知：在工況1下，vcm、 vcc指標曲線突升和突降較明顯，與壓實度的相關(guān)性較差，而另外4種指標和壓實度的相關(guān)性較好；在工況7下， ω、 Pmd指標曲線在后期有突升和突降，而vcm、 vcc曲線相對平滑。由此可知，不同工況下，不同指標與壓實度的相關(guān)性不同，如果用不同工況下最優(yōu)指標評價壓實度，將能提升預(yù)測準確率。

對不同指標和壓實度之間的相關(guān)性進行數(shù)值分析， 根據(jù)碾壓次數(shù)的不同， 將工況分為4個階段， 并且統(tǒng)計不同階段時不同指標與壓實度的相關(guān)系數(shù)ρ。ρ的絕對值越接近1， 說明指標與壓實度之間的相關(guān)性越強， 越適宜作為評價此工況下壓實度的最優(yōu)指標。 在統(tǒng)計過程中發(fā)現(xiàn)： 3個能量類的指標中， ω與壓實度的ρ大于另外2個指標，因此將ω代表能量類指標參與對比分析。統(tǒng)計8種工況下不同壓實度質(zhì)量評估指標與壓實度的ρ，結(jié)果如表2所示。標注*的數(shù)值對應(yīng)的該工況下ρ最大，即該工況下壓實度質(zhì)量評估指標為最優(yōu)指標。由圖可知，最優(yōu)指標分布沒有規(guī)律，進一步驗證了不同工況下不同指標與壓實度的相關(guān)性不同的結(jié)論。

統(tǒng)計8種工況下采用最優(yōu)指標與單一指標的相關(guān)系數(shù)ρ，針對不同工況下4種碾壓次數(shù)均選用單一指標預(yù)測，并取平均值計算相應(yīng)的ρ，每種工況下ρ最大的指標即該工況下的最優(yōu)指標。然后針對不同工況下4種碾壓次數(shù)均選用最優(yōu)指標預(yù)測，并取平均值計算相應(yīng)的ρ，最后計算不同工況下采用最優(yōu)指標與采用單一指標的壓實度預(yù)測準確率之間的差值，即采用最優(yōu)指標比單一指標預(yù)測提升的準確率，范圍為1%～22.5%，統(tǒng)計結(jié)果如表3所示。由表可知：對于不同工況下采用最優(yōu)指標比采用單一指標的壓實度預(yù)測準確率均有一定的提升；不同壓實度質(zhì)量評估指標在8種工況下的適用性有所不同，在不同工況下選取最優(yōu)指標預(yù)測壓實度，壓實度預(yù)測準確率平均提高9.575%。

3? 最優(yōu)指標類型預(yù)測

采用支持向量機（support vector machine，SVM）、 邏輯回歸（logistic regression）、 k最近鄰（k-nearest neighbor，KNN）、 決策樹（decision tree，DT）、 樸素貝葉斯（nave Bayes）法5種傳統(tǒng)的機器學習方法分別進行訓練學習。

對8種工況下的320個樣本進行訓練學習。每個樣本對應(yīng)一組標簽，包括振動輪振幅A、 壓路機的激振頻率Ω、 瀝青路面攝氏溫度θ、 瀝青剛度k2、 瀝青阻尼c2、 振動輪振動加速度z··、 振動輪碾壓次數(shù)N。每個樣本同時對應(yīng)一組特征值為響應(yīng)的vcm、 vcc、 ks、 ω這4個指標中最優(yōu)指標的類型，將特征值與標簽一一對應(yīng)組合在一起，得到樣本集。然后將樣本集按照測試集與訓練集中樣本個數(shù)之比為3∶7的比例隨機分配。最終對4個指標進行分類學習，以實現(xiàn)根據(jù)已有樣本在不同工況下尋求最優(yōu)指標，并以成功尋求最優(yōu)指標的概率作為機器學習算法的壓實度預(yù)測準確率。

5種傳統(tǒng)機器學習方法預(yù)測最優(yōu)指標類型準確率的統(tǒng)計結(jié)果如表4所示。 由表可知， 決策樹和樸素貝葉斯法的壓實度預(yù)測準確率較高， 其中樸素貝葉斯法的壓實度預(yù)測準確率最高， 可達96.22%， 因此在實際工程中可以使用樸素貝葉斯法尋求最優(yōu)指標。

4? 路基壓實現(xiàn)場試驗

4.1? 試驗條件與儀器

4.1.1? 試驗條件

為了對本文模型進行驗證， 開展路基壓實現(xiàn)場試驗， 施工前、 后現(xiàn)場試驗實景如圖6所示。 試驗路段面層采用AC-25型改性瀝青混凝土鋪筑， 厚度為4 cm。 考慮到與正常施工工序相吻合， 采取振

