高速公路使用的时间越长，路面性能下降越严重，不利于高速公路的后续使用。对此，相关部门通过矫正性养护的方式对路面予以处理，以提升路面性能。但该处理方式为事后养护，已经对高速公路的使用造成了一定影响。所以，若要保证高速公路沥青路面的性能延长公路使用年限，应在工程建设前，通过预防性养护性能分析，制订相应的预防性策略。

1   人工神经网络概述

1.1   基本概述

现代数学分析领域存在多种预测方法，人工神经网络是其中较为常见的一种，是指通过生物神经网络能力的模拟，对相关问题进行分析的方法。该方法具有诸多优势，如具有较强的分布式存储能力，使得整个分析过程存在较高的容错性；同一时间内，可对多组数据进行分析处理；在数据分析计算的同时，可自动将数据存储等。因而本研究对高速公路沥青路面预防性养护性能分析采用人工神经网络模拟。

1.2   人工神经元模型

人工神经网络模型，包含大量神经元，即处理单元，可展示出网络对数据处理的过程，并通过数学语言的方式对这一过程进行描述。人工神经元模型如图1所示。

图1??人工神经网络模型

人工神经网络包含多种不同的模型，BP网络模型是其中应用较为广泛的一种，特别是单隐层网络。在单隐层网络中，共由3个层次构成，分别为：输入层，用于数据的录入；隐层，用于数据的处理与计算。在一个神经网络内，通常由多个隐层构成，以对数据进行全面的分析，而输出层则将隐层计算出来的结果传输出来。

2   BP神经网络

2.1   影响因素选择

对路面性能分析时，主要考虑两个方面因素。

（1）项目级路面管理系统的影响因素。即对某个具体项目进行分析，对于高速公路建设项目来说，主要受到3个方面因素的影响，分别为：交通量，即每日在道路上行驶车辆的数量；温度，工程所处现场的平均温度；湿度，工程现场空气中的含水量。在不同高速公路当中，各因素的参数略有差异。（2）网级路面管理系统的影响因素，即对一个区域公路网整体进行分析，主要因素包括面层厚度、基层回弹模量等，实际分析时，应针对实际情况而选择。

针对本研究来说，主要采用了2个指标对路面性能进行评估，一个是路面车辙痕迹的深度，另一个是路面的平整度。

2.2   预测模型

对高速公路沥青路面预测性养护性能分析时，采用的是BP神经网络模型，确定模型时，应注意3个指标，具体如下。

（1）隐层层数。

由相关理论可知，对于单层BP网络来说，能够展示出全部的连续函数，若学习处于非连续状态，才会设置2个隐层，因而在BP网络内，最多仅包含2个隐层。BP网络设计过程中，先设置1个隐层，并对网络运算水平予以验证，若在网络内包含大量节点，但运算效率较低，才可选择2个隐层。相关研究指出，在双隐层中，若一个隐层存在多个节点，另一个存在少量节点，将会显著提升网络的性能。另外，对一些特殊情况进行处理时，相对于单隐层网络来说，双隐层网络的节点数量更少一些。因此，对运算结果要求较高时，通常采用双隐层网络。

（2）隐层节点数量。

在不同BP网络内，需要设置出不同数量的节点，以得到不同的运算结果。当输入数据传输到隐层后，在各节点的作用下，采集数据中存在的规律，并自动存储下来，所以，BP网络隐层节点数量的多少，直接关系到网络的运算能力，若节点数较少，将会导致其对信息采集的能力，难以准确展示出数据集所存在的规律；反之，若节点数较多，将会采集到一些非规律的信息，不仅增加运算时间，而且还会降低网络的泛化水平。因此，在BP神经网络模型构建时，应针对训练样本的大小数量与规律的复杂程度，设计出最佳的节点数量。通常情况下，对于一个非线性函数来说，波动频率较高，且变化范围较大，则应设置多个节点，以确保模型具备较高的映射能力。

（3）学习速度。

除了上述两个因素之外，BP网络还与其学习速度有关，BP网络具有不同的学习速度，可在训练时得到不同的权重值。所以，在BP网络构建时，必须选择最佳的学习速度。若学习速度较大，模型将会出现较大的震荡，导致模型并不稳定；反之，若学习速度较小，将会影响模型的收敛速度，从而增加模型的训练时间。在训练前，通常无法直接设置出最佳的学习速度，而是先设置一个学习速度，之后通过不断训练与调节，以此得到最佳的学习速度。

2.3   数据处理

对于各路面性能来说，量纲存在一定差异，不利于路面性能的分析，因而在对各路面性能指标评估之前，应对数据予以适当处理。数据处理过程中，应遵循下述几个原则：（1）得到新指标后，均处于特定范围内。（2）所有新指标对路面性能的影响基本相同；（3）新指标能够体现出原指标对路面性能的影响。

3   结束语

以BP神经网络为基础，设计出了一种高速公路沥青路面预测性养护性能模型，通过该模型对高速公路路面性能进行分析后可以发现，不论是在路面车辙深度方面，还是路面平整度方面，与实测值之间均存在较小的差异，可将其应用到实际当中，以此为预测型养护策略的制订提供支持。