沥青路面的密度检测方法及密度检测装置

技术领域

本发明属于无损检测技术领域，特别涉及一种沥青路面的密度检测方法及密度检测装置。

背景技术

压实度是控制沥青路面施工质量的关键技术指标，通过沥青路面原位密度和室内马歇尔试件密度计算得到的，衡量了路面设计孔隙率和实际孔隙率的差异。因此，沥青路面原位密度检测是路面施工质量控制关键技术。传统沥青路面密度检测方法主要包括有损检测和无损检测两种，其中有损检测主要是钻取路面芯样进行室内密度检测，该方法虽然被认为有较高的精度但是存在检测效率低、测点不连续、破坏路面结构等缺点。传统的无损检测方法中，核子密度仪使用放射性材料，危害周围环境和操作人员，在我国被禁止使用；现有的无核密度仪相对于核子密度仪安全性更高，但是仍存在测点不连续、检测效率低的问题，只能提供有限路面密度数据。

近年来基于经典的电磁混合模型建立的密度预测模型也具有广泛应用，其中最经典的包括复折射率(CRIM)模型、Rayleigh模型和Bottcher模型。近年来，更复杂的密度预测模型也被建立和发展，如Al-Qadi,Lahouar,and Leng(ALL)模型、影响和形状优化(ISO)模型和密度预测(PM)模型。然而，由于路面结构类型和材料组成复杂，不同路面所处的环境差异大且显著影响密度检测结果，理论计算模型难以适用于任何道路。

总之，现有的沥青路面密度检测方法仍然存在以下问题：1.传统有损检测方法需要钻取路面芯样，对路面造成破坏，影响路面结构的完整性；2.传统无损检测方法为单点检测，检测效率低，无法实现连续、快速地检测；3.传统的密度预测模型预测精度不能满足工程需求，无法适用于新建沥青路面密度检测要求。

发明内容

本发明的目的在于解决现有技术中存在的上述问题，提供一种更加精确、快速的沥青路面密度检测方案。

本发明公开了一种沥青路面的密度检测方法，包括以下步骤：

获取沥青路面的原材料参数；原材料参数包括沥青介电常数、集料介电常数、沥青密度、集料密度、沥青含量和沥青混合料最大理论密度；

通过探地雷达确定所述沥青路面的路面介电常数；

将所述原材料参数和所述路面介电常数输入密度预测模型，以输出所述沥青路面的路面密度；其中，所述密度预测模型基于XGBoost算法训练获得。

可选地，通过探地雷达确定所述沥青路面的路面介电常数的步骤包括：

通过所述探地雷达获取经过标定件反射的第一电磁波信号；

通过所述探地雷达获取经过所述沥青路面反射的第二电磁波信号；

根据所述第一电磁波信号和所述第二电磁波信号计算所述路面介电常数。

可选地，所述标定件为标定铜板。

可选地，所述密度预测模型通过以下步骤训练得到：

获取历史沥青路面的训练数据集，所述训练数据集包括所述历史沥青路面的原材料训练参数和路面训练密度；其中，所述原材料训练参数用于表征与所述历史沥青路面的原材料相关联的多种已知参数组合；所述路面训练密度用于表征所述历史沥青路面的实际密度；

所述密度预测模型包括第一类超参数和第二类超参数；

根据第一类超参数生成决策树模型，所述第一类超参数用于确定所述决策树模型的结构；将所述原材料训练参数和所述路面训练介电常数作为输入数据，将所述路面训练密度作为模型输出目标迭代训练所述决策树模型中的节点分类规则；

根据第二类超参数对所述决策树模型进行基于XGBoost算法的迭代优化，以确定目标函数增益最大时对应的目标分类规则；所述目标函数包括误差函数项、叶子节点项、L1正则项和L2正则项，所述第二类超参数包括迭代次数、学习率、叶子节点系数、L1正则项系数和L2正则项系数。

