基于BP神经网络的场道脱空检测方法及实验

刘国光，武志玮，牛富俊，赵龙飞

1) 冻土工程国家重点实验室，甘肃兰州 730000; 2) 中国民航大学机场学院，天津 300300



基于BP神经网络的场道脱空检测方法及实验

刘国光1,2，武志玮2，牛富俊1，赵龙飞2

1) 冻土工程国家重点实验室，甘肃兰州 730000; 2) 中国民航大学机场学院，天津 300300

摘要：为研究场道脱空检测方法，进行室内模型试验，获得冲击荷载作用下道面板加速度响应时程曲线，利用Matlab小波变换工具箱提取加速度曲线特征值，分析脱空对振动信号的影响规律. 通过优化荷载级数、筛选输入向量，建立了场道脱空的BP(back propagation)神经网络预测方法. 为检验理论研究结果的正确性，利用重锤式弯沉仪在机场进行跑道脱空测试，通过场道取芯脱空观察评价BP神经网络预测结论的可靠性. 结果表明，荷载级数、输入向量、训练次数、训练强度和算法对BP神经网络预测准确性影响较大；脱空影响下场道加速度信号可作为BP神经网络脱空预测的输入向量，取芯后场道脱空状况同BP神经网络预测结果一致.

关键词：道路工程；场道脱空；小波变换；BP神经网络；模型试验；现场测试

随着我国民航业的不断发展，民用机场吞吐量日益增加. 在航班量上升的同时，脱空也成为场道的常见病，给机场运营安全带来威胁. 因而，场道脱空检测研究就成为机场工程领域的热点. 在诸多理论研究中，BP(back propagation)神经网络理论因其具有利用最小均方算法作为多层前向型神经网络、反向传播学习模拟神经元工作、实现从输入到输出的任意非线性映射等特性[1]，得到了较为广泛的关注.

BP神经网络在国外已成功用于水库运行[2]和降雨径流模型[3]等水资源领域[4]. 在工程沉降预测领域，丁鸽等[5]以BP神经网络拓补结构为基础，把小波基函数作为隐含层节点的传递函数，创建了信号前向传播的神经网络，提高了BP神经网络的预测稳定性并将其用于某高铁路基沉降预测. 王雪红等[6]创建了改进粒子群算法的BP神经网络，提高了大坝位移预测精度. 在结构安全性能预测领域，郑伟花等[7]建立了蚁群神经网络模型，能较准确地识别出混凝土内部缺陷的位置、范围和类型. 于伟等[8]以实际监测位移值作为训练样本，提出BP神经网络位移时序预测模型预测边坡体位移时序. 戴张俊等[9]以比贯入阻力值作为地基分层和地质土承载力评价指标，提出了地基分层和承载力分层计算的BP神经网络预测方法. 陈春来[10]构建了建筑工程安全损失影响指标体系，然后将实地调研问卷搜集的数据引入BP神经网络，对各建筑工程安全损失进行预测. 张蛟龙等[11]基于BP神经网络，建立了超高性能混疑土力学性能的预测模型进行配合比设计和优化. 吴陈等[12]将数据库管理模块、BP人工神经网络模块、传统预测模块以及图形显示模块进行合成，形成了一个基于BP人工神经网络和数据库的综合预测系统. 刁延松等[13]将结构损伤前、后振动传递率函数幅值的主成分变化量作为结构损伤特征向量，输入BP神经网络进行结构损伤识别. 已有研究成果表明，BP神经网络理论适用于复杂工程问题的分析预测，进行适当的模型处理和算法优化，可应用于机场场道脱空的检测和脱空程度的评判性预测，但相关研究报道尚不多见.

本研究基于场道加速度振动信号的小波变换，结合落锤激励砂土垫层场道板振动的室内实验，建立BP神经网络仿真模型并进行了训练分析，通过机场跑道实测验证BP神经网络分析结果的准确性，旨在提供一种快速、无损的场道局部脱空检测方法.

