| 摘 要： | 利用探地雷达(GPR)进行沥青路面原位密度检测时,回归模型和电磁混合理论模型通常被用来建立密度和介电常数的关系,然而现有的模型对精确的参数校准要求较高且精度有限。为了进一步提升沥青路面原位密度预测精度,研究基于机器学习算法的密度预测模型,首先搭建了GPR测试平台,采用2.2 GHz探地雷达天线采集室内沥青混合料试件及现场沥青路面的电磁波反射信号;进而基于平均减法算法和有限冲击响应带通滤波器消除了信号零偏和部分环境噪声,基于反射振幅法对介电常数进行计算;收集了来自文献调研、室内试验、现场检测的124组密度数据,基于极限梯度提升(XGBoost)算法建立了密度预测模型,采用5折交叉验证对数据集进行深度学习,并利用贝叶斯超参数优化(BHPO)获得了最优的模型超参数组合;最后利用现场检测数据对模型进行测试,并对各输入参数进行重要性分析。结果表明：对信号进行消除零偏和环境噪声处理后,密度预测百分比误差显著下降,室内试验误差达到了2.9%,现场检测误差达到了3.0%;不同沥青混合料反射信号的主要差异在于峰值振幅的位置和数值大小,密级配沥青混合料介电常数值要大于开级配沥青混合料;BHPO有效提升了X...
|
