智能压实全局优化机制：一种基于深度学习(Deep Learning)的方法

《Multimodal Transportation》：Global Optimization Mechanism for Intelligent Compaction: A Deep Learning-Based Approach

　　

全球优化机制(Global Optimization Mechanism)是道路基础设施智能压实(Intelligent Compaction, IC)技术相较于传统压实方法的突出优势，然而当前该机制的实现仍受限于压实质量预测模型的精度不足以及缺乏系统性的工作参数调整反馈策略。为解决上述局限，本研究基于有限元模型(Finite Element Model, FEM)建立数值数据集，并构建基于人工神经网络(Artificial Neural Network, ANN)的代理建模框架用于智能压实参数优化。利用数值模型生成不同初始压实度(Initial Compaction Degree)、碾压速度(Rolling Speed)及碾压遍数(Number of Rolling Passes)下的压实响应，在此基础上建立深层全连接ANN模型以预测最终压实度(Compaction Degree, K)、CMV(Compaction Meter Value)及AICV(Amplitude Integration of Compaction Value)。采用Hyperband算法进行超参数优化，利用独立的训练集、验证集及留出测试集评估预测模型，并通过密集预测扫描(Dense Prediction Sweeps)探索输入域内的响应面。此外，研究人员开发了名为Feedback-Net的逆反馈模型，可根据当前压实状态与目标压实状态推荐碾压速度。将所提ANN框架与多元非线性回归及若干机器学习基准模型进行对比。结果表明：在碾压速度1~1.7 m/s范围内，碾压遍数为影响最终压实度的主要因素；当碾压遍数为2~4遍时，碾压速度超过2 m/s后最终压实度随速度增大总体呈下降趋势；ANN代理模型较多项式回归模型能更有效地捕捉非线性压实响应，尤其在高速工况下；反馈调节结果显示Feedback-Net给出的碾压速度建议在评价工况下与极差法(Extreme-Difference Method)一致。

论文解读：《Global Optimization Mechanism for Intelligent Compaction: A Deep Learning-Based Approach》发表于《Multimodal Transportation》

一、研究背景与意义

传统路基压实过程及检测手段存在施工标准化不足、检测具破坏性、结果滞后且空间代表性有限等问题。自20世纪80年代兴起的智能压实(Intelligent Compaction, IC)技术通过在振动钢轮上安装加速度传感器采集振动响应并计算IC指标（如CMV、AICV），可实时评估压实度(Compaction Degree, K)，并结合温度传感与定位系统应用于坝体、道路及铁路工程。IC技术的核心优势在于其全局优化机制(Global Optimization Mechanism)——即依据实时IC指标预测压实质量发展趋势，当预测值与实测值不符时动态调整后续工作参数（碾压速度、遍数等）以保障最终压实质量。然而现有研究存在两方面瓶颈：(1)压实质量发展预测模型多采用多元非线性回归（二次多项式），数据量增大时精度受限；(2)缺乏完备的反馈组件来调整工作参数，现有调整依赖基于回归的极差分析同样面临精度问题。为此，Ma Yuan等研究人员开展本研究，建立基于FEM数值数据与深度ANN的压实质量预测代理模型(Surrogate Model)及逆反馈网络Feedback-Net，旨在提升IC全局优化机制的预测准确性与反馈系统性。

二、主要关键技术方法

研究人员首先建立二维平面应变有限元模型(FEM, 路基10 m×3.7 m＋松铺层10 m×0.3 m)，采用Mohr-Coulomb本构（上松铺层ρ=1634 kg/m³, E=15 MPa, c=11.88 kPa, φ=27°；下路基ρ=1859 kg/m³, E=30 MPa, c=55.8 kPa, φ=31.15°），碾压机参数激振力310 kN、频率35 Hz、单轮重10 t／架重10 t。设定初始压实度K₀∈80%,90%、碾压速度v∈[1,4] m/s(步长0.1 m/s)、碾压遍数n∈[1,4]遍，共744组工况，提取竖向位移与加速度经离散傅里叶变换计算K、CMV(=300×A_2ω/A_ω)和AICV(=300×√(A_2ω²+A_3ω²+A_4ω²)/A_ω)。以此FEM结果为基准构建数据集，按随机划分训练/验证/测试集，输入(初压度、速度、遍数)→输出(K, CMV, AICV)。正向预测采用6隐层全连接ANN(最优结构160-160-96-64-40-40神经元, ReLU激活, 学习率1e-2, Huber损失, Adam优化, Hyperband超参搜索, Early Stopping)。逆反馈Feedback-Net以当前压实状态、当前遍数、目标压实度为输入，输出推荐碾压速度(LeakyReLU激活)。对比基线为二阶多项式多元非线性回归及经典机器学习模型。