動輪先靜壓2次后動壓10次的方案， 碾壓軌跡路線圖如圖7所示， 其中箭頭方向為碾壓軌跡方向， 采樣長度、 寬度分別為35、 2.2 m， 分為13個區(qū)域。 考慮到兩端位置處的機械啟停會產(chǎn)生一定的誤差， 啟停區(qū)長度取為4 m。 圖中圓圈的位置代表鉆芯取樣區(qū)， 取樣區(qū)長度為2 m。 每個區(qū)域采樣3個點并計算壓實度的平均值。 2個圓圈之間的區(qū)域是壓路機需要換向的位置， 因此將該區(qū)域預(yù)留出來， 并且考慮到壓路機的車長，換向區(qū)長度取為3m。虛線

位置是壓路機每次要換向時前輪軸所在位置。 壓路機按照碾壓路線行駛， 最終從起始位置駛出實驗區(qū)域。

4.1.2? 試驗儀器

試驗數(shù)據(jù)采集儀器包括： 1）加速度傳感器。 試驗時， 加速度傳感器垂直放置于振動軸中間位置， 如圖8所示。 在采集數(shù)據(jù)前， 為了防止加速度傳感器滑動， 先擦拭振動軸上的灰塵， 再用膠水將加速度傳感器固定于振動軸。 2）動態(tài)信號采集儀。 作為中間媒介， 動態(tài)信號采集儀一端與加速度傳感器相連， 另一端通過網(wǎng)線與計算機終端連接， 并把計算機終端放置在駕駛室內(nèi)以便于對壓實度進行實時監(jiān)控。 3）手持式測溫槍。

振動軸中間位置的加速度傳感器

4.2? 數(shù)據(jù)獲取與處理

4.2.1? 數(shù)據(jù)獲取

連續(xù)采樣10次動壓時加速度時域、頻域信號如圖9所示。由圖9（a）可知： 10次振動信號所含噪聲比例較?。挥蓤D9（b）可知：振動輪的振動頻率為50 Hz，與振動輪的理論振動頻率近似相等，間接驗證了信號采集的可靠性。利用測溫槍測得的數(shù)據(jù)包括：出料溫度為155 ℃；靜壓之前溫度為120 ℃；動壓過程全段路面不同測點溫度為100～110 ℃； 動壓

過程內(nèi)部溫度為120～130 ℃。壓路機自始至終采用最高擋位振動，根據(jù)8種工況設(shè)置，將本次試驗工況類型設(shè)置為工況5。

4.2.2? 數(shù)據(jù)處理

根據(jù)圖9（a）計算10次動壓時加速度的幅值平均值，將5個區(qū)域鉆芯取樣所得的壓實度與計算所得的加速度的幅值平均值一一對應(yīng)。由于第6次動壓區(qū)域中有井蓋導致數(shù)據(jù)錯誤，因此對該數(shù)據(jù)進行合理估值，并對第1、 3、 5、 7、 9次動壓時的壓實度數(shù)據(jù)進行插值，最終得到10次動壓時加速度與壓實度的統(tǒng)計結(jié)果，如表5所示。由表可知，在10次動壓過程中，隨著瀝青路面壓實度的增大，振動輪的加速度逐漸增大，與振動壓實理論相吻合，間接驗證了此路基壓實現(xiàn)場試驗結(jié)果的可靠性。

通過隨機插值，對加速度和壓實度進行樣本擴充，擴充到320個樣本。將壓路機的機械參數(shù)輸入到本文模型，其中除k2、 c2外都可以通過查找壓路機相應(yīng)型號的說明書得到。k2、 c2標定方法如下：先將壓路機放置在壓實度為100%的瀝青路面上振動并測量加速度，然后分別將預(yù)估的k2、 c2輸入到Simulink軟件，通過不斷迭代得到加速度對應(yīng)的k2、 c2。將c2作為定值，根據(jù)瀝青路面壓實度為100%時的k2值確定k2的變化范圍，從而完成對k2、 c2的標定。

統(tǒng)計利用樸素貝葉斯算法訓練學習后，碾壓次數(shù)為10時采用最優(yōu)指標與單一指標的壓實度指標相關(guān)系數(shù)ρ，結(jié)果如表6所示。標注*的數(shù)值對應(yīng)的該碾壓次數(shù)時ρ最大，即該碾壓次數(shù)時的壓實度質(zhì)量評估指標為最優(yōu)指標，并以該最優(yōu)指標作為每次采用最優(yōu)指標的壓實度預(yù)測準確率。由表可知：當采用單一指標時，利用ω預(yù)測的壓實度預(yù)測準確率最佳，為74.31%；當采用最優(yōu)指標進行預(yù)測時，壓實度預(yù)測準確率為80.11%，比采用單一指標時的壓實度預(yù)測準確率提高了5.8%；在同一種工況下，不同碾壓次數(shù)時不同指標的適用性存在差異，對于不同工況選取最優(yōu)指標可以使壓實度預(yù)測準確率提高5.8%。