可选地，所述第一类超参数和所述第二类超参数通过贝叶斯优化算法优化。

可选地，通过贝叶斯优化算法优化所述第一类超参数和所述第二类超参数的步骤包括：

获取所述第一类超参数和所述第二类超参数中每一种参数类型对应的取值范围；

选定贝叶斯优化算法的误差函数和贝叶斯迭代设定值；

根据获取的参数类型和取值范围以及误差函数类型，进行贝叶斯优化迭代，获得多个当前最优参数取值组合和多个与当前最优参数取值组合对应的误差函数值，选择贝叶斯优化过程中误差函数值最小时对应的参数取值组合为第一类超参数和所述第二类超参数的最佳优化组合。

可选地，获得当前最优参数取值组合和与当前最优参数取值组合对应的误差函数值的步骤为：选择多个初始观测点，设置最大观测点数量，基于初始观测点采用概率代理模型预测函数分布，获得当前最优参数取值的组合；使用当前最优参数取值的组合替换密度预测模型中的第一类超参数和所述第二类超参数的取值，并利用所述训练数据集计算替换了第一类超参数和所述第二类超参数的取值密度预测模型中的误差函数值，获得当前最优参数取值组合对应的误差函数值

另一方面，本发明还公开了一种沥青路面的密度检测装置，包括：

材料参数获取模块，用于获取沥青路面的原材料参数；

介电常数确定模块，用于通过探地雷达确定所述沥青路面的路面介电常数；

密度预测模块，用于将所述原材料参数和所述路面介电常数输入密度预测模型，以输出所述沥青路面的路面密度；其中，所述密度预测模型是基于XGBoost算法训练得到的。

与现有技术相比，本发明具有以下有益效果：

1.本发明利用沥青路面设计阶段的材料参数以及压实后沥青路面的介电常数实现沥青路面密度检测，其不对路面造成破坏。与传统方法相比，本发明在检测新建沥青路面密度时保持了沥青路面结构的完整性。

2.本发明可以实现沥青路面密度的快速、连续检测，与传统方法相比，其可以获得更多的新建沥青路面密度信息，更有效的保证了沥青路面施工质量。

3.本发明采用XGBoost算法训练沥青路面的密度预测模型，提升了沥青路面检测智能化水平，有效推进沥青路面施工智能化，减少检测过程中的人工成本和试验消耗。

4.本发明在XGBoost算法的基础上结合贝叶斯优化进行沥青路面密度预测，使得密度预测模型中的超参数保持最佳组合匹配，进一步提高了沥青路面密度预测的准确性，预测值与真实值之间的差距进一步缩小。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例1中沥青路面密度检测方法的示意性流程图；

图2示出了本发明实施例1中确定路面介电常数的示意性流程图；

图3示出了本发明实施例1中获得沥青路面不同位置的路面密度示意图；

图4示出了本发明实施例1利用训练密度预测模型的示意性流程图；

图5示出了本发明实施例1利用贝叶斯优化算法训练密度预测模型的示意性流程图；

图6示出了本发明实施例1的密度预测模型与现有技术其他模型相比的误差示意图。

图7示出了本发明实施例2中沥青路面的密度检测系统的示意图。

附图标记：

70、沥青路面的密度检测系统；71、材料参数获取模块；72、介电常数确定模块；73、密度预测模块。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1

请参阅图1，本发明实施例提供了一种沥青路面的密度检测方法，该密度检测方法为一种基于极限梯度提升算法的沥青路面的密度检测方法，包括以下步骤：

S100、获取沥青路面的原材料参数。

在一个示例中，原材料参数包括与沥青路面相对应的沥青介电常数、集料介电常数、沥青密度、集料密度、沥青含量和沥青混合料最大理论密度。使用所述原材料参数能够提沥青路面的密度检测数值更加准确，且成本低廉。

S200、通过探地雷达确定所述沥青路面的路面介电常数。

探地雷达(Ground Penetrating Radar，GPR)是一种用于浅层勘探的无损物探方法，具有快速、无损、连续检测等优点。本实施例中的路面介电常数可以通过标定板材和沥青路面分别反射的雷达电磁波信号计算得到。具体的，如图2所示，可以通过如下步骤确定沥青路面的介电常数：

