【技術實現步驟摘要】
本專利技術涉及道路工程和人工智能，尤其涉及一種多模型融合的瀝青混合料疲勞壽命預測方法及系統。
技術介紹
1、瀝青混合料作為常用的道路鋪裝材料，其疲勞壽命直接決定了路面的耐久性和使用壽命。準確預測瀝青混合料的疲勞壽命對于道路設計、施工和維護具有重要的工程應用價值。目前，常見的疲勞壽命預測方法主要包括實驗室試驗法、經驗公式法和數值模擬法。然而，這些方法存在顯著的不足：實驗室試驗法周期長且成本高，且難以模擬真實的路面環境；經驗公式法雖然簡單，但缺乏適應性，難以應對不同材料和施工條件；數值模擬法雖然能夠模擬復雜條件，但計算資源消耗大且對模型的精度要求高，導致應用范圍有限。因此，現有技術難以在效率、準確性和適用性之間找到平衡。
技術實現思路
1、針對上述現有技術存在的諸多問題，本專利技術提供一種多模型融合的瀝青混合料疲勞壽命預測方法及系統，本專利技術通過灰色關聯分析法篩選出與瀝青混合料疲勞壽命密切相關的主要影響因素，將這些影響因素作為bp神經網絡模型的輸入特征，并通過遺傳算法優化bp神經網絡的初始權值和閾值，以提高模型的預測精度和泛化能力。通過多次迭代，最終實現對瀝青混合料疲勞壽命的準確預測，顯著提高了預測的效率與精度。
2、一種多模型融合的瀝青混合料疲勞壽命預測方法，包括以下步驟：
3、收集瀝青混合料的間接拉伸疲勞實驗數據，并對所述瀝青混合料的實驗數據進行歸一化處理，生成歸一化后的實驗數據集；
4、基于灰色關聯分析法對所述歸一化后的實驗數據集進行分析，計
5、構建bp神經網絡模型，所述bp神經網絡模型包括輸入層、隱藏層和輸出層，輸入層的節點數為所述主要影響因素的數量，輸出層的節點數為1個，用于輸出瀝青混合料的疲勞壽命預測值；
6、利用遺傳算法對所述bp神經網絡模型的初始權值和閾值進行優化處理，所述遺傳算法包括初始化種群、設置交叉概率和變異概率，并根據適應度函數選擇適應度較高的個體進行交叉和變異操作，直至得到優化后的bp神經網絡模型的權值和閾值；
7、使用優化后的bp神經網絡模型對所述瀝青混合料的實驗數據進行疲勞壽命預測，輸出瀝青混合料的疲勞壽命預測結果。
8、優選的，所述數據預處理步驟中進行的歸一化處理采用以下公式進行：
9、
10、其中，x為原始實驗數據；xmin和xmax分別為所述實驗數據的最小值和最大值；x*為歸一化后的數據，其范圍為[0,1]。
11、優選的，所述灰色關聯度分析法中，灰色關聯系數的計算公式為：
12、
13、其中，ξi(k)為第i個特征在第k個指標上的灰色關聯系數；△i(k)＝|y(k)-xi(k)|，ρ為分辨系數，ρ∈(0，∞)，ρ越小，分辨力越大，ρ的取值區間為(0，1)，當ρ≤0.5463時，分辨力最好，通常取ρ＝0.5。
14、優選的，所述灰色關聯分析法中的灰色關聯系數的閾值范圍設定為0.5至1.0。
15、優選的，所述bp神經網絡模型的隱藏層節點數通過以下公式確定：
16、hiddennum＝sqrt(m+n)+a
17、其中，m為輸入層節點數；n為輸出層節點數；a為1至10之間的整數。
18、優選的，所述bp神經網絡模型的訓練采用反向傳播算法進行，所述反向傳播算法通過最小化均方誤差來調整網絡權值和閾值。
19、優選的，所述遺傳算法的適應度函數為bp神經網絡模型的預測誤差的倒數，以確保適應度值與預測精度成正比。
20、優選的，所述遺傳算法的種群規模設定為30，交叉概率設定為0.8，變異概率設定為0.2，進化迭代次數設定為50次。
21、優選的，所述預測結果通過與實際實驗數據進行比較，計算預測誤差，并對所述bp神經網絡模型的參數進行進一步優化調整。
22、一種用于實施所述多模型融合的瀝青混合料疲勞壽命預測方法的系統，所述系統包括：
23、數據采集模塊，用于收集瀝青混合料的間接拉伸疲勞實驗數據，包括溫度、油石比、應力水平、瀝青含量、空隙率和荷載次數，并對所述瀝青混合料的實驗數據進行歸一化處理，生成歸一化后的實驗數據集；
24、特征分析模塊，用于基于灰色關聯分析法對所述歸一化后的實驗數據集進行分析，計算每個輸入參數與瀝青混合料疲勞壽命之間的灰色關聯度，并篩選出與瀝青混合料疲勞壽命最相關的主要影響因素；
25、神經網絡構建模塊，用于構建bp神經網絡模型，所述bp神經網絡模型包括輸入層、隱藏層和輸出層，輸入層的節點數為所述主要影響因素的數量，輸出層的節點數為1個，用于輸出瀝青混合料的疲勞壽命預測值；
