基于探地雷达属性预测路基含水率的模型实验研究

刘杰

基于探地雷达属性预测路基含水率的模型实验研究

刘杰1, 2

(1. 中国铁道科学研究院 铁道建筑研究所，北京 100081； 2. 高速铁路轨道技术国家重点实验室，北京 100081)

从探地雷达属性分析入手，研究探地雷达属性分析和BP神经网络相结合的路基含水率预测的方法。根据铁路路基模型含水率试验数据，优选出最大峰值振幅、总能量、主频带能量、百兆带宽能量百分比、峰值频率、平均瞬时相位、能量半衰时等7种探地雷达属性作为铁路路基含水率预测的基本参数，结合含水率测试资料，建立路基含水率BP神经网络预测模型，预测含水率与实际含水率的相关系数，反映铁路路基含水率与探地雷达属性之间的非线性关系。

含水率预测；探地雷达；属性分析；BP神经网络；模型试验

铁路路基病害的形成和恶化，水是最重要的条件，若没有足够水的作用，路基病害也不会发生。因此，对铁路路基含水状态的预测评价是十分重要的，研究一种快速、高效的路基含水率预测评价方法是十分必要的。传统的土壤含水率的检测方法主要有烘干法、核子射线法、张力计法、时(频)反射法、电容电阻法等[1−2]。烘干法、核子射线法、张力计法和时域发射法能够获得准确性较高的土壤含水率，这些方法采用单点测量，检测速度较慢、效率低，测量范围有限。基于电磁特性和遥感方法土地含水率探测是一种大面元的探测方法[3−4]，适用于宏观的土壤含水率调查。探地雷达[5−12]具有高效、快速及无损检测等特点，符合路基快速检测的要求。但是探地雷达主要检测路基结构性的变化，对路基含水状态的评价只限于定性，无法给出定量分析。地震属性技术是运用地震波的几何学、运动学、动力学和统计学特征，定量或半定量的研究地下储层性质的技术。将属性分析方法应用于探地雷达(GPR)中，研究路基含水率变化引起的路基填料介电性质变化，导致探地雷达的波形、振幅、能量、频率以及传播时间等属性变化[13−14]，从而达到路基含水率的预测。本文在前人对探地雷达属性研究的基础上[15]，以物理模型试验为依托，应用探地雷达属性分析和BP人工神经网络相结合的方法对路基模型含水率进行预测，是路基含水状态定量预测新尝试。

1 探地雷达属性分析

1.1 探地雷达属性提取

借鉴于地震属性理论，探地雷达属性为探地雷达波形记录中提取关于雷达波的几何学、运动学、波动学和统计学的相关特征。探地雷达属性分析就是通过提取相关的雷达波属性参数，刻画地下介质结构、物性等信息。探地雷达数据中包含大量的地下介质信息。如何准确提取探地雷达数据中的各种属性，并通过对探地雷达属性的分析，最终获取地下介质类型、性质等信息则是应用探地雷达属性进行地下介质预测的目的之一。

1.2 探地雷达属性优化

从现有的属性提取方法可知，从探地雷达数据中可提取属性参数很多，这些参数有的是路基填料相关物性的反映，有的则是外界干扰噪声。此外，提取出来的探地雷达属性间并不一定相互独立，与预测填料的物性可能相关性不大，使得属性空间中的信息冗余度增大。而且，并不是属性参数越多越好，关键在于属性参数的合理选择，因此必须对所提取的探地雷达属性进行优化。利用前人的经验和数学方法，优选出对求解问题最敏感的探地雷达属性或探地雷达属性组合，提高探地雷达识别和预测精度。优化路基填料含水状态与探地雷达属性 变化。