S210、通过探地雷达获取经过标定板材反射的第一电磁波信号。

本实施例中，探地雷达可以设置为近似垂直地向下方发射雷达电磁波信号，例如将探地雷达的天线固定在支架上，以使探地雷达发出的雷达电磁波信号的一部分可以近似垂直地射向地面。通过将标定板材放置在与探地雷达相对应的位置上，可以保证射向地面的雷达电磁波信号经过标定板材后反射回探地雷达的接收端，本实施例中将经由标定板材反射的电磁波信号称为第一电磁波信号。在一个示例中，标定板材可以是厚度为1-3mm的铜板，可以在保证铜板材质均匀的基础上使得探地雷达天线距离标定铜板表面与沥青路面的表面差距不大，降低误差；优选地，将铜板厚度设置为1.5mm。

S220、通过所述探地雷达获取经过所述沥青路面反射的第二电磁波信号。

本步骤中将标定板材从探地雷达下方移开，从而使得探地雷达发出的一部分电磁波可以直达沥青路面，并经过沥青路面反射回探地雷达的接收端，本实施例中将经由沥青路面反射的电磁波信号称为第二电磁波信号。

S230、根据所述第一电磁波信号和所述第二电磁波信号计算所述路面介电常数。

路面介电常数的计算公式如下所示：

其中，ε

通过上述步骤，本实施例可以得到沥青路面的路面介电常数。需要说明的是，本实施例中获得的第一电磁波信号可以包括多个。例如在预设时间段(例如1分钟)内由处于静止状态下的探地雷达持续向标定铜板发射雷达电磁波，并相应接收到多个第一电磁波信号。在此基础上，对多个第一电磁波信号求平均值，可以得到较为准确的第一电磁波信号。本实施例中获得的第二电磁波信号也可以包括多个。与标定铜板不同，由于沥青路面的路段较长，考虑到路面铺设过程中可能存在不均匀的情况，为了保证获得的第二电磁波信号尽可能详尽地反映真实路面情况，可以令探地雷达处于沿沥青路面直线运动的状态，以持续获得在沥青路面不同位置处的第二电磁波信号。将多个第二电磁波信号代入上面的路面介电常数计算公式中，可以得到多个路面介电常数。

S300、将所述原材料参数和所述路面介电常数输入密度预测模型，以输出所述沥青路面的路面密度；其中，所述密度预测模型基于XGBoost算法训练获得。

本发明建立了复合材料的介电特性与其内部特性之间的关系，通过反算电磁混合理论和沥青混合料的体积参数，实现了对混合材料组成的沥青路面密度的准确预测。本实施例以决策树模型作为基础，通过不断优化当前决策树模型的结构和分类规则，最终当满足迭代停止条件时固定当前决策树模型的结构和当前分类规则，以得到本发明实施例的密度预测模型。该密度预测模型可以根据输入的原材料参数和路面介电常数，直接输出预测的路面密度。当路面介电常数包括多个时，可以分别对应输出多个路面密度。图3示出了本发明实施例1中获得沥青路面不同位置的路面密度示意图。从图3可以看出，在不同的距离即不同位置处，沥青路面的路面密度存在细微差异，但总体保持在2.5g/cm

图4示出了本发明实施例1中训练密度预测模型的示意性流程图。如图4所示，本实施例的密度预测模型通过以下步骤训练得到：

S410、获取历史沥青路面的训练数据集，所述训练数据集包括所述历史沥青路面的原材料训练参数、路面训练介电常数和路面训练密度；其中，所述原材料训练参数包括沥青介电常数、集料介电常数、沥青密度、集料密度、沥青含量和沥青混合料最大理论密度；路面训练介电常数是指历史沥青路面的表面介电常数；路面训练密度是指所述历史沥青路面的密度，即：沥青路面的实际密度。

