基于ANN算法与分形理论的沥青混合料蠕变预测.docx

基于ANN算法与分形理论的沥青混合料蠕变预测
摘要
本文研究了沥青混合料的蠕变预测问题，通过神经网络（ANN）算法和分形理论，预测了沥青混合料的蠕变性能。实验中，我们构建了一个包含六个输入变量和一个输出变量的ANN模型，这个模型基于BP算法进行训练，并通过交叉验证进行模型优化。接下来，我们使用分形理论对蠕变试验数据进行了分形分析，获取了信息维数。最后，我们将信息维数作为输入变量添加到ANN模型中，进一步提高了模型预测的准确性。实验结果表明，基于ANN算法和分形理论的预测模型对沥青混合料的蠕变性能具有较高的准确性和预测能力。
关键词：ANN算法；分形理论；沥青混合料；蠕变；预测
Abstract
Thispaperstudiestheissueofpredictingthecreepbehaviorofasphaltmixtures,andpredictsthecreepperformanceofasphaltmixturesthroughtheArtificialNeuralNetwork(ANN)algorithmandfractaltheory.Intheexperiment,weconstructedanANNmodelwithsixinputvariablesandoneoutputvariable.ThemodelwastrainedbasedontheBackPropagation(BP)algorithm,andoptimizedthroughcross-validation.Next,weusedfractaltheorytoperformfractalanalysisonthecreeptestdataandobtainedtheinformationdimension.Finally,weaddedtheinformationdimensionasaninputvariabletotheANNmodel,furtherimprovingtheaccuracyofthemodelprediction.TheexperimentalresultsshowthatthepredictionmodelbasedontheANNalgorithmandfractaltheoryhashighaccuracyandpredictionabilityforthecreepperformanceofasphaltmixtures.
Keywords:ANNalgorithm;fractaltheory;asphaltmixtures;creep;prediction
1.引言
沥青混合料是道路建设中广泛使用的材料之一[1]。蠕变性能是沥青混合料的一个重要性能指标，通常用来评价该材料的长期变形行为[2]。因此，预测沥青混合料的蠕变性能具有重要的理论和实际意义。
近年来，神经网络算法在材料科学领域得到了广泛应用，尤其是在材料性能预测方面[3-5]。ANN算法是一种能够模拟大量非线性关系的网络结构，该算法已被证明具有良好的预测能力和较高的逼近精度[6]。另外，分形理论是一种广泛应用于复杂系统的数学工具，它能够通过分析系统内部的特征维数，揭示系统内部隐藏的规律和性质[7-8]。这种理论也被广泛应用于材料科学研究领域，并被证实在材料性能预测中具有较高的准确性和可靠性[9-10]。
本文中，我们综合运用ANN算法和分形理论，预测沥青混合料的蠕变性能。具体来说，我们构建了一个包含六个输入变量和一个输出变量的ANN模型，通过BP算法进行训练，并通过交叉验证进行模型优化。接下来，我们使用分形理论对蠕变试验数据进行了分形分析，获取了信息维数。最后，我们将信息维数作为输入变量添加到ANN模型中，进一步提高了模型预测的准确性和可靠性。
2.实验设计
2.1实验样品
我们选用了4种不同配合比的沥青混合料作为实验样品，其中每个配合比的样品每组进行3次蠕变试验，以获取多组试验数据。
2.2实验设备
本实验采用了常规的蠕变试验设备和标准试验程序。
2.3实验数据预处理
我们对原始试验数据进行了预处理，根据蠕变曲线计算出3个应变响应参数，即时间t对应的剩余应变ε(t)、最大应变ε_max和时间t对应的跨越率ε(t)/ε_max。同时，我们对数据进行了归一化处理，将实验数据缩放到[0,1]范围内。
3.模型设计与实验结果
3.1模型设计
我们选择了一个包含6个输入变量和1个输出变量的ANN模型，其中每个输入变量分别表示：配合比、蠕变试验中的温度、应力、时间t对应的剩余应变ε(t)、最大应变ε_max以及时间t对应的跨越率ε(t)/ε_max。输出变量为试验结束后的剩余应变。
在模型的训练中，我们采用了BP算法进行迭代训练，并以并行方式进行，以加快模型收敛速度