(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111261603.3 (22)申请日 2021.10.28 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 罗雪　邓庸　王航　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 陈升华 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 111/10(2020.01) (54)发明名称 基于有限元修正与人工智能的沥青面层损 伤状态反演方法 (57)摘要 本发明属于道路工程沥青路面性能， 公开了 一种基于有 限元修正与人工智能的沥青路面损 伤状态反演方法。 本方法包括以下步骤： 获取指 定沥青路段的有限元模型基本参数； 获取FWD现 场检测信息； 构建kriging代理模型以联系沥青 层损伤参数和道路在特定FWD荷载下的弯沉响 应； 应用人工智能算法， 在kriging模型中寻找对 应的沥青层损伤参数值； 输出最后一次迭代计算 时的损伤密度， 对检测日期时的沥青面层损伤进 行量化。 本发明自动、 高效、 准确地反演了现场 沥 青路面面层的损伤状态， 从而表征了沥青路面面 层的损伤 程度， 为道路养护维修决策提供了有力 的科学依据。 权利要求书2页 说明书8页 附图3页 CN 114048646 A 2022.02.15 CN 114048646 A 1.一种基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 包括 以下步骤： 步骤1、 获取指定沥青路面， 获取有限元模型的基本参数， 具体包括沥青路面的结构参 数与材料参数； 步骤2、 获取 FWD现场检测信息， 步骤3、 根据步骤1获得的沥青路面的结构参数与 材料参数在有限元模型中建立沥青道 路模型， 根据步骤2现场检测信息在道路模型中设置FWD荷载； 步骤4、 构建代理模型， 联系包含沥青面层损伤状态在内的道路模型的参数与道路弯沉 值， 即有限元模型的输入参数与输出响应； 步骤5、 应用人工智能算法自动校准模型参数直至所有传感器位置的弯沉模型预测值 与实测值满足误差准则； 步骤6、 输出最后一次计算时的包 含损伤密度在内的模型参数。 2.根据权利要求1所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤1中， 所述的沥青路面的结构参数包括： 沥青路面的各 结构层类型与厚度； 所述的材 料参数包括： 各 结构层材 料的泊松比、 密度与沥青层的粘弹性 参数。 3.根据权利要求1所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤2中， FWD现场检测收集信息包括： (1)FWD检测的环境 参数； (2)FWD记录的试验信息 。 4.根据权利要求1所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤3中， 所述有限元模 型考虑了沥青面层材料的粘弹性本构关系与损伤本构 关系。 5.根据权利要求1所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤4中， 所述代理模型采用数学模 型以联系损伤密度等模型参数和不同传感 器位置的弯沉值， kriging模型， 具体建立预测函数包含选定的回归函数和随机过程函数， 表示如下： 式中， X为kriging模型输入， 即包含沥青层损伤密度在内的材料参数； βi为kriging模型 系数， 表示第i个回归方程权重； fi表示第i个回归方程； z为随机过程函数； N为kriging模型 使用的回归方程总数； 为kriging模型预测的输出， 即不同传感器位置的弯沉 值。 6.根据权利要求1所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤5中， 所述人工智能参数迭代算法采用粒子群算法， 其数 学表达式表示 为： 式中， 和 分别为第i个粒子在第k次迭代中的位置向量和速度向量， 和 分别 为第i个粒子在第k+ 1次迭代中的位置向量和速度向量； 为第i个粒子在过去k次迭代中的权　利　要　求　书 1/2 页 2 CN 114048646 A 2最佳位置； 为所有粒子在过去k次迭代中的最佳位置； w为惯性权重； c1和c2分别为认知系 数和社会系数； 和 均为第k次迭代中第i个粒子在区间[0,1]内的随机数。 7.根据权利要求6所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤5中， 所述粒子群算法中位置向量包含沥青层的损伤密度以及除沥青面层 外各层的杨氏模量， 具体求粒子位置的目标函数 F(x)为： 式中， y为位置x处的实际输出向量， 即不同传感器位置的实测弯沉值； 为位置x处 kriging模型预测向量， 即不同传感器位置的模型 预测弯沉 值。 8.根据权利要求1所述的基于有限元修正与人工智能的沥青面层损伤状态反演方法， 其特征在于， 步骤6中， 损伤密度具体表示 为： 式中， φ为损伤密度， 无量纲； AL为损伤面积， ； AT为横截面总面积。权　利　要　求　书 2/2 页 3 CN 114048646 A 3