1基于BP神经网络的场道脱空预测

1.1室内模型试验

为了得到BP神经网络的训练输入向量，在实验室进行了场道板模拟脱空实验，利用落锤的自由下落对场道板进行激励，通过加速度传感器获取对应部位的振动响应. 为了模拟场道脱空状况，采用长宽均为2 000 mm、厚800 mm的含垫层混凝土板(图1)，垫层是沿板四边向外约25 cm、厚9 cm的砂土垫层，四周环绕黏土砖加固以防砂土受振动后向四周塌散. 在图2所示的位置分别放置10个DH5908G加速度传感器，设定试验工况如下：① 工况1为垫层无脱空区，场道板情况正常；② 工况2为垫层脱空1区，场道板小部分脱空；③工况3为垫层脱空2区，场道板小部分脱空；④ 工况4为垫层脱空3区，场道板小部分脱空；⑤ 工况5为垫层脱空4区，场道板小部分脱空.

图1　道面板模型试验 Fig.1　(Color online) Model test of runway pavement

图2　传感器布置Fig.2　(Color online) Arrangements of the sensors

1.2BP神经网络训练

将室内模拟脱空实验的振动加速度数据经小波变换处理后得到的snorm特征值作为BP神经网络的输入向量，创建双隐含层BP神经网络，对于snorm输入向量，输入层和输出层节点数分别为25，训练算法为梯度下降法. 经过多次对比训练，以预测收敛性和误差率作为控制指标，确定训练次数为200次，训练速率为0.1，训练目标为0.000 1，采用均方误差函数对BP神经网络进行训练，训练效果如图3和图4.

图3　误差分布直方图Fig.3　(Color online) Error histogram

图3中竖线代表零误差线，靠近竖线的横坐标值小，相反，远离竖线的横坐标值大，表征了训练误差的分布情况.图4中横坐标是300个加速度输入向量，纵坐标为误差量，代表了各训练样本的误差量.从图3和图4可以看出，原始的加速度特征

图4　训练样本误差量Fig.4　(Color online) Errors of training samples

值输入向量的训练效果并不理想，训练样本的误差量较大，预测精度不高. 为了提高预测精度，降低训练误差，应对加速度特征值进行优化处理.

2BP神经网络优化

为了找到合适的加速度特征值输入向量，对其进行了荷载级别分类和去列处理，保持训练参数一致，对处理后的加速度特征值进行训练.

2.1寻找最优荷载级数

处理后的加速度特征值输入向量每个荷载级别下为60组，列数为8列，对各荷载级别下的加速度特征值训练的效果如图5至图9.

图5　一级荷载下样本训练结果Fig.5　(Color online) Training results of samples under the 1st load

图6　二级荷载下样本训练结果Fig.6　(Color online) Training results of samples under the 2nd load

图7　三级荷载下样本训练结果Fig.7　(Color online) Training results of samples under the 3rd load

图8　四级荷载下样本训练结果Fig.8　(Color online) Trained results of samples under the 4th load

图9　五级荷载下样本训练结果Fig.9　(Color online) Training results of samples under the 5th load

对5种荷载条件下的误差分布情况进行分析可以发现，1级荷载、2级荷载和3级荷载条件下，靠近零误差线的训练样本量比4级荷载和五级荷载条件下的训练样本量多，且远离零误差线的训练样本量也比4级荷载和5级荷载条件下的训练样本量多，这说明在1级荷载、2级荷载和3级荷载条件下训练出的BP神经网络的预测能力，比4级荷载和5级荷载条件下训练出的BP神经网络的预测能力要差. 对4级荷载和5级荷载进行单独分析，虽然两者的误差分布情况较为相似，但对两者的训练样本误差量进行分析可以看出，4级荷载下非脱空训练样本部分的误差量要明显小于5级荷载下非脱空训练样本部分的误差量，且4级荷载下脱空训练样本部分的误差量也要小于5级荷载下非脱空训练样本部分的误差量，所以4级荷载条件下训练出的BP神经网络的预测能力比5级荷载条件下训练出的BP神经网络的预测能力强.