26、優化模塊，用于利用遺傳算法對所述bp神經網絡模型的初始權值和閾值進行優化處理，所述優化模塊包括用于初始化種群、設置交叉概率和變異概率的組件，并根據適應度函數選擇適應度較高的個體進行交叉和變異操作，直至得到優化后的bp神經網絡模型的權值和閾值；
27、預測模塊，用于使用優化后的bp神經網絡模型對所述瀝青混合料的實驗數據進行疲勞壽命預測，并輸出瀝青混合料的疲勞壽命預測結果。
28、相比于現有技術，本專利技術的優點及有益效果在于：
29、本專利技術通過灰色關聯分析、遺傳算法和bp神經網絡技術手段，實現了提高瀝青混合料疲勞壽命預測的準確性、效率和適應性的效果。
30、與現有技術相比，本專利技術通過灰色關聯分析篩選出與疲勞壽命相關的關鍵影響因素，減少了輸入特征的冗余；
31、本專利技術利用遺傳算法對bp神經網絡的權值和閾值進行優化，避免了神經網絡容易陷入局部最優的缺陷；
32、本專利技術通過多模型融合的方法，顯著提高了預測的精度和模型的泛化能力。
33、本專利技術不僅有效解決了現有技術中實驗周期長、成本高以及預測精度低的問題，還能夠適應不同類型的瀝青混合料和復雜的施工條件。
本文檔來自技高網...【技術保護點】
1.一種多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述數據預處理步驟中進行的歸一化處理采用以下公式進行：
3.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述灰色關聯度分析法中，灰色關聯系數的計算公式為：
4.根據權利要求3所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述灰色關聯分析法中的灰色關聯系數的閾值范圍設定為0.5至1.0。
5.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述BP神經網絡模型的隱藏層節點數通過以下公式確定：
6.根據權利要求5所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述BP神經網絡模型的訓練采用反向傳播算法進行，所述反向傳播算法通過最小化均方誤差來調整網絡權值和閾值。
7.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述遺傳算法的適應度函數為BP神經網絡模型的預測誤差的
8.根據權利要求7所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述遺傳算法的種群規模設定為30，交叉概率設定為0.8，變異概率設定為0.2，進化迭代次數設定為50次。
9.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述預測結果通過與實際實驗數據進行比較，計算預測誤差，并對所述BP神經網絡模型的參數進行進一步優化調整。
10.一種用于實施權利要求1至9任一所述多模型融合的瀝青混合料疲勞壽命預測方法的系統，其特征在于，所述系統包括：
...【技術特征摘要】
1.一種多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述數據預處理步驟中進行的歸一化處理采用以下公式進行：
3.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述灰色關聯度分析法中，灰色關聯系數的計算公式為：
4.根據權利要求3所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述灰色關聯分析法中的灰色關聯系數的閾值范圍設定為0.5至1.0。
5.根據權利要求1所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述bp神經網絡模型的隱藏層節點數通過以下公式確定：
6.根據權利要求5所述的多模型融合的瀝青混合料疲勞壽命預測方法，其特征在于，所述bp神經網絡模型的訓練采...
【專利技術屬性】
技術研發人員：侯志勇，劉樹祥，王久增，劉帥，趙毅，詹潔，孫崢，馬東旭，張宇，張慶宇，魯振熙，蔣文浩，翟曉靜，張智慧，崔瑤，艾劍波，王媛媛，王巖，賀艷茹，夏利宏，肖巍，
申請(專利權)人：唐山高速公路集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。