基于神经网络的SBS 改性沥青材料结构性能预测

高德胜

(中铁十九局集团第三工程有限公司，辽宁辽阳 111000)

0 引言

随着我国高速公路建设事业的迅猛发展，我国交通运输对高速公路路面使用性能的要求越来越高。在高速公路行驶质量方面，由于高速公路行驶车辆的重载、超载现象日益严重，交通量的急剧加大，车辆荷载对路面加重了破坏影响;尤其是在我国东北部地区，四季温差变化很大，沥青路面经受着气候条件变化的考验，因此需要有性能良好的沥青作为路面新型结合料[1]。

SBS改性沥青是以丁二烯和苯乙烯为基本成分，由于聚苯乙烯链段S分布在两端，分别聚集在一起，形成物理交联区域，称为硬段;而聚丁二烯B形成软段。SBS通过聚苯乙烯嵌段的聚集形成一种三维结构，分散在沥青中，聚苯乙烯末端赋予材料足够的强度，中间嵌段聚丁二烯使共聚物具有特别好的弹性[2]。

本文通过大量的试验结果分析SBS改性沥青材料在不同温度情况下的材料掺入量作为已知条件，利用BP人工神经网络对改性沥青材料混合料的针入度、延度、弹性恢复作为分析预测对象，并建立了预测模型。

1 BP神经网络模型

基层SBS改性沥青混合料的配合比存在非线性关系[3]。随着科学技术的发展，MATLAB软件提供了神经网络工训练和仿真的平台，该网络平台由3部分组成，初始优化、训练和仿真。其中BP神经网络是一种多层网络的“逆推”学习算法。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出(教师信号)不符，则转向误差的反向传播阶段[4]。

1.1 网络训练模型结构设计

在网络模型的建立过程中，网络输入变量为室内试验得出的SBS改性沥青材料的掺入量，将针入度、延度、弹性恢复作为网络输出，其中温度包括30℃，25℃与15℃三类。为使计算模型的收敛速度加快，精度提高，在获得输入和输出向量后，要对原始数据进行归一化处理(见表1)，将原始数据处理成为在区间为[0，1]之间的数据。

归一公式采用如下公式，即:

归一后数据如表2所示。

1.2 隐含层内节点的选择

在隐含层节点选择方面，本文采用单隐层的神经网络，在中间层的神经元个数选择方面，则需要通过试验来确定。本文为中间层神经元个数选择3个值，分别取为8，10和12，通过不同神经元个数对网络性能进行检验。

通过检验可知，随着个数逐渐升高，计算的精度随之增大。BP人工网络训练曲线如图1所示。

由图1并经过计算可以看出中间层神经元个数为10时，网路的收敛速度最优。

表2 输入向量归一后数据

2 数学模型检验与预测结果分析

在预测SBS改性沥青混合料配比过程中，对12组数据进行训练，并通过对其本身进行预测(见表3)，检查预测结果的可信性，通过对12组试验中取出全部数据作为样本，并对网络模型进行大量的学习训练，并对12组数据进行对比分析，用于检验网络的推广能力。

表3 网络训练及预测结果

3 结语

1)运用神经网络来建立预测模型，中间层数的选取非常重要，需经多次试算，才能确定最好的中间层数;

2)从预测结果可以看出，由于样本数量有限，数学模型还是存在一定的误差，在应用神经网络预测中，可以通过加大样本数量对数学模型进行大量的训练来获得理想的预测精度;

3)通过神经网络模型来对SBS改性沥青混合料的配比进行预测，可以将目标误差调小，使网络的泛化和推广能力上升，所以在选择训练和预测误差同时达到满意结果的条件下使目标误差值作为训练参数。

[1]郭留红.橡胶胶乳改性乳化沥青稀浆封层在公路工程中的应用研究[D].大连:大连理工大学，2000.

[2]宁金成.沥青橡胶碎石、玻璃纤维沥青碎石混合料路面抗裂性能研究[D].长沙:湖南大学，2002.

[3]袁曾任.人工神经元网络及其应用[M].北京:清华大学出版社，1999:1-84.

[4]吕砚山，赵正琦.BP神经网络的优化及应用研究[J].北京化工大学学报，2001，28(1):67-69.

[5]MATLAB 7.0辅助神经网络分析与设计[M].北京:电子工业出版社，2004.

[6]Wiegrink K，Marikunte Shashidhare.Shrinkage Cracking of Hight-Strength Concrete[J].AC materials journal，1996，93(5):409-415.