上述训练数据集可以来源于沥青路面现场检测数据及室内密度试验数据。具体的，可以通过LCR网络分析仪确定集料介电常数，沥青介电常数设定为3，沥青密度和集料密度分别通过比重瓶法和网篮法测得，沥青含量由马歇尔配合比设计得到，沥青混合料最大理论密度通过室内真空法确定，沥青路面的路面训练介电常数通过2.2GHz探地雷达检测得到，沥青路面密度为表干法测得的路面芯样密度。

S420、密度预测模型包括第一类超参数和第二类超参数；

根据第一类超参数生成决策树模型，所述第一类超参数用于确定所述决策树模型的结构；将所述原材料训练参数和所述路面训练介电常数作为输入数据，将所述路面训练密度作为密度预测模型输出目标迭代训练所述决策树模型中的节点分类规则。本实施例中的第一类超参数可以包括决策树模型的深度，本领域技术人员理解，在深度确定的情况下，一颗决策树的结构就是确定的。例如某决策树的深度为2，相当于从根节点向下分裂一次得到两个叶节点；某决策树的深度为3，相当于从根节点向下分裂一次得到第一左节点和第一右节点，第一左节点再向下分裂一次得到第一叶子节点和第二叶子节点，第一右节点再向下分裂一次得到第三叶子节点和第四叶子节点。可以理解的是，除最底层叶子节点之外的其它节点各自具有对应的分类规则，通过这些分类规则最终将输入数据中的多个样本分别划分至决策树模型最底层的某个叶子节点中，进一步，根据每个叶子节点中包含的不同输入数据样本，可以计算出每个叶子节点的值，从而相应计算出预测密度。上述节点中对应的分类规则可以根据现有技术中的贪心算法确定，本实施例对此不做过多赘述。

以下以一次迭代过程为例，说明如何通过决策树模型对输入数据进行分类。假设第i个训练数据样本包括{沥青介电常数i，集料介电常数i，沥青密度i，集料密度i，沥青含量i，沥青混合料最大理论密度i，路面训练介电常数i，沥青路面密度i}，其中可以将{沥青介电常数i，集料介电常数i，沥青密度i，集料密度i，沥青含量i，沥青混合料最大理论密度i，路面训练介电常数i}作为输入数据，输入到当前确定了第一超参数Max deep的决策树模型i中进行分类，最终将输入数据中的每个参数分别映射到决策树模型i的不同叶子节点中。通过计算每个叶子节点中包含的输入数据，可以得到对应的预测密度y

S430:根据第二类超参数对所述决策树模型进行基于XGBoost算法的迭代优化，以确定目标函数增益最大时对应的目标分类规则；所述目标函数包括误差函数项、叶子节点项、L1正则项和L2正则项，所述第二超参数包括迭代次数、学习率、叶子节点系数、L1正则项系数和L2正则项系数。

下式为本发明实施例的基于XGBoost算法的目标函数O

上式中k表示当前迭代次数；γ表示叶子节点系数；α表示L1正则项系数；λ表示L2正则项系数；n是训练数据样本中包含的样本数量；T表示当前迭代过程中决策树模型对应的叶子节点总个数；w

根据XGBoost算法的原理，通过引入二阶泰勒展开式，上述目标函数O

上式中I

在此基础上，可以根据O

通过上述步骤，本实施例可以获得基于XGBoost算法的密度预测模型。该密度预测模型的结构由第一类超参数确定，该密度预测模型的节点分类规则由基于第二类超参数的XGBoost算法进行迭代确定。对于输入的任意一组包含了原材料参数和沥青路面介电常数的数据，可以输出预测的沥青路面密度。相对于现有的理论计算模型，本实施例提供的密度预测模型更加适用于不同状况的沥青路面，具有更高的预测精度。

本发明实施例中的第一类超参数和第二类超参数通过贝叶斯优化算法确定。图5示出了本发明实施例1利用贝叶斯优化算法训练密度预测模型的示意性流程图。如图5所示，利用贝叶斯优化算法训练第一类超参数和第二类超参数的步骤包括：

