基于路基雷达信号特征值的水分识别方法研究

《Applied Sciences》：Research on Identification Method of Subgrade Moisture Content Based on Radar Signal Eigenvalue

　　

路基含水量的准确无损量化是公路施工质量控制与长期性能维护的核心需求。为研究路基含水量与探地雷达(Ground-Penetrating Radar, GPR)信号特征值之间的响应关系，研究人员构建了广西高塑性黏土的体积含水量—介电常数关系并进行了gprMax正演数值模拟。研究人员通过时域波形分析、希尔伯特(Hilbert)变换分析及功率谱密度分析从预处理信号中提取了14个雷达信号特征值，并通过基于皮尔逊(Pearson)相关系数的降维筛选出7个关键特征值。研究人员采用三种机器学习算法——人工神经网络(Artificial Neural Network, ANN)、随机森林(Random Forest, RF)和轻型梯度提升机(Light Gradient Boosting Machine, LightGBM)——优化路基含水量反演模型，最终通过室内模型箱试验和现场路基试验进行验证。结果表明：(1) 线性拟合公式最适合描述广西黏土体积含水量—介电常数关系，决定系数(R2)为0.979，平均绝对误差(Mean Absolute Error, MAE)为0.31。(2) 降维后的特征矩阵有效缓解了模型泛化能力与可解释性的退化。(3) LightGBM模型对黏土体积含水量预测精度最高，R2达0.99926，MAE为0.172%。(4) 对于质量含水量反演，室内模型箱试验最大相对误差为1.6%，现场试验为1.7%，均在工程要求2%容差内。本研究验证了所提基于GPR信号特征值的路基含水量识别方法的可行性，为大面域无损检测路基水分提供了高效技术路径，在路基施工验收、日常养护监测及隐伏病害预警方面具有应用前景。

研究背景方面，路基土含水量是公路建设与养护期质量控制的关键指标，其控制水平直接关系到路基压实度、水稳定性与结构强度。传统烘干法与燃烧法虽能测定特定点位含水量，但存在取样扰动大、检测覆盖面有限及效率低等缺陷。现有基于探地雷达(GPR)的研究虽已实现路面与基层水分反演，最大误差一般控制在15%以内，但仍存在局限：一是将介电常数作为中间参数易引入多环境因素耦合的累积误差；二是多依赖单一信号特征，时频域特征融合协同反演尚处初步阶段；三是经典Topp方程难以准确刻画广西高液限、强水敏性的高塑性红黏土介电行为。因此，研究人员针对广西高塑性黏土，开展融合多域GPR信号特征值与机器学习算法的准确识别方法研究，以解决区域特殊性土的定量检测难题，该研究发表于《Applied Sciences》。

研究人员开展研究用到的主要关键技术方法包括：首先通过时域反射(Time-Domain Reflectometry, TDR)技术测定广西南宁与贺州高塑性黏土的介电常数与体积含水量，建立二者关系并校准线性模型；其次利用gprMax构建空气层、上路堤与下路堤的三层路基结构正演模型，生成880组仿真数据集；随后对原始二维A扫描矩阵进行直流(Direct Current, DC)去除、自动增益控制(Automatic Gain Control, AGC)、有限冲激响应(Finite Impulse Response, FIR)滤波及加权移动平均背景去噪预处理，并从时域波形、频域功率谱及希尔伯特(Hilbert)变换瞬时属性三个维度提取14个特征值，基于皮尔逊(Pearson)相关系数矩阵以0.9为阈值筛选至7个关键特征；最后采用人工神经网络(ANN)、随机森林(RF)与轻型梯度提升机(LightGBM)三种算法构建回归模型，并通过室内模型箱（尺寸2m×1.2m×1m，400MHz天线）与贺州高速公路现场试验（LTD-2600系统，60m三段式路基）进行验证。

研究结果部分，在体积含水量—介电常数关系中，研究人员对比线性、多项式与多重线性拟合，三者R²均大于0.9，考虑到多项式二次项系数仅0.005且便于工程应用，最终选用线性拟合公式（R²=0.979，MAE=0.31）。在gprMax模型合理性验证中，研究人员将正演与现场实测（压实度90%，质量含水量12.4%）的14个特征值对比，最大绝对相对误差为4.8%（低于10%），证实模型合理。在特征降维结果中，研究人员经域内相关性分析（阈值0.9），保留振幅方差、振幅峭度、总能量、低频带能量、平均信号频率、100MHz带宽内能量占比及平均瞬时相位共7个关键特征值，兼顾信息完整与冗余消除。在回归模型性能比较中，研究人员以880组数据按8:2训练测试，LightGBM的MAE为0.172%、MSE为0.0556、R²为0.99926，均优于RF与ANN，确定为最优模型。在反演模型验证结果中，室内模型箱两种工况下质量含水量反演最大相对误差1.6%，场测试验为1.7%，均满足2%工程容差，误差源于局部压实不均与GPR体平均同环刀点采样的尺度差异。

讨论部分，研究人员指出相较于经典Topp方程与一般介电模型，本研究校准的线性模型（R²=0.979）解决了通用模型在区域特殊黏土的大误差问题，与Shirong Yan等关于区域校准提升精度的结论一致；多域特征融合较现有单特征法显著提升抗干扰与泛化性，LightGBM较Liu Hongliang等采用的SVM误差更低、效率更高，适于大面域检测；现有方法最大相对误差约5%–10%，本研究现场最大1.7%显著更优，归功于多域融合与集成学习非线性拟合。LightGBM优异性源于迭代优化残差捕捉非线性、中等数据量下较深度网络不易过拟合及其直方图算法与叶向生长策略适配特征多重共线性。广西黏土高液限致自由水增加使介电常数近似线性增长；高塑性致介电色散使高频衰减显著，频域与瞬时特征对水分敏感，支撑多特征融合精度。局限性在于仅基于广西黏土与恒温条件，未量化温度波动、地下障碍与外电磁干扰影响，未来将建温度校正模型、扩展土类建通用模型及引入多因子耦合。

结论部分翻译为：本研究针对广西广泛分布的高塑性黏土，提出了一种基于多域GPR信号特征值与LightGBM算法的路基含水量识别方法。主要结论如下：为广西黏土校准的线性拟合模型能准确描述体积含水量与介电常数关系（R²=0.979），弥补了经典Topp方程应用于高塑性区域黏土的低精度缺陷；多域特征值融合策略结合皮尔逊(Pearson)相关降维有效平衡了信息完整性与模型可解释性，为GPR信号特征挖掘提供可行技术路径；LightGBM反演模型对室内受控样本与现场工程路基均达高预测精度，质量含水量反演最大相对误差在2%内，满足公路路基质量检测要求。该方法实现了路基含水量快速无损大面域检测，可为公路路基智能建养管理提供技术支撑。未来研究将聚焦引入温度与土类作为输入参数，进一步提升模型普适与环境适应性。

需要我帮你把这篇解读里的关键专业术语（如GPR、LightGBM、R²等）整理成一份简易中英对照表方便查阅吗？