2.2寻找最优特征值量

为了找到最优的加速度特征值数量，对snorm输入参数进行减列处理，对加速度特征值采取去掉单列和去掉双列的处理方式，初始的加速度特征值为300×8的矩阵(其中，非脱空输入向量为240×8的矩阵，脱空输入向量为60×8的矩阵)，故去掉单列时有8组加速度特征值输入向量，去掉双列时有28组加速度特征值输入向量. 保持训练参数一致，对去掉单列和去掉双列情况下的输入向量进行训练，将两种情况下通过BP神经网络训练后的误差值导入excel表格加以分析，利用excel表格中含有的求和、平均值、最大值和最小值函数对导入的期望输出与预测输出间的差值进行计算，将两种条件下误差量的总和以及误差最大值通过图例的方式表示. 因为BP神经网络训练后数值较随机，训练效果好的网络有可能生成少数几个误差较大的输出，利用误差最大值趋势进行分析不具有广泛性，所以利用误差总和趋势进行分析，见图10至图13.

图10　移除单列的误差总和趋势Fig.10　The trend of error sum by removing single column

图11　移除单列误差最大值趋势Fig.11　Max error trend by removing single column

图12　移除双列的误差总和趋势Fig.12　The trend of error sum by removing double columns

图13　移除双列误差最大值趋势Fig.13　Max error trend by removing double columns

由图10和图11可知，去掉第5列时，经过BP神经网络训练后的预测输出和期望输出之间的差值总和较其他情况时的误差总和明显偏低，故去掉单列的情况下去掉第5列的训练效果最优.

由图12和图13可知，分别去掉第2列和第3列、第3列和第4列、第4列和第5列及第6列和第8列时，经过BP神经网络训练后的误差值总和较其他分类情况下的误差总和明显偏低. 对上述4种情况进行进一步对比可知，去掉第2列和第3列时非脱空训练样本部分的误差量最小，且去掉第2列和第3列时脱空训练样本部分的误差量降低. 所以对于snorm输入向量来说，去掉双列的情况下，去掉第2列和第3列加速度特征值输入向量所训练出的BP神经网络具有较好的预测能力.

将原始数据分别去掉单列-平均值和双列-平均值后，其误差量情况见图14. 由图14可知，对于snorm加速度特征值输入向量，原始数据的训练效果优于分别去掉单列和双列的情况. 取4级荷载下的实验室模拟脱空实验原始数据对BP神经网络进行训练仿真，训练参数保持不变，脱空输出向量定为0.9，非脱空输出向量定为0.1，进行BP神经网络的训练和仿真，仿真效果如图15. 从图15可以发现，除了少数样本的仿真输出与期望输出有偏差，大部分样本的仿真输出即预测输出与期望输出的拟合效果较好.

图14　误差总和趋势Fig.14　Error sum trend

图15　室内仿真试验预测图Fig.15　Prediction results of laboratory test

图16　机场跑道现场测试Fig.16　(Color online) Field test of airport runway

3跑道现场测试

为验证BP神经网络预测结果的准确性，在某机场跑道评估中利用重锤式弯沉仪(heavy weight deflectometer，HWD)进行现场对比测试(图16)，对跑道施加5级冲击荷载，分别为200、1 000、1 500、2 000和2 500 kN. 在图17所示位置布置竖向加速度传感器，通过DHDAS信号采集器记录场道振动加速度时程曲线，获得用于预测场道脱空的振动加速度输入向量.

图17　传感器布置图Fig.17　Arrangements of sensors

利用在某机场跑道上采集的加速度时程曲线作为仿真输入，对通过4级荷载下的snorm加速度特征值原始数据训练出的BP神经网络预测场道脱空的准确性进行验证，训练后的BP神经网络仿真输出即为预测输出，预测输出与期望输出间的关系如图18．其中，期望输出中0.1代表场道非脱空，0.9代表场道脱空. 由图18可知，期望输出与预测输出的拟合效果较好，验证了BP神经网络预测场道脱空的能力，可直观判断场道脱空状况，达到了预测目的. 现场取芯观察跑道脱空状况也与BP神经网络预测结果一致，证明了该方法的可行性和正确性.

