基于多尺度实验的积沙路面抗滑性能分析

《Applied Sciences》：Analysis of Anti-Skid Performance of Sand Accumulation Pavement Based on Multi-Scale Experiments

　　

沙漠公路长期受到风积沙危害，路面上的积沙显著削弱表面纹理并恶化抗滑性能，这已成为沙漠路段交通事故的核心促成因素之一。当前研究主要关注覆沙路面宏观摩擦系数的衰减规律，但三维微观纹理特征与抗滑性能之间的定量关联机制尚未充分揭示，且缺乏多条件耦合场景下的高精度抗滑性能预测方法。为弥补上述研究不足，研究人员以腾格里沙漠地区的沥青路面为研究对象。采用手持式三维纹理扫描系统获取不同积沙覆盖率下的三维路面形态参数，并同步测量对应条件下的侧向力系数（SFC）。通过皮尔逊相关分析以及使用FDR-BH和Bonferroni方法进行双重多重比较校正，识别出核心影响指标。随后，构建了基于粒子群优化（PSO）算法优化的BP神经网络的抗滑性能预测模型，并与LSTM和PSO-SVM模型进行横向比较与验证。研究结果表明：①在干燥条件下，根均方高度（Sq）、峰密度（Spd）、算术平均峰曲率（Spc）、谷空隙体积（Vvv）、根均方斜率（Sdq）和界面展开面积比（Sdr）与SFC显著线性相关，其中Sq、Spd、Spc和Vvv为核心控制指标，其相关系数绝对值均超过0.73；②构建的PSO-BP预测模型在测试集上决定系数R2达到0.86093，其预测精度和泛化能力均优于LSTM和PSO-SVM模型，能够有效表征多个纹理参数与抗滑性能之间的非线性映射关系。该研究可为沙漠公路的抗滑性能评估、积沙灾害预警及科学养护决策提供理论支持和技术依据。

**论文解读：基于多尺度实验的积沙路面抗滑性能分析**

**研究背景与问题**
沙漠化是中国严峻的环境挑战，沙漠与戈壁总面积达128万平方公里，占国土面积的13.3%。路面抗滑性能是交通安全的关键决定因素，尤其在沙漠腹地，风积沙堆积会显著降低路面抗滑性，成为交通事故的核心促成因素之一。为促进干旱地区经济发展，中国已建成多条沙漠高速公路，如塔里木沙漠公路、S21阿乌高速和G1816乌玛高速。其中，乌玛高速宁夏青铜峡至中卫段穿越腾格里沙漠，春秋季强风将沙尘输送至路面，大幅降低能见度并加剧事故风险。

当前研究主要关注覆沙路面宏观摩擦系数的衰减规律，但存在以下不足：一方面，传统纹理指标（如单一的平均轮廓深度MPD）不足以全面表征路面抗滑性，且受路面年龄和交通荷载的耦合影响显著，仅依赖宏观纹理建模的预测精度有限；另一方面，多数相关发现来自实验室模拟试验，缺乏沙漠公路复杂服役环境下的现场实测数据，难以真实反映风积沙与路面纹理的多尺度耦合效应。因此，有必要开展基于现场实测的积沙路面三维纹理与抗滑性能的定量关系研究。

**研究内容与结论**
研究人员以腾格里沙漠地区沙漠公路为研究对象，系统开展了不同积沙覆盖率下的路面三维纹理扫描和侧向力系数（SFC）现场测试，定量揭示了积沙作用下路面三维纹理的演化规律，深入探讨了积沙对SFC的影响机制。在此基础上，构建了基于粒子群优化算法（PSO）优化的BP神经网络（PSO-BP）路面抗滑性能预测模型，并与LSTM和PSO-SVM模型进行横向比较。研究得出以下结论：①在干燥条件下，三维纹理参数根均方高度（Sq）、峰密度（Spd）、算术平均峰曲率（Spc）、谷空隙体积（Vvv）、根均方斜率（Sdq）和界面展开面积比（Sdr）与SFC显著线性相关，其中Sq、Spd、Spc和Vvv为核心控制指标，相关系数绝对值均超过0.73；②PSO-BP模型在测试集上决定系数R2达到0.86093，其预测精度和泛化能力均优于LSTM和PSO-SVM模型，能有效表征多个纹理参数与SFC的非线性映射关系。该研究为沙漠公路抗滑性评估、积沙灾害预警及科学养护决策提供了理论支持和技术依据。论文发表在《Applied Sciences》。

