[发明专利]一种基于GA-BP网络的碾压混凝土压实度评价方法

说明书

本发明公开了一种基于GA‑BP网络的碾压混凝土压实度实时评价方法。包括选取施工现场各测点碾压料含湿率、碾压层表面应力横波波速、碾压料级配因子和胶砂比为实时评价模型的输入指标参数；确定压实度实时评价模型的神经网络结构；利用遗传算法优化初始权值和阈值；将确定的初始权值和阈值带入BP神经网络进行精调建立最优神经网络模型；进行实时评价，得到压实度值。本发明基于可准确获取的混凝土碾压前碾压料含湿率、碾压完工时测点表面应力波波速及相应的混凝土碾压料级配特征参数，采用GA‑BP神经网络构建压实度预测模型，预测评价碾压实时各测点处的混凝土压实度指标，能为现场施工过程中可靠判定实时压实度准确性提供方法。

技术领域

本发明属于混凝土施工质量监控技术领域，尤其属于碾压混凝土施工质量评价技术领域，涉及一种基于GA-BP网络的碾压混凝土压实度评价方法。

背景技术

碾压混凝土是用振动碾压实的超干硬性混凝土。由于碾压混凝土施工方法和筑坝材料的特殊性，在碾压混凝土分层碾压施工过程中，施工层面压实度低与层面出现薄弱环节都会对渗透性和坝体强度产生较大影响，对坝体安全和耐久性构成威胁。因此，严格控制碾压热层的压实度对碾压混凝土坝成型质量具有重要意义。

目前实践中，工程现场对于碾压混凝土施工层压实度指标控制方法主要是灌砂法、环刀法及核子密度仪等检测法。这些检测方法的测试功效较低、控制精度较差、采样数据少、质量表征性不全面且单点人工测值结果表征性存在难以避免的偏差，影响对碾压层压实质量评价的客观性与准确性。

已有文献公开提出有：采用多参数化实时预测和评价碾压层压实度指标的方法，是基于先期试验仓的碾压遍数、设备参数、行走速度、激振力等工艺参数构建实时压实度预测模型；这些模型包括支持向量机模型、神经网络模型等，但现场实际施工工艺参数获取可靠性仍存在明显不足，如碾压设备激振力或加速度采集由于设备差异性、环境干扰等复杂问题难以有效去噪，因而上述参数实时预测模型依旧不能很好地反映真实碾压密实性真实效果。

还有文献公开的就是基于核方法(Kernel method,KM)与自适应混沌细菌觅食算法(Adaptive chaotic bacteria foraging algorithm,AC-BFA)的模糊逻辑构建,同时将被碾材料物理参数、料源特性参数、施工过程碾压参数作为模型的输入参数,其中被碾压材料的物理参数由振动信号分解后得到的基波与一次谐波的振幅表征，能在加噪数据与异常数据测试中显示出更强鲁棒性,可嵌入到碾压质量实时监控系统后能够实现压实质量的实时预测评价。这其中所指的碾材料物理参数与料源特性参数都为土石料的含水率、粒径大于5mm的大颗粒、碾压层厚度等。

已有的支持向量机模型、神经网络模型、模糊逻辑模型等方法所针对的是土石料，而碾压混凝土碾压料则不同于土石料。碾压混凝土的级配中粗骨料、细骨料(砂)、水泥等多相混合体，在受碾过程中，不同级配的骨料级配因子与骨料紧密密度具有较强相关性，与压实后密实度关联性强；碾压混凝土的含湿率由于水泥浆液的组分存在不同于普通土石的含水率，含湿率在振动碾压作用下对提高粗细料间相互错位和最佳充填直至改善压实效果均有重要影响；而由于碾压混凝土碾压料的原料复杂性，现场条件下很难以某几个特定参数对其压实度进行精确预测和评价。采用碾压热层完成时的表面应力波速检测压实度，由于现场检测条件制约和滤波去噪处理难度，也难以单一因素精准预测评价压实度指标。但从施工质量实时检验和准确评价需求出发，碾压热层压实度指标合格性评价一般不得低于98％，精度要求较高；而采用灌砂法、环刀法及核子密度仪等检测法由于人为操作误差大、测点少、工作量大，因而无法实现现场实时精细评价；选用支持向量机模型、神经网络模型等预测模型灵敏度相对较低、鲁棒性也较差，也存在难以适应问题，且尚无先例。目前为止，尚未见公开的针对碾压混凝土现场压实度预测评价模型方法描述。