Académique Documents
Professionnel Documents
Culture Documents
net/publication/262972516
CITATIONS READS
0 81
1 author:
Andrzej Pożarycki
Poznan University of Technology
43 PUBLICATIONS 37 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
”Precise system of the load capacity parameters identification of roadway structure in predicting the lifetime of road pavements”, partially
supported by the Polish National Center for Research and Development No. 244286 View project
”Intelligent monitoring system of technical pavement condition”, conducted under the Polish grant of National Center for Research and
Development No 244286 View project
All content following this page was uploaded by Andrzej Pożarycki on 10 June 2014.
Nr 2 2012
ANDRZEJ PO¯ARYCKI1)
1)
dr in¿. – Zak³ad Dróg, Ulic i Lotnisk Politechniki Poznañskiej
124 Andrzej Po¿arycki
1.1. WPROWADZENIE
Metody wykorzystuj¹ce sztuczne sieci neuronowe, znajduj¹ uznanie w grupie proble-
mów in¿ynierskich, dla których klasyczne rozwi¹zania (np. te z wykorzystaniem rów-
nañ ró¿niczkowych, czy te które wymagaj¹ okreœlania czêsto nieliniowych zwi¹zków
miêdzy zmiennymi) wymagaj¹ z³o¿onych, numerycznych obliczeñ, niejednokrotnie
zwi¹zanych z relatywnie d³ugim procesem obliczeniowym. W ogólnym przypadku
obszary zastosowañ SSN mo¿na sprowadziæ do zadañ klasyfikacyjnych, analizy sku-
pieñ, predykcji, zadañ zwi¹zanych z rozpoznawaniem wzorców oraz aproksymacji
funkcji. Spoœród dostêpnej, obszernej literatury œwiatowej, przystêpny opis tych za-
gadnieñ czytelnik znajdzie w pracach [1], [2]. W Polsce problemy zastosowania SSN
szeroko zosta³y opisane miêdzy innymi w pracach [3 - 5]. Ze studiów literatury opi-
suj¹cej SSN [1 - 7] wynika, ¿e poszukiwanie rozwi¹zañ w oparciu o metody sztucz-
nych sieci neuronowych sprowadza siê do mapowania zbiorów deklarowanych w war-
stwie wejœciowej i wyjœciowej sieci. W przypadku analizy zbiorów w przestrzeni wie-
lowymiarowej najbardziej powszechne, stosowane w wielu dziedzinach nauk in¿y-
nierskich, s¹ nastêpuj¹ce typy SSN: jednokierunkowe SSN (ang. Feedforward Neural
Network, FFNN), SSN z radialn¹ funkcj¹ aktywacji (ang. Radial Basis Function
Neural Network, RBFNN), sieci wykorzystuj¹ce kwantyzacjê wektorow¹ (ang.
Vector Quantization Neural Networks, VQNN), SSN Hopfielda. Wszystkie powy¿ej
zestawione typy SSN podlegaj¹ nauce w tzw. trybie z „nauczycielem”. Oznacza to,
¿e w procesie trenowania sieci, kompletny zbiór danych sk³ada siê z wektora wejœ-
ciowego i wektora wyjœciowego. Wektor wyjœciowy to n – elementowy wektor, z po-
prawnymi odpowiedziami. Odmienn¹ ideê trenowania SSN stosuje siê w trybie
nauki „bez nauczyciela”. W takich przypadkach mamy do czynienia z sieciami sa-
moorganizuj¹cymi siê (ang. Self Organizing Maps, SOM). Spoœród przedstawicieli
tej grupy, nale¿y wymieniæ sieci Kohonena i sieci rezonansowe (ang. Adaptive Reso-
nance Theory Neural Networks, ARTNN). Odrêbn¹ grupê spoœród metod sztucznej
inteligencji stanowi¹ automaty komórkowe. Aspekty definicji, klasyfikacji i ich za-
stosowañ mo¿na znaleŸæ miêdzy miêdzy innymi w pracy [8].