1.2.1 探地雷达属性归一化

1.2.2 相关性分析

通过式(1)归一化处理计算，将属性样本集转化为0~1区间的数据。根据归一化处理后的数据，按照式(2)计算路基填料含水率与探地雷达属性间的相关系数。

通过计算路基含水率与探地雷达属性之间相关系数，选择相关系数较大的属性形成预测属性集，以达到减少属性个数，压缩属性空间维数，突出差异性。

1.2.3 互相关分析

对预测属性集中各属性进行互相关分析，把相关性较大的属性合并，这样可以形成个新的属性子集，子集与子集间是不相关或者相关性很小。再从每子集中优先选取与含水率相关性最大的属性作为预测属性，这样就形成一个含有个样本的预测属性集，可以保证用于预测的探地雷达属性具有相对独立性，保持算法的稳定性。互相关系数同样采用式(2)计算。

2 BP神经网络

2.1 BP神经网络基本原理

人工神经网络是以现代神经科学为基础，通过对人脑的模拟，实现学习、识别和预测等功能的网络结构。神经元是神经网络的基本组成单元，按神经元的拓扑结构，人工神经网络分为前向网络和反馈网络。目前应用最广的结构是误差反馈多层前向神经网络(简称BP)，BP 网络是通过将网络输出误差反馈来对网络参数进行修正, 从而实现网络的非线性映射能力。

2.2 神经网络实现方法

2.2.1 网络设计

2.2.2 归一化处理

由于不同探地雷达属性的单位和数值范围差异较大, 可能造成BP网络的波动，结合S 型函数的特性和网络神经元的非线性的性质，需要对数值型的样本、输出进行归一化处理，每个节点输出值均在0~1范围内。

2.2.3 网络训练

在BP 网络中，选用双曲正切S形函数作为神经元的激励函数，采用线性函数作为输出层神经元激励函数，用已知的样本作为训练集来训练网络，利用实际输出与期望输出之间的误差来训练网络，如果期望输出与实际输出之差不满足设定的误差要求，把误差反馈给网络，修正网络中的权值和阈值，进行新的运算，直至满足误差要求为止。通过训练后网络可获得各层的权值和阈值。

2.2.4 网络预测

运用训练好的网络进行路基含水状态预测，预测的效果取决于训练数据的代表性和数据量。通常训练数据量大则预测网络的精度高。由于训练所用的样本都是经过归一化处理的，所预测出的路基含水状态也是归一化状态，需要进行逆归一化处理得到实际预测值。逆归一化处理可按式(1)逆向计算，神经网络训练预测流程如图1所示。

3 模型试验

3.1 样本数据的获取

为了对该方法进行实验研究，特制作了长、宽、高分别为2，1.5和0.6 m的路基模型。模型填料选用过筛的细粒土，分两层填筑，每层填筑高度30 cm。实验过程中，用750 MHz天线点距为5 cm的探地雷达数据。为了降低模型边界影响，测线从距模型边界25 cm开始采集，每个模型采集3条测线共90个雷达数据。模型的含水率使用核子密度仪测定，每个模型按照图2方式每个模型采集8个含水率样本。每个模型数据采集结束后，挖出填土加水搅拌，封闭静止1 h后进入下一个模型制作和数据采集过程，整个试验制作13个物理模型，共获得104个含水率样本，模型的含水率参数见表1。由于模型的底板与模型填料存在明显的介电性质差异，模型底板雷达波反射信号易于识别。

3.2 探地雷达属性分析

根据地震属性提取算法，采用MATLAB语言编写探地雷达属性提取程序。提取雷达波初至到模型底板反射时间范围内的探地雷达属性，共提取振幅类、频谱类、瞬态类等探地雷达属性28种(表2)。

按照式(1)计算出雷达属性与含水率之间的相关系数(表1)，根据探地雷达属性与模型的含水率相关系数的大小，初步选取相关系数大于0.5的探地雷达属性有：最大峰值振幅、最大绝对值振幅、总绝对值振幅、总振幅、平均能量、总能量、宽频带总能量、主频带能量、百兆带宽能量百分比、低频带能量、峰值频率、低频带频率百分比、平均瞬时相位、振幅强度、和能量半衰时。再进行探地雷达属性互相关分析，最后优化选取模型含水率预测的探地雷达属性为：最大峰值振幅、总能量、主频带能量、百兆带宽能量百分比、峰值频率、平均瞬时相位、能量半衰时。