三、研究结果

2.3. Numerical simulation results（数值模拟结果）

FEM结果表明：碾压速度1~1.7 m/s时碾压遍数是最终压实质量主控因素（该速度下限内路基可完全吸收滚轮做功，速度变化影响小）；速度1.7~4 m/s时速度与最终压实度呈负相关（超越能量吸收极限后速度越快单位时间做功越少）；随遍数增加压实指标渐增，本研究范围内最优为4遍。

3.1. Development of an ANN-Based Surrogate Model for Compaction Prediction（基于ANN的压实预测代理模型开发）

经Hyperband寻优获得上述六隐层网络结构，输入标准化／归一化处理。训练与验证损失平稳收敛，无显著过拟合。模型可在给定初压度、速度、遍数下预测K、CMV、AICV，并可进行密集扫描绘制响应面。引入同质异初始化集成(Ensemble)估算预测不确定性。

3.2. Hyperparameter optimisation of ANN based on Hyperband algorithm（基于Hyperband算法的ANN超参数优化）

Hyperband在定义搜索空间（各层神经元数、激活函数{ReLU/tanh/softplus/sigmoid}、初学习率[1e-4,1e-3,1e-2]）内迭代评估，选出最优组合（见表5：L1~L6=160,160,96,64,40,40；激活=ReLU；lr=1e-2）。平行坐标分析显示前两层与末层神经元数及初学习率对性能影响显著，sigmoid激活表现最差（梯度饱和），ReLU与softplus较优。

4.1. Training of the ANN-Based Surrogate Model and Optimization of Compaction Parameters（ANN代理模型训练与压实参数优化）

利用训练好的ANN在更密网格(v步长0.001 m/s, K₀步长1%)上进行12000组预测。三维散散图显示：初压度与终压度近似线性正相关；速度＞2 m/s后终压度随速度增大非线性下降，速度≤2 m/s时基本不变（n≥2时）；n=1且v＜3.3 m/s时终压度波动较大。固定n=4遍搜索最优速度，不同K₀(80%~90%)对应的最优终压度均接近97.6%，推荐速度多在1.0~1.4 m/s低平台区。n=1时最大终压度对应v≈1.7 m/s，二者不矛盾（不同遍数优化场景）。

4.2. Intelligent compaction quality development prediction mechanism（智能压实质量发展预测机制）

选取K₀=80%、n=4、v=1~4 m/s(步长0.5)对比ANN、多元非线性回归与FEM真值。三者均呈现终压度、CMV、AICV随速度增大而下降且降速渐快的趋势。ANN在特殊点（如v=3.5 m/s处CMV、AICV剧降的非敏感/转折区）较回归模型更接近FEM值，因多项式回归无法表征局部非线性响应，而ANN可更好逼近FEM生成的响应面。误差分析确认ANN对CMV和AICV高速段非线性变化捕捉能力优于二阶多项式回归。

4.3. Intelligent compaction input parameter feedback regulation based on ANN model（基于ANN模型的智能压实输入参数反馈调节）

构建Feedback-Net（输入：当前K、当前n、目标K；输出：推荐v），采用LeakyReLU激活以适应逆映射任务。训练收敛良好。在评价工况下Feedback-Net推荐的碾压速度与基于FEM结果的极差法所得建议一致，验证了逆反馈网络的合理性。

四、讨论与结论总结

研究人员得出结论：(1)碾压速度1~1.7 m/s时碾压遍数为主控因素，1.7~4 m/s时碾压速度与终压度负相关；(2)n=1且v∈[1,2] m/s时速度对终压度影响显著且v=1.7 m/s时单遍终压度最大，其余遍数下v∈[1,2] m/s影响甚微；(3)n=2~4且v＞2 m/s时终压度随速度增大逐渐降低，v＞3.5 m/s后影响再次减弱；(4)ANN代理模型较二阶多项式回归更能捕捉包括高速段在内的非线性压实响应，Feedback-Net给出的速度建议与极差法一致。研究局限性在于采用二维平面应变FEM忽略了滚筒有限宽度与端部效应、FEM输出为数值参考而非现场实测值、初压度仅作简化材料状态表征而未耦合密度-刚度-含水率联合变化；未来需依托现场试验与标定FEM进一步验证。该框架为IC技术全局优化机制提供了数据驱动的数值基础与方法参考。