1
x1
1
s( x)
0,4
Ss
0,2
xk x
Andrzej Po¿arycki
-5 5
Rys. 1. Przyk³ad interpretacji geometrycznej struktury jednokierunkowej wielowarstwowej SSN (od lewej) wraz z powszechnie u¿ywan¹
w strukturach SSN sigmoidaln¹ funkcj¹ aktywacji
Fig. 1. Example of geometric interpretation of feedforward multilayered ANN structure (from left) with sigmoid activation function commonly
used in ANN structures
IDENTYFIKACJA MODELU NAWIERZCHNI METODAMI SZTUCZNEJ INTELIGENCJI 127
Proces poszukiwania wartoœci wag, w teorii SSN nazywa siê nauk¹ (trenowaniem) sie-
ci. Funkcja celu w przypadku analizowanej struktury jednokierunkowej SSN, treno-
N
wanej w oparciu o zestaw par danych typu ( x i , y i ) i =1 , mo¿e byæ wyra¿ona w postaci
b³êdu RMSE danego zale¿noœci¹ (2). Poprzez poprawnie dobrane wartoœci wektora q
rozumie siê takie wartoœci, które minimalizuj¹ sumê MSE, czyli q$ = arg min q V N (q ):
N
1
RMSE(q ) = MSE = V n (q ) =
N
å[y
i =1
i
- g (q , x i )]2 . (2)
zasadnicza 10 cm •podbudowa
z betonu asfaltowego
10 cm •podbudowa
z betonu asfaltowego
•podbudowa pomocnicza
•podbudowa pomocnicza z kruszywa ³amanego
•podbudowa pomocnicza kruszywa ³amanego 20 cm stabilizowanego mechanicznie
20 cm zstabilizowanego mechanicznie
20 cm z kruszywa ³amanego lub t³ucznia kamiennego
stabilizowanego mechanicznie lub t³ucznia kamiennego
lub t³ucznia kamiennego
38 cm 30 cm
43 cm
Rys. 2. Przyk³adowe wzorce modeli nawierzchni wraz z gruboœci¹ warstw uwzglêdnione w obliczeniach teoretycznej linii wp³ywu
Fig. 2. Sample patterns of pavement’s models with layers thickness used in calculations of theoretical deflection basins
IDENTYFIKACJA MODELU NAWIERZCHNI METODAMI SZTUCZNEJ INTELIGENCJI 131
uwagê tylko nawierzchnie przeznaczone dla kategorii ruchu KR2, KR3, KR4. O takim
wyborze zdecydowa³ fakt, ¿e wytrenowana SSN ma byæ weryfikowana w oparciu o pa-
rametry nawierzchni podatnej dla kategorii ruchu KR3, któr¹ wykonano na odcinku do-
œwiadczalnym opisanym miêdzy innymi w pracy [18]. Zgodnie z treœci¹ przedstawion¹
w pracy [4], reprezentatywny zbiór jest podstawowym warunkiem uzyskania popraw-
nych wartoœci w oparciu o wyuczon¹ SSN. Oznacza to, ¿e zbiór ucz¹cy w ogólnym
przypadku powinien zawieraæ informacje o ka¿dym typie nawierzchni, który mo¿e
wyst¹piæ w przewidywanych warunkach. Podczas budowy odcinka próbnego opisane-
go w pracach [15], [18], pomiary ugiêciomierzem FWD wykonane zosta³y na po-
wierzchni poszczególnych warstw asfaltowych. Z tego powodu w obliczeniach linii
wp³ywowych, oprócz podstawowych rozwi¹zañ przedstawionych w rozporz¹dzeniu
[17], obliczone zosta³y linie wp³ywu dla cz¹stkowych przekrojów poprzecznych.