图1 神经网络预测流程图

图2 模型试验照片和数据采集测网布置示意图

表2 含水率与雷达属性相关系数(R)统计表

3.3 BP神经网络预测

根据上述优化选取的雷达属性，把最大峰值振幅、总能量、主频带能量、百兆带宽能量百分比、峰值频率、平均瞬时相位、能量半衰时作为BP神经网络的输入，输入层共7个节点；输出层一个节点，即输出预测含水率，隐含层节点、训练次数、学习速率均在学习过程中调节。在104个含水率样本中，84个用于训练，20个用来检验预测的效果。经过不断对隐含层维数、网络学习速率、学习次数的调整，在隐含层节点数取12，学习速率0.15时，网络训练25 000 次，网络训练误差得到收敛。

通过调用训练稳定的网络对其余的20组数据进行预测。图3为BP神经网络预测的结果，预测的含水率与实际含水率间的相关系数达0.86，表明预测的准确性较高；表3为BP神经网络对模型含水率预测的误差分析统计，从表3中可以看出，预测含水率与实际含水率最大绝对误差为8.65%，最小绝对误差为0.27%，平均误差为0.72%；最大相对误差为27.3%，发生较大误差主要集中的含水率大于30%样本中，其原因可能是当模型含水率大于30%后，在模型均质性受到了影响，也可能是受模型边界的影响。

图3 BP神经网络预测含水率与实际含水率曲线

表3 BP神经网络预测对模型含水率预测误差分析统计表

4 结论

1) 从探地雷达属性分析入手，研究路基含水状态探地雷达属性分析方法和BP人工神经网络相结合的预测方法。

2) 建立路基含水率模型试验，进行探地雷达属性分析，优化出最大峰值振幅、主频带能量、峰值频率和平均瞬时相位等7种探地雷达属性作为路基含水状态预测分析的基本参数。

3) 制作13个物理模型，获得104个含水率样本，通过7种探地雷达属性的BP神经网络预测，得到的预测结果与实际含水率相关系数，总体预测效果较好。

4) 不同线路的填料性质、气候条件以及道床和周边环境因素对预测结果有一定的影响。

[1] 钟世航, 孙宏志, 杨峰, 等. 探地雷达地质探查及检测技术[M]. 上海: 上海科学技术出版社, 2016. ZHONG Shihang, SUN Hongzhi, YANG Feng, et al. Ground penetrating radar technology of geotechnical exploration and detection[M]. Shanghai: Shanghai Science and Technology Press, 2016.

[2] 王晓雷, 胡建东, 江敏, 等. 附加电阻法快速测定土壤含水率的试验[J]. 农业工程学报, 2009, 25(10): 76−77. WANG Xiaolei, HU Jiandong, JIANG Min, et al. Experiment on fast measurement of soil moisture based on additional resistance method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(10): 76−77.

[3] 陈权, 曾江源, 李震, 等. 遥感监测与土壤含水率关系模型[J]. 农业工程学报, 2012, 28(6): 171−175. CHEN Quan, ZENG Jiangyuan, LI Zhen, et al. Relationship model of soil moisture and dielectric constant monitored with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(6): 171−175.

[4] Topp G C, Davis J L, Anna A P. Electromagnetic determination of soil water content: Measurement in coaxial transmission lines[J]. Water Resource, 1980, 16(3): 574−582.

[5] Saarenketo T, Scullionr T. Road evaluation with ground penetrating radar[J]. Journal of Applied Geophysics, 2000(43): 119−138.

[6] ZHANG Di. Measurement of soil water content using ground penetrating radar[D]. Sweden: Royal Institute of Technology (KTH), 2012.

[7] Weihermüller L, Huisman J A, Lambot S, et al. Mapping the spatial variation of soil water contentat the field scale with different ground penetrating radar techniques[J]. Journal of Hydrology, 2007(340): 205−216.

[8] Benedetto A, Pensa S. Indirect diagnosis of pavement structural damages using surface GPR reflection techniques[J]. Journal of Applied Geophysics, Elsevier, 2007(62): 107−123.

