技术领域
[0001] 本
发明属于工程材料领域，涉及浇注式导电
沥青混合料，具体涉及一种钢桥面板腐蚀预测模型及构建方法。
背景技术
[0002] 虽然中国公路建设里程居世界首位，但是公路交通设施应对恶劣天气的能
力不足，技术有限。尤其是寒冷季节降
雪结
冰严重降低路(桥)面抗滑性，导致交通事故频发，制约着公路系统既有的服务能力和社会经济的发展。传统撒布融雪剂或机械除雪等被动方法，存在对交通影响大，融雪剂污染
水资源和
土壤，机械除雪效率低下、损害路(桥)面等。近年来，浇注式沥青混合料铺装层凭借优异性能成为桥面铺装材料的首选，浇注式导电沥青混合料更是目前桥面融雪化冰技术的研究热点。即在浇注式沥青混合料中掺入适当类型和掺量的
导电性材料制备成浇注式导电沥青混合料。它不仅能实现桥面及时、高效融雪化冰，有力保障道路畅通及行驶安全，而且可避免施工碾压中
电极破坏及
水电接触引起的
短路等安全隐患。
[0003] 浇注式导电沥青混合料能够实现桥面及时、高效融雪化冰。但钢桥面通电后形成的
电流产生微
电场/
磁场，改变钢板周围的电位，与周围环境形成电位差，增强腐蚀电流，使
钢筋腐蚀速度加快，同时，电场磁场强度从钢板表面向外逐渐减弱，
电子往电磁强的方向迁移，导致钢板表面聚集较多电子，从而导致电化学反应加快。不同类型的浇注式导电沥青混合料对钢板均有一定程度上的腐蚀，破坏原有桥面结构，对交通运行环境和安全造成影响。
[0004] 钢桥面板腐蚀程度受钢板的材质、
应力状态、环境等众多因素共同作用。影响钢板腐蚀的因素有很多，
桥梁所处工作环境不同，如潮湿环境和干燥环境、污染环境和非污染环境，钢板腐蚀程度均不相同。腐蚀可造成桥面结构受力不均，出现应力集中，使桥面板出现不同程度的破坏，进而降低桥面铺装使用寿命，严重影响桥面行车安全。
发明内容
[0005] 针对上述
现有技术的不足与
缺陷，本发明的目的在于提供一种钢桥面板腐蚀预测模型及构建方法，解决现有技术中，钢桥面板腐蚀预测精准度不高的技术问题。
[0006] 为了解决上述技术问题，本发明采用如下技术方案予以实现：
[0007] 一种钢桥面板腐蚀预测模型的构建方法，其特征在于，该构建方法以
温度、湿度、通电次数和通电时间作为钢桥面板腐蚀影响因素，采用遗传
算法优化极限学习机神经网络，获得优化神经网络，对优化神经网络进行训练，获得钢桥面板腐蚀预测模型。
[0008] 具体的，该构建方法按照以下步骤进行：
[0009] 步骤一，采集钢桥面板腐蚀数据：
[0010] 选择不同类型浇注式导电沥青混合料试件内的钢筋作为
数据采集点，在选取腐蚀数据采集点后，将组合结构放入
环境控制箱中，设置温度、湿度、通电次数和通电时间，在环境控制箱中保持96h后，测试计算得到钢筋腐蚀电流
密度；
[0012] 将步骤一中得到的钢筋腐蚀电流密度数据存入钢桥面板腐蚀数据库中，在钢桥面板腐蚀数据库中，采集到的钢筋腐蚀电流密度数据即为钢桥面板腐蚀样本数据；
[0013] 步骤三，确定钢桥面板腐蚀影响因素：
[0014] 设定钢桥面板腐蚀影响因素为：温度、湿度、通电次数和通电时间；
[0015] 步骤四，钢桥面板腐蚀样本数据预处理：
[0016] 对步骤二获得的钢桥面板腐蚀样本数据由噪声
信号引起的样本数据的
波动及毛刺，进行平滑去噪声处理；
[0017] 步骤五，钢桥面板腐蚀样本数据标准化处理：
[0018] 为降低预测误测，使用matlab中的mapminmax函数对钢桥面板腐蚀样本数据进行标准化处理，使处理后的数据分布在[0,1]的范围内，其标准化公式为： 其中，Xi为标准化数据，X为样本数据，Xmax为样本数据最大值，Xmin为样本数据最小值；
[0019] 步骤六，采用
遗传算法优化极限学习机神经网络，获得优化神经网络；
[0020] 步骤七，钢桥面板腐蚀预估模型训练：
[0021] 将步骤三中的钢桥面板腐蚀影响因素作为步骤六获得的优化神经网络的输入参数，输入参数的个数作为
输入层神经元个数，将钢筋腐蚀电流密度作为步骤六获得的优化神经网络的输出参数，对优化神经网络进行训练，获得钢桥面板腐蚀预估模型；
[0022] 本发明还具有如下技术特征：
[0023] 步骤一中，，环境控制箱中温度的设置范围为-15℃～-5℃，湿度的设置范围为40％～80％，通电次数的设置范围为1～4，通电时间的设置范围为0.5h～1.5h。
[0024] 步骤七中，每500组输入参数试验数据中400组数据用来训练，100组数据用来测试。
