一种基于物理约束机器学习的路基压实能量耗散值实时预测方法
本发明属于道路工程,具体涉及一种基于物理约束机器学习的路基压实能量耗散值实时预测方法。
背景技术:
1、在交通基础设施高质量发展的背景下,路基工程正从工程经验为主导的施工模式逐步向数据驱动的智能化方向转型。作为路基结构性能形成的关键工序,振动压实的施工方法直接影响了路基的承载能力及长期服役性能。振动压实过程是压路机振动系统与土体介质之间持续发生动力互馈作用的结果,其本质表现为机械能在轮-路接触体系中的输入、传递与耗散。压路机振动轮在激振力周期性作用下激励土体结构,使颗粒发生重排与破碎,从而逐步形成更加稳定致密的骨架结构。
2、随着传感器技术、信号处理方法及计算能力的快速发展,一系列可用于连续监测和实时评价压实质量的智能压实指标应运而生,其中能量类智能压实指标备受关注。能量类智能压实指标通常基于振动信号的时频分析或积分计算,刻画振动能量在压路机与土体之间的传递与耗散特征。相较于单一幅值或频率信息,能量类指标能够综合反映振动强度、持续时间及土体非线性响应,对揭示压实过程中的能量耗散机理具有潜在优势。
3、能量耗散值(energy dissipation value,edv)为能量类智能压实指标之一,它是指单位体积土体发生单位压实度变化量所消耗的塑性耗散能(elpd),当edv增长速率显著提高时,反映出土体内部结构逐渐稳定,表明其已接近压实完成状态,此时继续增加压实遍次所获得的压实效果将显著降低。基于这一特性,edv可以作为振动压实过程实时评价与施工控制的重要指标,具体计算公式如式(1)所示:
4、 (1)
5、其中,elpd为计算单元在单遍振动压实过程中产生的塑性耗散能;δk对应压实遍次引起的压实度变化量;v为计算单元的体积。
6、在上述公式中,塑性耗散能依赖有限元数值模拟计算获得,压实度变化量δk则需要在施工现场通过灌砂法测量得到。然而有限元计算需要建立复杂的材料本构模型及边界条件,计算量大且耗时长;灌砂法则需要在每一遍施工之后选取典型测点进行试验,每一个测点需要耗时30分钟,且无法覆盖整个施工区域,存在滞后性和以点代面的问题。由此可见,传统方法难以满足路基智能压实施工过程中能量耗散值的连续实时获取需求。
7、xgboost(extreme gradient boosting,极端梯度提升)是一种基于梯度提升决策树的集成学习算法,常用于工业预测任务。该算法按照前向逐步迭代的方式构建多棵回归树,每次迭代均在已有模型的基础上增加一棵新的决策树,用于修正当前模型的预测误差,最终模型的预测结果由所有回归树的输出结果累加得到。xgboost能够有效描述输入变量与输出变量之间复杂的非线性关系及变量间的交互作用,适用于施工参数、土体参数、振动响应和能量指标之间复杂关系的预测问题。同时,xgboost可以自动识别不同特征之间的交互效应,无需预先设定变量之间的具体函数形式,非常适用于解决机-土耦合作用和压实能量演化等具有显著多参数耦合特征的问题。然而目前在路基压实工程中未见基于xgboost的预测模型报道,因此急需提出一种基于xgboost机器学习的路基压实施工过程中的能量耗散值实时预测方法。
技术实现思路
1、针对现有智能压实技术无法对能量耗散值进行实时预测的问题,本发明提出一种基于物理约束机器学习的路基压实能量耗散值实时预测方法,包括:s1、建立机器学习模型训练数据库,所述机器学习模型训练数据库包括有限元模拟数据、室内试验数据和现场施工数据;所述室内试验数据包括由室内试验获取的部分土体参数,所述部分土体参数包括粘聚力、内摩擦角和压实度;所述现场施工数据为安装在振动压路机振动轮上的加速度传感器实时采集的振动加速度信号;s2、以s1中所述机器学习模型训练数据库为基础构建分层机器学习模型中的模型一和模型二,所述模型一为塑性耗散能预测模型,所述模型二为振动信号能量预测模型;所述s1中的有限元模拟数据用于获取塑性耗散能预测值和振动信号能量预测值,所述s1中的室内试验数据用于获取粘聚力与压实度及内摩擦角与压实度之间的演化关系,所述s1中的现场施工数据,即振动加速度信号,用于获取振动信号能量实测值;所述模型一用于建立施工工艺参数、土体参数与塑性耗散能之间的映射关系;所述模型二用于建立施工工艺参数、土体参数与振动信号能量预测值之间的映射关系;所述施工工艺参数包括振动频率、激振力、碾压速度和振动轮质量,所述土体参数包括初始压实度、粘聚力、内摩擦角、动态模量、下卧层模量及填筑厚度;s3、对s2中的模型一和模型二采用xgboost机器学习算法训练;s4、构建分层机器学习模型的第三个模型,即模型三,所述模型三为基于物理约束的压实度迭代计算模型;所述压实度迭代计算以s2中得到的振动信号能量实测值作为物理约束,以s2中室内试验数据获取的粘聚力与压实度及内摩擦角与压实度之间的演化关系作为物理约束,通过不断修正压实度变化量δk,实现振动信号能量预测值与现场施工状态的振动信号能量实测值一致,得到最终确定的压实度变化量δk;s5、进行能量耗散值实时预测,所述能量耗散值的表达式:
2、;
3、其中,elpd为塑性耗散能,由s2中构建的模型一预测得到;δk由s4中的模型三经压实度迭代计算得到;v为计算单元的体积;将上述数据代入能量耗散值表达式进行能量耗散值实时预测。
4、进一步地,所述s1中有限元模拟数据的构建方法如下:根据土体类型和施工工况信息建立振动压实有限元模型,采用参数分级组合方式系统改变动力参数与土体参数,形成多因素输入-塑性耗散能输出和多因素输入-振动信号能量输出两组模拟样本数据集;所述室内试验数据用于建立粘聚力与压实度及内摩擦角与压实度之间的演化关系,所述建立粘聚力与压实度及内摩擦角与压实度之间的演化关系的方法如下:在室内实验中,通过直接剪切试验获取不同压实度下土样的粘聚力及内摩擦角,用于建立压实度与粘聚力及压实度与内摩擦角之间的关系;所述现场施工数据用于获取振动信号能量实测值,所述获取振动信号能量实测值的方法如下:将s1中所述的振动加速度信号经滤波处理、希尔伯特-黄变换后计算得到振动信号能量实测值。
5、进一步地,所述s1中的机器学习模型训练数据库构建方法如下:将有限元模拟数据、室内试验数据及现场施工数据统一预处理并构建训练样本,所述预处理包括异常值剔除、缺失值处理、数据归一化和样本标准化操作,所述训练样本包括施工工艺参数、土体参数、振动信号能量、塑性耗散能和压实度变化量δk。
6、进一步地,所述s2中的模型一和模型二为所述分层机器学习模型的第一层模型,所述s4中的模型三为所述分层机器学习模型的第二层模型。
7、进一步地,所述s2中的模型一采用xgboost机器学习算法进行训练,所述xgboost机器学习算法的输入变量包括施工工艺参数、土体参数和由有限元模拟数据得到的振动信号能量预测值,所述xgboost机器学习算法的模型输出为单遍压实过程中计算单元对应的塑性耗散能预测值;所述模型二采用xgboost机器学习算法进行训练,所述xgboost机器学习算法的输入变量包括施工工艺参数、土体参数及当前压实状态参数,输出为对应工况下的振动信号能量预测值。
8、进一步地,所述s2中的模型一用于预测塑性耗散能,所述s2中的模型二在压实度迭代过程中,将当前假定压实状态下的振动信号能量预测值与s1中现场施工数据计算得到的振动信号能量实测值进行比较,为压实度变化量δk的修正提供反馈信息。
9、进一步地,所述s4中的迭代计算流程如下:s4.1、根据施工区域的初始压实度确定当前遍压实的初始状态,设定压实度变化量δk初始值,再将压实度变化量δk初始值代入由室内试验数据建立的压实度与粘聚力及压实度与内摩擦角之间的演化关系中,即得到当前遍压实后的粘聚力和内摩擦角;s4.2、将更新后的粘聚力和内摩擦角输入模型二,获得当前压实状态下的振动信号能量预测值;s4.3、将振动信号能量预测值与s1中现场施工数据计算得到的振动信号实测值进行比较,计算二者之间的误差,当振动信号能量预测值与振动信号能量实测值之间的误差大于预设阈值5%时,根据误差大小对压实度变化量δk进行增大或减小,并重新更新粘聚力和内摩擦角,再继续调用模型二进行预测,随着压实度变化量δk不断修正,振动信号能量预测值逐渐逼近振动信号能量实测值;当预测误差小于预设阈值或达到最大迭代次数200次时,停止迭代计算,并将当前压实度变化量δk确定为该遍压实的最终预测结果,同时输出当前压实度变化量δk下的塑性耗散能和更新后的粘聚力和内摩擦角。
10、进一步地,所述s5中能量耗散值实时预测方法如下:根据计算单元的体积、模型一预测得到的塑性耗散能、s4迭代计算得到的压实度变化量δk,计算当前遍压实过程的能量耗散值,将预测得到的压实度作为下一遍压实计算的初始压实度,并根据更新后的粘聚力和内摩擦角重新调用模型一和模型二,对下一遍压实过程进行预测,随着压实遍数不断增加,重复执行s2至s5,实现塑性耗散能、压实度变化量δk及能量耗散值的连续动态更新。
11、与现有技术相比,本发明有益效果为:
12、(1)提出了一种基于物理约束机器学习的路基压实能量耗散值实时预测方法,实现了能量耗散值由离线计算向施工现场连续实时预测的转变,为路基压实质量评价及施工控制提供依据。
13、(2)构建了基于xgboost机器学习算法的塑性耗散能预测模型和振动信号能量预测模型分层机器学习框架,建立了振动响应、土体参数与塑性耗散能之间的映射关系,提高了预测精度和稳定性。
14、(3)提出了基于物理约束的压实度迭代计算方法,以粘聚力与压实度及内摩擦角与压实度之间的关系为约束,通过预测振动信号能量与实测振动信号能量的闭环校正,实现压实度变化量δk的动态更新。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com