[9] 雷少刚, 卞正富. 探地雷达测定土壤含水率研究进展[J]. 土壤通报, 2008, 39(5): 1179−1181. LEI Shaogang, BAN Zhenfu. Review on soil water content measurement with ground Penetrating radar[J]. Chinese Journal of Soil Science, 2008, 39(5): 1179−1181.

[10] 王前锋, 周可法, 孙莉, 等. 基于探地雷达快速测定土壤含水量试验研究[J]. 自然资源学报, 2013, 28(5): 881−885. WANG Qianfeng, ZHOU Kefa, SUN Li, et al. A study of fast estimating soil water content by ground penetrating radar[J]. Journal of Natural Resources, 2013, 28(5): 881−885.

[11] 崔凡, 刘杰, 吴志远, 等. 探地雷达功率谱模型在砂壤含水率和紧实度探测中的应用[J]. 农业工程学报, 2014, 30(16): 99−105. CUI Fan, LIU Jie, WU Zhiyuan, et al. Application of ground penetrating radar power spectrum model in detection of water content and degrees of compactness in sandy loam[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(16): 99−105.

[12] 吴彦斌, 崔凡, 王磊, 等. 透射式探地雷达探测土壤含水率[J]. 农业工程学报, 2014, 30(17): 125−131. WU Yanbin, CUI Fan, WANG Lei, et al. Detecting moisture content of soil by transmission-type ground penetrating radar[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 25(10): 125−131.

[13] 马福建, 雷少刚, 杨赛, 等. 土壤含水率与探地雷达信号属性的关系研究[J]. 土壤通报, 2014, 45(4): 809−815. MA Fujian, LEI Shaogang, YANG Sai, et al. Study on the relationship between soil water content and ground penetrating radar signal attributes[J]. Chinese Journal of Soil Science, 2014, 45(4): 809−815.

[14] 赵文轲. 探地雷达属性技术及在考古调查中的应用研究[D]. 杭州: 浙江大学, 2013. ZHAO Wenke. The study of ground penetrating radar attribute technology for archaeological prospection[D]. Hangzhou: Zhejiang University, 2013.

[15] 刘杰. 铁路路基含水状态的探地雷达检测方法研究 [D]. 北京: 中国矿业大学, 2015. LIU Jie. Methods of detection on moisture of railway subgrade by using ground penetrating radar[D]. Beijing: China University of Mining & Technology, 2015.

(编辑 涂鹏)

Model test study on moisture content prediction of subgrade based on GPR attributes

LIU Jie1, 2

(1. Railway Engineering Research Institute, China Academy of Railway Sciences, Beijing 100081, China; 2. State Key Laboratory for Track Technology of High Speed Railway, Beijing 100081, China)

Based on the analysis on ground penetrating radar (GPR) attributions, a method for predicting the water content level of railway subgrade was proposed by combining the attribute analysis of GPR and BP artificial neural network. Seven usable GPR attributes, including the maximum peak amplitude, total energy, dominant frequency band energy, energy percentage of hundreds megabytes bandwidth, peak frequency, average instantaneous phase and energy halftime, were selected as the basic analysis parameters of prediction models for the moisture content of railway subgrade, based on model test of moisture content of railway subgrade. According to the test data, a BP artificial neural network prediction model of the moisture content of railway subgrade was established. The trained network model was used to predict the moisture content of the railway subgrade model. The correlation coefficient between the predicted and actual moisture content values was predicted, which can well relate the moisture content of railway subgrade with GPR attributes.

moisture content prediction; ground penetrating radar (GPR); attribute analysis; BP artificial neural network; model test

10.19713/j.cnki.43−1423/u.2018.09.008

U452.1+1

A

1672 − 7029(2018)09 − 2240 − 06

2017−07−11

国家自然科学基金资助项目(U1434211)；中国铁道科学研究院基金资助项目(2015YJ036)；铁路总公司科技研究开发计划资助项目(2016G0030-C)

刘杰(1971−)，男，江苏睢宁人，研究员，博士，从事工程与环境地球物理方面的研究；E−mail：cumtbliujie@126.com