[0025] 本发明还保护一种钢桥面板腐蚀预测模型，该模型通过如上所述的钢桥面板腐蚀预测模型的构建方法获得。
[0026] 本发明与现有技术相比，具有如下技术效果：
[0027] (Ⅰ)本发明的预测模型训练方法确定了更加合理的钢桥面板腐蚀影响因素，并对经过采用遗传算法优化后的极限学习机神经网络进行训练，获得预估模型，具有该模型具有学习速度快，适用范围广、预测
精度高的特点。
[0028] (Ⅱ)本发明首次将遗传算法优化的极限学习机神经网络预估模型应用于钢桥面铺装领域，基于钢桥面浇注式导电沥青
混凝土温度、湿度以及通电时间和通电次数等相关数据预测钢桥面板腐蚀程度，为用于融雪化冰的浇注式导电
沥青混凝土钢板选材及制定防腐蚀措施提供了新思路。
[0029] (Ⅲ)本发明结合遗传算法全局寻优的特点，获取极限学习机最佳的输入权重和隐藏
节点偏置，与传统神经网络相比，省略了对输出权重寻优步骤，提高了模型的运算效率，同时克服了单一极限学习机随机产生输入权重和隐藏节点偏置而导致预测精度较低的问题。
[0030] (Ⅳ)本发明能够用于不同类型的浇注式导电沥青混凝土钢桥面腐蚀预测，可长时间监测钢桥面环境和工作数据，并以此作为样本进行GA-ELM模型的训练和钢桥面板腐蚀预估。
附图说明
[0031] 图1为钢桥面板腐蚀预测模型的构建流程示意图。
[0032] 图2为遗传算法优化极限学习机神经网络的算法流程示意图。
[0033] 图3为钢桥面板腐蚀预估模型的网络结构示意图。
[0034] 图4为钢桥面板腐蚀预估模型的训练流程示意图。
[0035] 图5为钢桥面板腐蚀预估过程的流程示意图。
[0036] 以下结合
实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
[0037] 针对现有技术，亟需一种浇注式导电沥青混合料桥面钢板腐蚀预估模型，能够基于遗传算法优化的极限学习机神经网络，从浇注式导电沥青混合料通电次数、温度、湿度和通电时间对钢桥面板腐蚀进行预估，在保证桥面融雪化冰的
基础上减少对钢桥面板的损害。
[0038] 以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本
申请技术方案基础上做的等同变换均落入本发明的保护范围。
[0039] 实施例1：
[0040] 本实施例给出一种钢桥面板腐蚀预测模型的构建方法，如图1所示，该构建方法以温度、湿度、通电次数和通电时间作为钢桥面板腐蚀影响因素，采用遗传算法优化极限学习机神经网络，获得优化神经网络，对优化神经网络进行训练，获得钢桥面板腐蚀预测模型。
[0041] 具体的，该构建方法按照以下步骤进行：
[0042] 步骤一，采集钢桥面板腐蚀数据：
[0043] 选择不同类型浇注式导电沥青混合料试件内的钢筋作为数据采集点，在选取腐蚀数据采集点后，将组合结构放入环境控制箱中，设置温度、湿度、通电次数和通电时间，在环境控制箱中保持96h后，测试计算得到钢筋腐蚀电流密度；
[0044] 步骤一中，，环境控制箱中温度的设置范围为-15℃～-5℃，湿度的设置范围为40％～80％，通电次数的设置范围为1～4，通电时间的设置范围为0.5h～1.5h。
[0045] 具体的，电流密度与钢筋腐蚀关系如表1所示；
[0046] 表1钢筋腐蚀电流密度与腐蚀速率的对应关系
[0047]
[0048] 步骤二，建立钢桥面板腐蚀数据库：
[0049] 将步骤一中得到的钢筋腐蚀电流密度数据存入钢桥面板腐蚀数据库中，在钢桥面板腐蚀数据库中，采集到的钢筋腐蚀电流密度数据即为钢桥面板腐蚀样本数据；
[0050] 步骤三，确定钢桥面板腐蚀影响因素：
[0051] 设定钢桥面板腐蚀影响因素为：温度、湿度、通电次数和通电时间；
[0052] 步骤四，钢桥面板腐蚀样本数据预处理：
[0053] 对步骤二获得的钢桥面板腐蚀样本数据由噪声信号引起的样本数据的波动及毛刺，进行平滑去噪声处理；
[0054] 步骤五，钢桥面板腐蚀样本数据标准化处理：
[0055] 为降低预测误测，使用matlab中的mapminmax函数对钢桥面板腐蚀样本数据进行标准化处理，使处理后的数据分布在[0,1]的范围内，其标准化公式为： 其中，Xi为标准化数据，X为样本数据，Xmax为样本数据最大值，Xmin为样本数据最小值；
[0056] 步骤六，采用遗传算法优化极限学习机神经网络，获得优化神经网络；