S510：获取所述第一类超参数和所述第二类超参数对应的参数类型以及各个参数类型对应的取值范围。

具体的，本实施例通过贝叶斯优化算法进行优化的超参数类型包括：Num boostround：XGBoost模型中回归树的数量，参数下界为80，上界为125；Max depth：决策树的深度，参数下界为5，上界为25；Learning rate：学习率，参数下界为0.01，上界为1；Gamma：叶子节点参数，参数下界为e

S520：选定均方根误差函数作为贝叶斯优化算法的误差函数和贝叶斯迭代设定值。

S530：根据获取的参数类型和取值范围以及误差函数类型，进行贝叶斯优化，当贝叶斯优化达到迭代设定值时，选择贝叶斯优化过程中误差函数值最小时对应的参数类型和取值组合为第一类超参数和所述第二类超参数的最佳优化组合。

具体地，贝叶斯优化过程为：选择多个(例如20个)初始观测点，设置最大观测点数量(例如320个)，基于初始观测点采用概率代理模型预测函数分布，获得当前最优参数取值的组合；使用当前最优参数取值的组合替换当前密度预测模型(即：XGBoost模型)中第一类超参数和所述第二类超参数的取值，并基于训练数据集，利用该XGBoost模型获得沥青路面的密度预测值，并与实际密度值计算误差函数值，获得当前最优参数取值组合对应的误差函数值；基于采集函数选取的观测点进行下一步观测；当观测点数量达到最大观测点数量时，贝叶斯迭代结束，获得多个误差函数值以及与该误差函数值对应的当前参数取值组合。此时选择误差函数最小的参数组合作为超参数的最佳优化取值组合；将所述最佳优化组合作为所述密度预测模型中所述第一类超参数和所述第二类超参数的固定值。

通过上述步骤，可以保证密度预测模型中的超参数组合更加合理，从而进一步提高概率预测模型的准确性。图6示出了本实施例1的密度预测模型与现有技术其他模型相比的误差示意图。图6横坐标分别显示了现有的六种理论计算模型以及本发明实施例提供的两种机器学习模型，现有的六种理论计算模型分别包括ALL模型、PM模型、ISO模型、CRIM模型、Rayleigh模型以及Bottcher模型，本发明实施例1提供的两种模型分别是单纯基于XGBoost算法训练的密度预测模型和同时基于XGBoost算法和贝叶斯优化算法训练的密度预测模型XGBoost-B。可以看出，单纯基于XGBoost算法训练的密度预测模型相比于现有技术的其他六种模型，误差百分比为0.8％，已经有了明显下降。而同时基于XGBoost算法和贝叶斯优化算法训练的密度预测模型XGBoost-B的误差仅为0.2％，相较于单纯基于XGBoost算法训练的密度预测模型误差又有了大幅下降。

实施例2

本实施例提供一种沥青路面的密度检测装置，该密度检测装置为一种基于极限梯度提升算法的沥青路面的密度检测系统70，使用前述沥青路面的密度检测方法，如图7所示，包括材料参数获取模块71、介电常数确定模块72和密度预测模块73。其中：

材料参数获取模块71，适用于获取沥青路面的原材料参数，所述原材料参数用于表征与所述沥青路面的原材料相关联的多种已知参数组合；

介电常数确定模块72，适用于通过探地雷达确定所述沥青路面的路面介电常数；

密度预测模块73，适用于将所述原材料参数和所述路面介电常数输入密度预测模型，以输出所述沥青路面的路面密度；其中，所述密度预测模型是基于XGBoost算法训练得到的。

本发明实施例利用沥青路面设计阶段的材料参数以及压实后沥青路面的介电常数，采用XGBoost算法训练沥青路面的密度预测模型以实现沥青路面密度检测。本发明实施例在实现无损检测的同时，提升了沥青路面检测的智能化水平和检测精度，有效推进沥青路面施工智能化，减少检测过程中的人工成本和试验消耗。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。