图18　机场跑道现场测试预测结果Fig.18　Prediction results of Field test of an airport runway

4结论

1)通过实验室模型试验，采集不同脱空状况下道面板的振动信号，建立基于BP神经网络的跑道脱空预测模型. 在机场跑道进行现场对比测试，验证了基于BP神经网络的场道脱空预测方法的可行性和可靠性，表明场道脱空状况和程度可以通过跑道振动信号的分析来表征.

2)BP神经网络预测场道脱空的准确性与神经网络的荷载级数、输入向量、训练次数、训练强度和算法有关，合理选择训练次数及强度对预测结果影响较大. 优化训练向量可影响BP神经网络预测的准确度和计算速度，基于本研究结果，过滤掉第5列数据后预测效果较优.

3)基于BP神经网络的场道脱空预测方法可定量描述脱空状况，不仅可应用于机场道面脱空检测，还可为道面板后注浆加固处理提供科学依据.

参考文献/References：

[1] 徐秉铮，张百灵. 神经网络及其在信号处理中的应用[J]. 信号处理, 1992，8(2)：65-73.

Xu Bingzheng, Zhang Bailing. Neural network and their application in signal processing[J]. Signal Processing, 1992, 8(2): 65-73.(in Chinese)

[2] Muleta M K, Nicklow J W. Joint application of artificial neural networks and evolutionary algorithms to watershed management[J]. Water Resources Management, 2004, 18(5): 459-482.

[3] Nash J E, Sutcliffe J V. River flow forecasting through conceptual models: a discussion of principles[J]. Journal of Hydrology, 1970, 125: 277-291.

[4] Maier H R, Dandy G C. Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and applications[J]. Environmental Modeling and Software, 2000, 15(1): 101-124.

[5] 丁鸽，花向红，田茂，等. 改进的小波神经网络在沉降预测中的应用[J]. 测绘地理分析, 2013, 38(6): 27-29.

Ding Ge, Hua Xianghong, Tian Mao, et al. Subsidence prediction based on the application of modified wavelet neural network[J]. Journal of Geomatics, 2013, 38(6): 27-29.(in Chinese)

[6] 王雪红，刘晓青，陶海龙，等. 优化BP神经网络的位移预测模型[J]. 水利水运工程学报, 2014(2): 38-42.

Wang Xuehong, Liu Xiaoqing, Tao Hailong, et al. A displacement prediction model based on improved particle swarm-BP neural network algorithm[J]. Hydro-Science and Engineering, 2014(2):38-42.(in Chinese)

[7] 郑伟花，王宗华. 蚁群神经网络算法在超声检测混凝土缺陷中的应用[J]. 无损检测, 2013, 35(5): 4-7.

Zheng Weihua, Wang Zonghua. Ant colony algorithm and application in inspection of concrete structure defects[J]. Non Destructive Testing, 2013, 35(5) : 4-7.(in Chinese)

[8] 于伟, 蔡璟珞, 安凤平. 边坡位移LMD-BP神经网络模型研究[J].计算机应用与软件，2013, 30(9): 107-109.

Yu Wei, Cai Jingluo, An Fengping. On slope displacement prediction model based on LMP-BP neural network[J]. Computer Applications and Software, 2013, 30(9): 107-109.(in Chinese)

[9] 戴张俊，余飞，陈善雄，等. 淮北平原地基分层与承载力的BP网络预测方法[J].土木建筑与环境工程, 2013, 35(3):18-24.

Dai Zhangjun, Yu Fei, Chen Shanxiong, et al. Stratifications and bearing capacity prediction method based on BP neural network for foundation in Huaibei plain[J]. Journal of Civil Architectural and Environmental Engineering, 2013, 35(3): 18-24.(in Chinese)

[10] 陈春来. 基于BP神经网络模型的建筑工程安全损失预测研究[J]. 建筑施工, 2013, 35(1): 88-90.