[0057] 遗传算法(GA)和极限学习机(ELM)神经网络都是已知的成熟技术。
[0058] 极限学习机是一种新型的
前馈神经网络，与传统的单隐层神经网络比较，它的
隐藏层不需要
迭代，具有非常快的学习速度，且输入权重和隐藏节点偏置是随即确定的，为了消除模型输入权值及隐含层
阈值随机取值对预测模型精度造成的影响，采用遗传算法(GA)优化极限学习机(ELM)神经网络。与传统神经网络需要对输入权重、隐藏节点偏置、输出权重都进行寻优相比，该方法只需要对ELM的输入权重ωi及隐藏节点偏置bi进行优化选择，减少了计算量；
[0059] 如图2所示，所述的采用遗传算法优化极限学习机神经网络的具体过程为：
[0060] 步骤S61，确定ELM神经网络的基本拓扑结构，对ELM模型的输入权重和隐藏节点偏置采用二进制编码，得到初始种群。每个个体均为一个二进制串，θ＝[ω11，ω12…，ω1m，ω21，…，ω2m，…，ωn1，ωnm，b1，b2，…，bm]，其中θ为种群中的一个个体；ωij、bj为初始化为[-0.5,0.5]区间的随机值。个体的维度取决于ELM神经网络模型需要优化的参数个数，即输入权重和隐藏节点偏置；
[0061] 步骤S62，解码得到输入权重和隐藏节点偏置，将权重和偏置赋值给ELM神经网络。采用训练样本训练网络，同时使用测试样本进行测试。为最大限度降低预测值与实际值的残差，设置网络目标函数为： 其中，n为测试样本数，yi为预测值，yi’为实际
值；
[0062] 步骤S63，确定适应度函数以及进化代数G。适应度函数采用排序适应度分配函数ranking，即VFit＝ranking(V)， 其中，s为压差，Ps为个体在排序种群的
位置，d为种群中个体的数量；
[0063] 步骤S64，局部求解最优适应度函数VFit。逐个求解每个个体的适应度函数，根据VFit的值确定适应度较优的个体；
[0064] 步骤S65，求解全局最优适应度函数VFit。进化代数初始值设为0，每进行一代局部最优适应度函数求解后，对适应度较优个体进行交叉、变异，产生子种群，再次计算子种群的适应度函数，并根据适应度函数值，将子种群的个体选择插入父种群，替代父种群中适应度最小的个体，得到新种群，同时进化代数进行自加一运算。当进化代数大于G时，则结束运算。计算此时的VFit即为最优适应度函数，并将其对应的参数解码，即可得到最佳输入权重和隐藏节点偏置，以此建立最优的GA-ELM神经网络模型。
[0065] 步骤七，钢桥面板腐蚀预估模型训练：
[0066] 如图3所示，将步骤三中的钢桥面板腐蚀影响因素作为步骤六获得的优化神经网络的输入参数，输入参数的个数作为输入层神经元个数，将钢筋腐蚀电流密度作为步骤六获得的优化神经网络的输出参数，对优化神经网络进行训练，获得钢桥面板腐蚀预估模型。
[0067] 步骤七中，每500组输入参数试验数据中400组数据用来训练，100组数据用来测试。
[0068] 如图4所示，遗传算法优化极限学习机神经网络钢桥面板腐蚀预估模型训练过程包括以下步骤：
[0069] 步骤S71，计算隐藏层输出矩阵：表达式为H＝g(ωXT+b)，其中H为隐藏层输出矩阵，即 ω为输入权重，b为隐藏层节点偏置，ω和b由遗传算法寻优确定，g为隐藏层激活函数；
[0070] 步骤S72，计算隐藏层到
输出层的权值：采用训练输出样本Y代替神经网络输出值，根据表达式Y＝(HTβ)求解隐藏层到输出层的权值β的最小二乘解，即 其中(HT)+为隐藏层输出矩阵的转置矩阵的Moore-Penrose广义逆矩阵。
[0071] 实施例2：
[0072] 本实施例给出一种钢桥面板腐蚀预测模型，该模型采用实施例1所述的钢桥面板腐蚀预测模型的构建方法获得。
[0073] 采用钢桥面板腐蚀预测模型对钢桥面板腐蚀程度进行预测，如图5所示，预测过程包括以下步骤：
[0074] 步骤A，输入浇注式导电沥青混凝土环境湿度和温度以及54V通电
电压下的通电次数和通电时间参数到GA-ELM钢桥面板腐蚀预估模型，通过计算并利用mapminmax函数进行反归一化处理得到钢桥面板腐蚀程度预测值yi；
[0075] 步骤B，为确保GA-ELM钢桥面板腐蚀预估模型的精度与可靠性，计算钢桥面板腐蚀程度预测值yi与实际值yi’的平均绝对误差、平均绝对百分比误差和均方根误差，其计算公式分别如下：
[0076] 平均绝对误差：
[0077] 平均绝对百分比误差：
[0078] 均方根误差：