**主要技术方法**（不超过250字）
研究人员采用以下关键技术方法：首先，在宁夏腾格里沙漠某封闭路段进行现场测试，覆盖直线、上坡、下坡和弯道四种线形。使用HEXAGON CereScan手持式三维扫描仪获取不同积沙覆盖率（0%、25%、50%、75%、100%）和厚度（0 mm、1 mm、2 mm、4 mm、10 mm）下的路面三维形态数据，并通过MountainsMap软件提取基于ISO 25178的十项三维纹理参数（高度参数：Sz、Sq、Ssk、Sku；特征参数：Spd、Spc；体积参数：Vm、Vv、Vmp、Vmc、Vvc、Vvv；混合参数：Sdq、Sdr）。同时，采用SHN-SF连续式侧向力测试车同步测量侧向力系数（SFC），测试轮使用ASTM E1551标准光滑轮胎，测试速度统一为50 km/h。通过皮尔逊相关分析，结合FDR-BH和Bonferroni双重多重比较校正，识别核心控制指标。最后，构建PSO-BP神经网络预测模型，并与LSTM和PSO-SVM模型进行性能对比，评估指标包括MAE、RMSE、MAPE和R2。

**研究结果**
**3.1 干燥条件下不同积沙厚度纹理指标与抗滑性的相关性与衰减研究**
通过三维扫描和MountainsMap软件获取不同积沙浓度（0%、25%、50%、75%、100%）下的路面三维纹理参数。研究发现，随积沙浓度增加，表面纹理深度从约3.0 mm降至约2.0 mm，空间异质性持续减小。原始沥青路面由集料颗粒互锁形成尖锐起伏，而积沙层表面由离散颗粒重力堆积形成圆润轮廓，高度分布近似对称。低积沙浓度时，沙粒填充路面凹处，形成“滚珠效应”，摩擦系数快速下降；中等浓度时，沙层逐渐连续，剪切面在沙-路面界面和沙层内部交替，摩擦系数继续下降但速率减慢；高浓度时，沙层完全覆盖路面，剪切面完全位于沙层内，遵循莫尔-库仑强度准则，摩擦系数趋于稳定。皮尔逊相关分析表明，六个纹理参数（Sq、Spd、Spc、Vvv、Sdq、Sdr）与SFC的相关系数绝对值均超过0.70，呈强线性相关。其中Sq、Sdq、Sdr与SFC显著正相关，Spd、Spc、Vvv显著负相关。Ssk、Sku、Vm、Vmp与SFC相关性极弱。通过FDR-BH和Bonferroni双重校正后，Spd和Vvv的校正p值小于0.01，达到高度显著水平；Sq、Spc、Sdq、Sdr的p值小于0.05；弱相关参数仍不显著，表明核心指标选择具有稳健性。

**3.2 SFC测试结果**
SFC测试结果显示，随沙粒逐渐填充路面纹理，SFC值急剧下降。当沙层覆盖厚度约2-4 mm时，SFC值达到最低，直线段相比无沙路面下降高达38.38%，此时轮胎与粗糙沥青集料的直接接触完全隔离，接触界面转变为不稳定沙粒层，滚珠效应最大化，行驶风险最高。然而，当沙层厚度继续增加（超过4 mm），SFC值出现缓慢恢复趋势。这并非路面附着力实质性改善，而是阻力产生机制改变：松散沙层迫使轮胎在行驶中压实并推挤沙粒，沙粒内摩擦和压实阻力成为行驶阻力显著来源，数值上表现为侧向力系数增大。