Przyk³adowe gruboœci i uk³ady warstw nawierzchni przyjêtych w obliczeniach symula-
cyjnych linii wp³ywowych przedstawiono na rys. 2.
u i = u i +1 oraz t i = t i +1 , (8)
• dla warunku pe³nego poœlizgu, w którym zak³ada siê, ¿e naprê¿enia tn¹ce na sty-
ku s¹siednich warstw s¹ równe 0:
t i =0 oraz t i +1 = 0. (9)
AC AC AC
AC AC AC
AC AC AC
podbudowa podbudowa podbudowa
pomocnicza pomocnicza pomocnicza
a) pe³na sczepnoœæ na styku b) pe³en poœlizg na styku c) pe³na sczepnoœæ tylko na styku
wszystkich s¹siaduj¹cych warstw wszystkich s¹siaduj¹cych warstw s¹siaduj¹cych warstw asfaltowych
Oznaczenia:
pe³na sczepnoœæ
pe³en poœlizg
¥
q( r ) = a × q sr × ò J 0 ( kr ) × J 1 ( ka )dk , (10)
0
gdzie:
P
q sr – obci¹¿enie równomiernie roz³o¿one równe .
p × a2
2800
gruboœci stosowanych
2450 podk³adek gumowych
(umocowanych w FWD
2100 jak na rysunku po lewej)
Naprê¿enie [kPa]
1750 6,2 mm
1400 obci¹¿enie równomiernie roz³o¿one
1050
9,4 mm
700 3,1 mm
350
0 mm
0
0 15 30 45 60 75 90 105 120 135 150
Odleg³oœæ od osi obci¹¿enia [mm]
40
40
30
30
Temperatura T [°C]
20
Temperatura T [°C]
20
b)
a)
10
10
0
0
-10
0,5
0,4
0,3
0,2
0,1
0
Wspó³czynnik Poissona v(T) [–]
-10
20000
15000
10000
5000
Rys. 6. Wartoœci modu³u sztywnoœci (a) i wspó³czynnika Poissona (b) w funkcji temperatury
warstw asfaltowych zgodnie z rozporz¹dzeniem [17]
Fig. 6. Values of stiffness modulus (a) and Poisson ratio (b) as a function of temperature
of asphalt concrete layers [17]
0,0
Przemieszczenia [mm]
-0,5
-1,0
a) -1,5
-2,0
-2,5
-3,0
0,0 0,3 0,6 0,9 1,2 1,5 1,8
Odleg³oœæ od osi obci¹¿enia [m]
0,0
Przemieszczenia [mm]
-0,5
-1,0
b) -1,5
-2,0
-2,5
-3,0
0,0 0,3 0,6 0,9 1,2 1,5 1,8
Odleg³oœæ od osi obci¹¿enia [m]
Przemieszczenia [mm]
h5 warstwa œcieralna AC -0,2
h4 warstwa wi¹¿¹ca AC -0,4
h3 podbudowa zasadnicza AC -0,6
-0,8
h2 podbudowa pomocnicza
K£SM -1,0
-1,2
Lokalizacja geofonu [m]
h1 pod³o¿e gruntowe
-0,2
h4 warstwa wi¹¿¹ca AC
-0,4
h3 podbudowa zasadnicza AC
-0,6
-0,8
h2 podbudowa pomocnicza
K£SM -1,0
-1,2
h1 pod³o¿e gruntowe Lokalizacja geofonu [m]
h2
podbudowa pomocnicza -0,8
K£SM
-1,0
-1,2
h1 pod³o¿e gruntowe
Lokalizacja geofonu [m]
c) pomiary FWD na powierzchni warstwy podbudowy, Tasf =16°C (przekrój 3a_2)
0,50
0,40
0,30
RMSE
0,20
0,10
0,00
0 10 20 30 40
Liczba iteracji
1
T
q Ss 1
D0 Ss
D1
Ss n$
D2
D3
D4
D5 Ss
D6
Rys. 10. Uogólniony schemat architektury SSN testowanej w procedurze ustalania liczby
warstw modelu nawierzchni odcinka próbnego
Fig. 10. The general scheme of ANN architecture tested in procedure of identification
of the number of layers in the model of pavement in test section
Rys. 11. Zasada ustalania liczby warstw na podstawie wyników zwracanych przez
wytrenowan¹ SSN
Fig. 11. The rule to determine the number of layers on the basis of results given
by trained ANN