5? 結(jié)論

本文中通過對實際工程中瀝青路面上不同壓路機的振動規(guī)律進行對比，構(gòu)建振動壓路機-瀝青路面系統(tǒng)動力學模型，結(jié)合機器學習和Simulink模擬仿真，對瀝青路面壓實度進行質(zhì)量評估，并利用路基壓實現(xiàn)場試驗數(shù)據(jù)對采用最優(yōu)指標代替單一指標后壓實度預(yù)測準確率的可靠性進行驗證，得到以下主要結(jié)論：

1）不同壓實度質(zhì)量評估指標在8種工況下的適用性存在差異，對于不同工況選取最優(yōu)指標可以使壓實度預(yù)測準確率提高9.575%。

2）相對于支持向量機、 邏輯回歸、 k最近鄰、 決策樹，樸素貝葉斯法更適合預(yù)測不同工況下最優(yōu)指標類型，在預(yù)測最優(yōu)壓實度質(zhì)量評估指標類型時準確率最高，為96.22%。

3）路基壓實現(xiàn)場試驗結(jié)果表明，即使在同一種工況下，相對于采用單一指標，不同碾壓次數(shù)時采用最優(yōu)指標預(yù)測能使壓實度預(yù)測準確率提高5.8%。

參考文獻：

［1］? WANG L B， 王含笑， 趙千， 等. 智能路面發(fā)展與展望［J］. 中國公路學報， 2019， 32（4）： 50.

［2］? 馬建， 孫守增， 芮海田， 等. 中國筑路機械學術(shù)研究綜述·2018［J］. 中國公路學報， 2018， 31（6）： 1.

［3］? 黃志福， 梁乃興， 趙毅， 等. 路面壓實度自動連續(xù)檢測技術(shù)［J］. 長安大學學報（自然科學版）， 2015， 35（6）： 24.

［4］? 徐光輝， CHANG G. 智能壓實測量值的發(fā)展方向［J］. 筑路機械與施工機械化， 2018， 35（4）： 19.

［5］? 葉陽升，蔡德鉤，朱宏偉，等.基于振動能量的新型高速鐵路路基壓實連續(xù)檢測控制指標研究［J］.鐵道學報，2020， 42（7）： 127.

［6］? 賈通. 瀝青路面智能壓實系統(tǒng)關(guān)鍵技術(shù)研究［D］. 南京： 東南大學， 2020： 8.

［7］? RINEHART R V， MOONEY M A. Instrumentation of a roller compactor to monitor vibration behavior during earthwork compaction［J］. Automation in Construction， 2008， 17（2）： 149.

［8］? ANDEREGGR，KAUFMANNK.Intelligentcompactionwith vibratory rollers： feedback control systems in automatic compaction and compaction control［J］. Transportation Research Record： Journal of the Transportation Research Board， 2004， 1868（1）： 131.

［9］? KRBER W， FLOSS E H R， WALLRATH W. Dynamic soil stiffness as quality criterion for soil compaction［M］//Geotechnics for Roads， Rail Tracks， and Earth Structures. Lisse： Balkema， 2001： 196

［10］? LIU D H， LIN M， LI S. Real-time quality monitoring and control of highway compaction［J］. Automation in Construction， 2016， 62： 118.

［11］? 吳龍梁. 基于能量耗散的路基連續(xù)壓實控制技術(shù)研究［D］. 北京： 中國鐵道科學研究院， 2020： 20.

［12］? PAULMICHL I， ADAM C， ADAM D. Parametric study of the compaction effect and the response of an oscillation roller［J］. Proceedings of the Institution of Civil Engineers： Geotechnical Engineering， 2020， 173（4）： 285.

［13］? 代然， 胡水英， 張前， 等. 基于MATLAB/Simulink的垂直振動壓路機動態(tài)性能的仿真研究［J］. 建設(shè)機械技術(shù)與管理， 2015， 28（6）： 93.

［14］? 趙毅， 楊臻， 梁乃興， 等. 瀝青混合料壓實度-振動加速度-溫度關(guān)系模型［J］. 建筑材料學報， 2021， 24（3）： 621.

［15］? 張世英. 關(guān)于振動壓路機設(shè)計中土的參數(shù)的確定方法［J］. 工程機械， 1998（1）： 5.

［16］? 陳博. 路基土壓實度實時檢測系統(tǒng)研究［D］. 西安： 長安大學， 2019： 34.

（責任編輯：王? 耘）