基于沥青混合料疲劳性能预测的混沌神经网络模型研究

《基于沥青混合料疲劳性能预测的混沌神经网络模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、公路交通技术2011年l0月第5期TechnologyofHighwayandTransportOct．2011No．5基于沥青混合料疲劳性能预测的混沌神经网络模型研究吴宏宇，熊卫士，张庆明(1．重庆交通建设(集团)有限责任公司，重庆400060；2．重庆建工集团有限责任公司，重庆401122)摘要：沥青混合料的疲劳性能是决定沥青路面疲劳开裂的关键因素。由于沥青混合料的疲劳性能受众多因素影向，且各因素之间存在强烈的非线形关系，故难以有效进行预测与优化。提出基于混沌神经网络模型的方法，对以疲劳性能为目标的沥青混合料进行仿真计

2、算，结果表明，此方法高效可行，预测精度高，可为沥青混合料的试验设计提供理论参考。关键词：沥青混合料；混沌优化；BP神经模型；疲劳性能文章编号：1009—6477(2011)05—0045—04中图分类号：U414文献标识码：AResearchonChaoticNeuralNetworkModeIBasedonPredictionforFatiguePerformanceofAsphaltMixturesWUHongyu，XIONGweishi，ZHANGQingmingAbstract：Fatigueperformance

3、ofasphaltmixturesisacriticalfactordeterminingfatiguecrackingofasphaltpavement．Sincethefatigueperformanceofasphaltmixturesisaffectedbymultiplefactors，andstrongnon—linearrelationshipexistsamongallfactors，it，shardtopredictandoptimizeeffectively．Thispaperproposesameth

4、odbasedonchaoticneuralnetworkmodeltoperformsimulationcalculationforasphaltmixtureswithfatigueperformanceastarget．Theresultshowsthatthismethodishighlyeficientandfeasible，hashighpredictionaccuracyandcanprovidetheoreticalreferencefortestdesignofasphaltmixtures．Keywor

5、ds：asphaltmixtures；chaoticoptimization；BPneuralmodel；fatigueperformance路面在使用过程中，不仅受到车辆荷载的反复作用，而且受到在环境温度交替变换时路面温度应1BP神经网络及其算法力的作用，长期处于应力应变反复变化的状态，材料BP(backpropagation)神经网络是目前应用最广强度逐渐衰减。当荷载作用超过一定次数后，路面泛、发展最成熟的一种网络模型。它是按层次结构会出现疲劳破坏。构造的，包括1个输入层、1个输出层、1个或多个隐影响沥青混合料疲劳寿命

6、的参数很多uI2j，如含层。该网络的学习过程由正向传播和反向传播2沥青粘滞性、沥青温度敏感性、矿质集料种类与级个过程组成。在正向传播过程中，输入信息从输入配、沥青含量、沥青混合料空隙率和劲度模量等。由层经隐含层逐步处理，然后传向输出层，每一层神经于影响因素复杂，诸多因素交互作用，因素与目标函元的状态只影响下一层神经元状态。如果在输出层数之间呈现强烈的非线形特征，故单一的因素模型不能得到期望的输出，则转向反向传播过程，将误差是难以表征其作用规律的。信号沿原来的连接通路返回，通过修改各层神经元本文采用混沌神经网络模型对沥青混合

7、料疲劳的权值，使误差信号最小。性能进行分析，根据不同试验获得的不同结构参数BP网络学习的算法如下。与疲劳『生能之间的关系，预测各参数变化对疲劳性1)初始化网络权值(，，t，)、(，，)及阀值能目标的影响，为沥青混合料的试验设计提供参考。Q(，)、(J)。收稿日期：201l一04—19作者简介：吴宏宇(1976一)，男，黑龙江省齐齐哈尔市人，本科，工程师公路交通技术2011生2)激活输入层所有的节点，计算B层和c层的构造CNN模型，必须考虑以下几个方面因节点输出曰(，)、C(I，)：素：Ⅳ1)CNN内部各神经元(t)的反馈信

8、息hB(，)=F(∑u(t／，，)×a(t／)+Q(，))，(1)=l[(t)]，它通过权值∞舴用于(t)；P2)网络外部输人项A(t)通过权值对(t)c()=F(∑(，，．，)×B(，)+(-，))。(2)i=l的作用，一般的BP网络考虑了此项；式中，F为5型逻辑非线形函数F()=1／(1+3)神经元