8000 7000
1500
6000
6000
LiczebnoϾ
LiczebnoϾ
LiczebnoϾ
2000 2000
1000
0 0 0
0 0,25 0,5 0,75 1 0 0,25 0,5 0,75 1 0 0,25 0,5 0,75 1
Przedzia³y klasowe Przedzia³y klasowe Przedzia³y klasowe
10000 14000
12000 1500
8000
10000
6000 8000 1000
4000 6000
LiczebnoϾ
LiczebnoϾ
500
LiczebnoϾ
4000
2000
2000
0 0 0
0 0,25 0,5 0,75 1 0 0,25 0,5 0,75 1 0 0,25 0,5 0,75 1
Przedzia³y klasowe Przedzia³y klasowe Przedzia³y klasowe
Rys. 12. Przyk³ady wybranych histogramów, zbudowanych w oparciu o wyniki identyfikacji liczby warstw nawierzchni przy wykorzystaniu
wytrenowanych SSN
Fig. 12. Selected histograms showing results of identification of the number of pavement layers obtained with trained ANN
IDENTYFIKACJA MODELU NAWIERZCHNI METODAMI SZTUCZNEJ INTELIGENCJI 143
1
T
q Ss 1
D0 Ss
Ss $
h2
D1
Ss $
h3
D2 $
Ss h4
D3 $
Ss h5 $ h2,
$ h3,
$ h4$
h1, – poszukiwane gruboœci
D4 poszczególnych warstw
modelu (h1=¥,
D5 Ss pozosta³e symbole
jak na rys. 10)
D6
Rys. 13. Ogólna postaæ SSN wykorzystana do ustalenia gruboœci warstw modelu nawierzchni
Fig. 13. General form of ANN used to determine the thickness of layers in pavement model
Œrednia zmierzona gruboœæ warstwy h4 (warstwa wi¹¿¹ca) jest równa 4,8 cm. Wyniki
identyfikacji tej gruboœci w zale¿noœci od miejsca pomiarów ugiêciomierzem FWD
przedstawiono w tablicy 5.
Tablica 5. Wyniki identyfikacji gruboœci warstwy h4
Table 5. Results of identification of h4 layer thickness
6. DYSKUSJA WYNIKÓW
h3 h2
14000
12000
h3 6,7 cm
LiczebnoϾ
10000
8000
h2 20,0 cm
6000
4000
h1 ¥
2000
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Gruboœæ warstw modelu (wed³ug SSN) [cm]
h4 h3 h2
20000
h4 4,8 cm
15000 h3 6,7 cm
LiczebnoϾ
10000
h2 20,0 cm
5000
h1 ¥
0
0 2 4 6 8 10 12 14 16 18 20 22 24
Gruboœæ warstw modelu (wed³ug SSN) [cm]
Rys. 14. Gruboœci warstw obliczone w oparciu o wytrenowan¹ SSN (od lewej)
Fig. 14. Thickness of layers calculated using trained ANN (from left)
146 Andrzej Po¿arycki
BIBLIOGRAFIA
[1] Bishop C.M.: Neural Networks for pattern recognition. Oxford University Press,
Oxford 1995
[2] Duda R.O., Hart P.E., Stork D.G.: Pattern classification. 2nd ed, John Wiley & Sons,
New York 2001
[3] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Poli-
techniki Warszawskiej, Warszawa 2006
[4] Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, wyd. 2,
Warszawa 1993
[5] ¯urada J., Barski M., Jêdruch W.: Sztuczne sieci neuronowe, podstawy teorii i zasto-
sowania. Wydawnictwo naukowe PWN, Warszawa 1996
[6] Wolfram Research Incorporation, Neural Networks 1.1.1. Dokumentacja pakietu
komputerowego
[7] Józefowicz K.: SSN. Leszno 2009, http://elektrotechnika.ip.pwsz.edu.pl
[8] Wolfram S.: Articles on Cellular Automata. http://www.stephenwolfram.com
[9] Szyd³o A.: Statyczna identyfikacja parametrów modeli nawierzchni lotniskowych.
