基于大样本的土基模量反算方法★

高 燕，英 红

(1.衡水市市政工程管理中心,河北 衡水 053000;2.桂林电子科技大学建筑与交通工程学院,广西 桂林 541004)

土基模量的取值是道路设计最基本的参数,是结构层选型、厚度设计的关键参数,尤其是在旧路维护补强设计中,由于复杂的工况,原有道路的土基模量的参考值发生较大变化,此时,依靠现有道路的FWD弯沉盆曲线进行土基模量反算可解决此类问题,以往的研究人员提出过较多的反算方法,如早期国内外使用的数据库法、迭代法,近期的神经网络[1]、惰性点法[2]等等,但由于考虑各层厚度、模量变化的样本较少,对各种工况难以覆盖,本文充分考虑各结构层厚度、模量的变化,利用神经网络实现土基模量反算,是一种实用性好、覆盖面广的有效方法。

1 土基模量对路表弯沉曲线的影响分析

利用Bisar软件计算理论弯沉值,使用由面层、基层、土基构成的3层弹性体系,结构参数如表1所示,弯沉盆取点位置如表2所示。

表1 绘图所用路面结构参数取值

表2 弯沉盆曲线测点位置

使用以上计算数据,通过Bisar软件计算,将结果绘于图1。

根据图1,当面层、基层厚度已知,而面层与基层模量难以估计时,通过单一或少数测点(D7,D8,D9等远离荷载中心的测点)可能通过简单回归推算出较为准确的土基模量,但当面层与基层厚度难以通过芯样稳定评估时,情况将变得复杂,此外还需考虑使用FWD,由于传感的误差,使得远离荷载中心的测点相对误差较大,导致估算误差增大的问题,因此,综合考虑弯沉盆曲线上的9个测点,将有效的平衡仪器带来的误差,面对较多参数组合的大样本分析,使用9个测点数据进行回归分析复杂度太大,使用神经网络是个简便的方法。

2 正算样本

为构建覆盖常用三层结构的正算样本库,如表3,表4所示,选取了6个面层厚度、8个基层厚度、10个土基模量、面层和基层模量各选取了15个,组合起来共计108 000个正算样本。

表3 结构层厚度取值 m

表4 结构层模量取值 MPa

3 神经网络模型

以每组弯沉盆曲线上的9个弯沉值作为神经网络模型的输入参数,以土基模量作为输出参数,构建BP神经网络,网络的设计参数如表5所示。

表5 神经网络模型参数

4 误差分析

选取训练结果中某一固定结构厚度(面层厚度0.18 m、基层厚度0.3 m)的相对误差绘于图2,大部分反算误差小于1%,少数误差大于1%,且误差的图形具有一定的规律性,分析可知,训练的最小土基模量为20 MPa,最大土基模量为1 000 MPa,相差50倍,当绝对误差变化不大时,相对误差自然会呈现出图中形貌;此外,训练的组合顺序也对训练结果有一定影响,如面层和基层模量的最大取值与最小取值相差60倍,也在误差图中有所体现。整体来看,将该网络用于土基模量的反算是满足工程需求的。

5 结语

提出了一种基于神经网络的大样本土基模量反算方法,与其他反算方法相比,正算样本大大增强了,涵盖了常用的三层结构的大部分情况,经过BP神经网络训练,获得了较小误差,满足实际工程需求。