[發明專利]一種瀝青混合料綜合性能預測方法

在審

• 申請號: 201910064346.0
• 申請日: 2019-01-23
• 公開（公告）號: CN109917115A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 董仕豪;宿金菲;韓森;劉夢梅;張壯;姚騰飛;田中男
• 申請（專利權）人: 長安大學
• 主分類號: G01N33/42
• 分類號: G01N33/42;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種瀝青混合料綜合性能預測方法，其特征在于，包括以下步驟：

步驟1，選取若干種級配瀝青混合料的級配參數和性能參數作為樣本數據；

步驟2，對步驟1收集到的樣本數據進行預處理，剔除異常值，并進行歸一化處理；

步驟3，計算步驟2歸一化后各檔合成級配參數和油石比之間的相關性，得到相關系數矩陣，若相關系數矩陣中有一半以上的數據大于閾值，則對數據進行降維處理，將降維后得到的主成分確定為神經網絡模型的輸入變量；若不滿足降維條件，則直接將合成級配參數和油石比確定為神經網絡模型輸入變量；

步驟4，根據步驟3確定神經網絡模型輸入層的輸入變量，將瀝青混合料的穩定度、流值、動穩定度、殘留穩定度和低溫破壞應變作為神經網絡模型的輸出變量，建立BP神經網絡模型，其數學表達式為：

其中，M_k為模型輸入變量，W_ki為輸入層權重，ε_i為輸入層誤差項，V_ij為輸出層權重，η_j為輸出層誤差項，T_j為模型輸出值，k為主成分個數，取值1～n，i為隱含層神經元個數，取值1～m，j為輸出變量個數，f(x)為傳遞函數；

步驟5，將步驟3確定的輸入變量作為BP神經網絡模型的輸入變量，將瀝青混合料的性能參數作為BP神經網絡模型的輸出變量，對步驟4所建立BP神經網絡模型進行訓練；BP神經網絡模型輸出結果的均方差符合要求時，則進行步驟6，若不符合要求，則重復步驟4和步驟5；

步驟6，用步驟5所訓練的神經網絡模型對測試集數據進行多次仿真，取仿真結果的平均值作為最終預測結果。

2.根據權利要求1所述的瀝青混合料綜合性能預測方法，其特征在于，步驟1中，性能參數包括合成級配參數和油石比以及每種級配的瀝青混合料相應的穩定度、流值、動穩定度、殘留穩定度和低溫破壞應變作為樣本數據。

3.根據權利要求1所述的瀝青混合料綜合性能預測方法，其特征在于，步驟2中，采用進行歸一化處理，其中，x為歸一化之前樣本的合成級配參數、油石比、穩定度、流值、動穩定度、殘留穩定度和低溫破壞應變，y為歸一化之后樣本的合成級配參數、油石比、穩定度、流值、動穩定度、殘留穩定度和低溫破壞應變。

4.根據權利要求1所述的瀝青混合料綜合性能預測方法，其特征在于，步驟3中，利用公式：

和

判斷樣本的各檔合成級配參數和油石比之間的相關性，其中cov(x_i,y_i)為第i個輸入變量和第j個輸入變量之間的協方差，x_i為第i個輸入變量在所有樣本中的平均值，Dx_i為第i個輸入變量在所以樣本中的方差，n為樣本個數，r_ij為第i個輸入變量和第j個輸入變量之間的相關系數，相關系數矩陣R為：

5.根據權利要求4所述的瀝青混合料綜合性能預測方法，其特征在于，步驟3中，主成分的個數由累計貢獻率C_k確定：

其中，λ_i為原有變量的相關系數矩陣的第i個特征值，k為主成分個數，p為需要進行主成分分析的原有變量的個數，k＜p。

6.根據權利要求5所述的瀝青混合料綜合性能預測方法，其特征在于，步驟3中的判斷降維閾值為0.3，采用采用PCA算法對輸入變量進行降維。

7.根據權利要求1所述的瀝青混合料綜合性能預測方法，其特征在于，步驟4中，建立一個隱含層為1層并含有23個神經元的BP神經網絡模型，j取值1～5，傳遞函數為tansig函數：

其中，n為樣本數量，隱含層神經元取10～40個。