Prace naukowe Instytutu In¿ynierii Politechniki Wroc³awskiej, 45, Wroc³aw 1995
[10] Kim S., Gopalakrishnan K., Ceylan H.: Neural Networks Application in Pavement
Infrastructure Materials. Springer-Verlag Berlin Heidelberg 2009, Intel. & Soft
Comp. in Infra. Sys. Eng., SCI 259, 47 - 66
[11] Pekcan O., Tutumluer E., Thompson M.: Nondestructive pavement evaluation using
ILLI-PAVE based ANN models. Research Report FHWA-ICT-08-022, Illinois 2008
[12] Saltan M., Tigdemir M., Karasahin M.: ANN Application for Flexible Pavement
Thickness Modeling. Turkish J. Eng. Env. Sci, 26, 2002, 243 - 248
[13] Sharma S., Das A.: Backcalculation of pavement layer parameters using Artificial
Neural Networks. Can. J. Civ. Eng. 35, 2008, 57 - 66
[14] Bredenhann S.J., van de Ven M.F.C.: Application of ANN in the back-calculation of
flexible pavement layer moduli from deflection measurements. Proc. of the 8th
CAPSA’04, South Africa, Sun City 2004, 12 - 16
[15] Po¿arycki A., Bartkowiak M.: Zastosowanie SSN w identyfikacji gruboœci warstw as-
faltowych w nawierzchniach podatnych. Archiwum Instytutu In¿ynierii L¹dowej Po-
litechniki Poznañskiej, 9, Poznañ 2011
[16] Po¿arycki A., Grabowski W.: Assessing the test section pavement structure using
VQNN. 5th Int. Conf. Bit. Mix.& Pavements, Greece, Thessaloniki, June 2011
[17] RMTiGM z dnia 2 marca 1999 r. w sprawie warunków technicznych, jakim powinny
odpowiadaæ drogi publiczne i ich usytuowanie. Dz. U. nr 43 z 1999 r., poz. 430
z póŸn. zm.
[18] Grabowski W., Po¿arycki A.: Badania propagacji spêkañ wielkowymiarowych próbek
nawierzchni asfaltowych podanych wielokrotnie powtarzalnym obci¹¿eniom w wa-
runkach laboratoryjnych. III Miêdzynarodowa Konferencja „Nowoczesne Technolo-
gie w budownictwie drogowym”, Poznañ 2005
[19] Firlej S.: Mechanika nawierzchni drogowej. Wydawnictwo Petit s.c., Politechnika
Lubelska, Lublin 2007
[20] Boddapati K.M., Nazarian B.: Effects of Pavement - Falling Weight Deflectometer
Interaction on Measured Pavement Response, Nondestructive Testing of Pavements
and Backcalculation of Moduli (Second Volume). ASTM STP 1198, American Soci-
ety of Testing and Materials, Philadelphia 1994, 326 - 340
The paper presents methodology based on feedforward Artificial Neural Networks (ANN)
techniques to estimate the most probable number and thickness of new test section flexible
pavement layers. There is a consideration in the described method that only results from FWD
measurements on surface of each asphalt concrete layer are known. Based on pavement
mechanics theory and making a reference to typical flexible pavements used in Poland, the
deflection basins were calculated. Theoretically determined deflection basins were used to train
ANN. Finally an artificial neural network approach is used to estimate the wanted parameters of
analyzed test section pavement layers. Comparing the ANN’s results with the real test section
pavement construction it was found that parameters obtained with ANN can be used for further
standard backcalculation procedure.
Keywords