Chen Chunlai. Study on prediction of construction engineering accident loss based on BP neural network model[J]. Building Construction, 2013, 35(1): 88-90.(in Chinese)

[11] 张蛟龙，柳献，朱洪波，等. 基于神经网络的UHPC力学性能预测模型[J].混凝土理论研究, 2013(3): 18-22.

Zhang Jiaolong, Liu Xian, Zhu Hongbo, et al. Model for predicting the mechanical behavior of UHPC based on BP neural network[J]. Concrete Theoretical Research, 2013(3): 18-22.(in Chinese)

[12] 吴陈，盛晖. 一个基于BP神经网络和数据库的综合预测系统[J]. 华东船舶工业学院学报, 1993, 7(3): 53-60.

Wu Chen, Sheng Hui. An integrated predictive system based on BP ANN and databases[J]. Journal of East China Shipbuilding Institute, 1993, 7(3): 53-60.(in Chinese)

[13] 刁延松，张启亮，孟冬梅. 基于振动传递率的钢质导管架海洋平台结构损伤识别方法研究[J]. 建筑钢结构进展, 2013, 15(1): 50-56.

Diao Yansong, Zhang Qiliang, Meng Dongmei. Study on the damage identification method of steel jacket offshore platform based on vibration transmissibility function[J]. Progress in Steel Building Structures, 2013, 15(1): 50-56.(in Chinese)

【中文责编：坪梓；英文责编：之聿】

Airport pavement void testing based on back propagation neural network

Liu Guoguang1,2, Wu Zhiwei2, Niu Fujun1†, and Zhao Longfei2

1) State Key Laboratory of Frozen Soil Engineering, Lanzhou 730000, Gansu Province, P.R.China 2) Airport College, Civil Aviation University of China, Tianjin 300300, P.R.China

Abstract：In order to investigate the test method of airport pavement voids, a laboratory model test was conducted to achieve the time-history curve of acceleration response of airport pavement under impact loading. The characteristic value of the acceleration curve was obtained by the wavelet transform tool box of Matlab, by which the influence law of pavement voids on vibration signal was analyzed. By optimizing loading steps and screening input vectors, a pavement void prediction method based on back propagation neural network was established. To calibrate the prediction method, a runway field test was carried out by using heavy weight deflector, by which the reliability of back propagation neural network prediction was evaluated by plate coring. The results show that the loading steps, the input vector, training times, the training intensity and algorithm have significant influences on the prediction accuracy of the back propagation neural network. The pavement acceleration influenced by void could be used as the input vector of back propagation neural network, the prediction result of the back propagation neural network was proved by void observation of site coring.

Key words：pavement engineering; pavement void; wavelet transform; back propagation neural network; model experiment; site test

基金项目：国家自然基金资助项目(51178456)；冻土工程国家重点实验室开放基金资助项目(SKLFSE201409)；中央高校基本业务费资助项目(3122016D019)

作者简介：刘国光(1980—)，男，中国民航大学讲师. 研究方向：机场工程及结构振动分析. E-mail：ggliu@cauc.edu.cn

中图分类号：U 416.201

文献标志码：A

doi：10.3724/SP.J.1249.2016.03309

【土木建筑工程 / Architecture and Civil Engineering】

Received：2016-01-07；Accepted：2016-03-08

Foundation：National Natural Science Foundation of China(51178456); Open Foundation of State Key Laboratory of Frozen Soil Engineering (SKLFSE201409); Fundamental Research Funds for the Central Universities(3122016D019)

† Corresponding author：Professor Niu Fujun. E-mail：niufujun@lzb.ac.cn

Citation：Liu Guoguang, Wu Zhiwei, Niu Fujun, et al. Airport pavement void testing based on back propagation neural network[J]. Journal of Shenzhen University Science and Engineering, 2016, 33(3): 309-316.(in Chinese)

引文：刘国光，武志玮，牛富俊，等. 基于BP神经网络的场道脱空检测方法及实验[J]. 深圳大学学报理工版，2016，33(3)：309-316.