**3.3 纹理指标与抗滑性的预测建模**
利用10次三维扫描和30次SFC测试数据作为数据集，训练PSO-BP模型，并与LSTM和PSO-SVM进行横向比较。数据经最小-最大归一化处理，按70/30比例分层随机抽样划分训练集和测试集。BP神经网络初始权重随机生成，最大迭代次数800次，梯度阈值1×10??。评价指标包括MAE、RMSE、MAPE和R2。模型对比结果表明，LSTM模型对离散三维纹理数据集易过拟合，R2=0.8642；PSO-SVM模型精度优于传统机器学习，但拟合能力仍低于PSO-BP。PSO-BP模型取得最低RMSE、MAE和MAPE，平均预测误差仅为3.15%，R2=0.9728，优于其他模型。PSO算法有效克服了传统BP神经网络初始权重随机、易陷入局部收敛和稳定性差等缺陷，能准确捕捉多个纹理参数与SFC之间的复杂非线性映射关系，具有较强的学习和泛化能力。

**讨论与结论**
**4.1 积沙路面纹理与抗滑性的相关机制**
研究从微观机制角度分析：无沙状态下，路面裸露集料形成丰富凹凸结构，Sq和Vvv高值提供充足机械互锁界面，集料抗剪能力是摩擦阻力核心来源；随沙粒填充结构谷，宏观纹理深度被填平，Sq和Vvv持续下降，有效互锁深度和接触比例同步下降；松散沙粒形成离散接触介质，导致Spd和Spc显著增加，更多尖锐沙粒点接触取代集料-橡胶面接触，接触应力集中并降低抗剪能力，松散沙粒滚滑效应进一步削弱界面摩擦，最终表现为抗滑性能持续恶化。值得注意的是，Ssk和Sku与SFC不显著相关，表明积沙条件下路面抗滑性能恶化主要由纹理幅度和空间分布特征主导，而非高度分布偏态和峰态，这与清洁沥青路面的纹理-摩擦相关模式不同，因为松散沙粒掩盖了原始路面形态分布特征，弱化了整体高度分布的形态信号。

**4.2 抗滑性预测模型性能差异分析**
PSO-BP模型性能优势源于两方面：BP神经网络具有强大非线性拟合能力，能有效捕捉多个纹理参数间的耦合效应及与抗滑性的复杂映射关系，与本研究纹理指标中等共线性和非线性相关数据特征兼容；PSO通过全局优化修正了传统BP神经网络初始权重随机、易陷入局部最优的缺陷，显著提升收敛稳定性和泛化能力。相比之下，LSTM更适合时间序列特征学习，对离散截面纹理参数数据集易过拟合；PSO-SVM在小样本数据集上泛化表现良好，但对多变量强非线性关系的核函数映射能力弱于多层神经网络。与现有研究中的GRNN预测模型和多元回归模型相比，本研究构建的PSO-BP模型不仅纳入多维三维纹理指标，还通过智能算法优化进一步提高预测精度，更适用于沙漠积沙复杂条件下的抗滑性评估。

**4.3 研究局限与展望**
当前研究仅从表观纹理参数角度揭示相关规律，尚未从轮胎-沙粒-路面三相接触力学角度阐明微观摩擦机制。未来工作将结合有限元数值模拟和纳米摩擦力学试验，深入分析积沙界面的力链传递和能量耗散机制，构建更通用的沙漠公路抗滑性动态预测系统。

**5 结论翻译**
本研究针对沙漠公路积沙导致的路面抗滑性退化问题，通过三维纹理扫描和侧向力系数测试，系统研究了干燥条件下路面三维纹理参数与抗滑性之间的定量关系，构建并验证了PSO-BP神经网络预测模型。主要结论如下：
(1) 路面三维纹理参数与抗滑性之间存在明确的定量关联和作用路径。根均方高度（Sq）、峰密度（Spd）、算术平均峰曲率（Spc）、谷空隙体积（Vvv）、根均方斜率（Sdq）和界面展开面积比（Sdr）与侧向力系数（SFC）显著相关，其中Sq、Spd、Spc和Vvv是关键控制指标。积沙通过填充路面纹理谷部并将面接触转变为离散点接触，对抗滑性产生劣化效应，纹理幅度和空间分布特征是影响摩擦性能的主导因素。
(2) 经粒子群优化优化的BP神经网络模型能准确预测积沙路面的抗滑性。该模型有效克服了传统BP网络初始权重随机、易陷入局部收敛的缺陷，测试集决定系数R2达到0.86093，其预测精度和泛化能力均优于LSTM和PSO-SVM模型，能够稳定表征多个纹理参数与SFC之间的复杂非线性映射关系。