沥青路面温度预测的长短记忆循环神经网络模型研究

摘要

沥青路面的力学特征演化、环境老化与温度直接相关,路面温度的预测是对沥青路面性能评价、研究的基础。首先依路面热传导方程将路面温度场离散为表面热交换、内部热传导两个部分,路面表面热流可以近似表示为气象环境的线性组合,路面温度为路面历史温度与边界热流的线性组合。然后建立与离散路面温度场耦合的双层长短记忆(LSTM)深度神经网络模型,模型采用时间步迭代方式运行,迭代步内神经元能够模拟表面热交换、内部热传导过程。模型时间序列长度48 h,训练时前24小时的数据主要用于模型参数更新,后24小时用于验证训练效果;验证时全部时间序列用于检验模型效果。然后,实测、收集了武汉、广州、唐山、苏州的温度场数据集、气象数据,并将路面温度数据归一化成统一的深度,对路面温度存在锯齿形不光滑的数据做标记剔除短时降雨的影响。然后用武汉、广州训练集训练模型,比选模型的输入气象因素、神经网络神经元个数与层数、学习率、训练时段,遴选出模型架构为4 + 5的双层LSTM神经网络。用唐山、苏州数据评价模型在0、2、4、6、8 cm深度的预测标准差为2.98、2.32、1.95、1.68、1.5°C,剔除降雨标记数据时模型预测标准差为2.0、1.71、1.54、1.25、1.08°C,路面深度越大模型预测效果越好。模型的因素分析表明,气温升高对路面温度的提升效应最明显,太阳辐射提高对白天路面温度有提高效应,气温实际是非独立的路面与环境交互作用的体现者。