用于沥青路面性能预测的改进BP神经网络集成模型

《Materials》：Improved BP Neural Network Ensemble Model for Asphalt Pavement Performance Prediction

　　

随着沥青路面运行环境复杂性与变异性的不断增加以及交通荷载的持续增长，传统路面性能预测模型已无法准确描绘路面性能随时间推移发生的非线性退化（degradation）过程。因此，研究人员提出了一种准确预测沥青路面服役性能的新方法。该方法利用Levenberg–Marquardt (LM) 算法优化了反向传播(BP)神经网络。研究人员选取了七个主要影响因素作为构建预测模型的输入参数，并对预测模型的性能进行了评估。分析中考虑的参数包括：路龄、一年内的平均日交通量、年温差、年降水量、相对湿度、路面厚度以及路面表面抗压强度。通过累积这些因素，该模型能够准确预测并评估路面状况和路面质量指数(PQI)。结果表明，所提出的模型在预测路况指数(RCI)方面优于传统BP神经网络的基线模型，其平均绝对误差(MAE)为0.395。这为预测沥青路面服役性能并验证模型有效性提供了重要参考。

随着公路交通荷载的持续增加、气候条件的复杂化以及道路服役寿命的延长，沥青路面的性能退化问题日益严峻。公路工程领域面临的主要挑战之一是如何基于路面性能演化机制制定准确的养护措施，这要求对退化机制有深入理解。传统预测方法如经验统计模型、回归分析、时间序列及模糊预测等，普遍存在对随机干扰敏感、难以准确表征非线性关系以及长期预测稳定性差等问题。为有效平衡工程应用、模型鲁棒性(Robustness)与预测准确性，研究人员开展了本研究，该论文发表在《Materials》期刊上。研究人员构建并优化了基于Levenberg–Marquardt (LM) 算法的BP神经网络分析系统，旨在准确预测和评估特定气候下沥青路面的服役性能，得出该模型能够提升路面性能预测准确性的结论，这对实现可持续的道路基础设施管理、优化资源配置和减少养护操作的主观随意性具有重要意义。

在关键技术方法方面，研究人员主要整合了美国长期路面性能(LTPP)数据库与中国部分城市路面数据集作为样本队列来源；采用了BP神经网络技术构建非线性映射体系，包含输入层、隐层与输出层；引入了LM算法通过结合梯度下降与Gauss-Newton优化思想对网络权重与偏置进行优化训练；运用了相对误差(RE)、均方根误差(RMSE)、平均绝对误差(MAE)及后验方差比等统计学指标对预测模型性能进行定量评估与对比分析。

在研究结果方面，主要包含以下几个维度的发现：

首先，关于数据准备与影响因素分析。研究明确选取了路龄、平均年日交通量(AADT)、年温差(ΔT)、年降水量、相对湿度、路面厚度及表面抗压强度这7个变量作为预测模型的输入指标，以路面质量指数(PQI)作为表征路面整体服役性能的单一输出变量。数据揭示出在路面达到临界状态时，退化过程加速并伴随服务效率急剧下降，证实了运用多影响因素表征沥青路面非线性退化模式的必要性，各变量之间存在的相互作用共同驱动了路面的退化过程。

其次，关于LM算法对BP神经网络的优化验证。研究人员设计了包含5个和6个隐层神经元的四种模型配置进行对比实验。结果验证了LM优化能够切实提升预测性能，在采用6个隐层神经元的配置下，LM优化算法显著改善了网络在非线性关系拟合上的参数更新与收敛特性，降低了预测结果中局部异常值和随机噪声带来的偏差，最大相对误差由1.77%大幅降至0.71%。

最后，关于预测性能的综合对比。分析表明包含6个隐层神经元的LM优化BP模型(LM-BP-6)取得了最佳的整体预测精度，其决定系数(R²)达到0.991，RMSE为0.410，MAE为0.395。这表明6个隐层神经元的配置在本研究的数据集下，于非线性表征能力与模型复杂度之间取得了最佳妥协。

在讨论与总结部分，研究人员翻译并得出以下研究结论：本研究开发了一种基于LM算法优化的BP神经网络架构用于预测沥青路面的服役性能。提出的新框架综合了交通、气候和结构数据，主要贡献在于提出了非线性路面性能预测的框架，并系统研究了隐层配置和优化策略对预测性能的深层影响。对比结果证实LM优化算法能够显著改进传统BP神经网络的收敛特性和预测性能。在所研究的配置中，包含6个隐层节点的模型实现了最佳的总体预测精度，最大相对误差仅为0.71%。该研究指出所提出的模型可为沥青路面性能管理提供切实可行的决策支持方案，通过精确的PQI趋势预测，协助交通管理部门精准识别易发生快速退化的路段，从而制定前置性的养护策略并提升稀缺养护资源的分配效率。但模型的应用存在一定界限，其可靠性需依赖训练数据集的特征与覆盖范围。当面临与原训练数据显著不同的大范围环境条件、高交通荷载或铺设材料时，需经过独立外部验证或重新校准。未来的工作方向将集中于扩充数据库规模以纳入极端气象条件区域及路面严重退化状况的数据，并进一步纳入冻融循环、材料级配等复杂变量以完善模型体系。