本发明提供一种土石坝料压实质量评价方法，即：采集与清洗评价坝料压实质量的数据；获取反应坝料压实质量的干密度指标；对评价坝体压实质量的数据进行相关性分析确定最终模型输入输出参数；建立基于深度学习的压实质量评价模型，对压实质量进行评价。本发明充分考虑料源参数、碾压施工参数以及连续压实指标对坝料压实质量的影响，利用深度学习的方法构建基于人工神经网络的堆石料压实质量评估模型，实现大坝填筑施工全过程质量精细化实时控制，减少人为干预，确保施工质量，大大提高了坝料压实质量检测的时间和成本。本发明可以为在建或待建的土石坝工程压实质量控制和确保工程质量提供巨大应用潜力及可能性。
1.一种土石坝料压实质量评价方法，其特征在于：它包括如下步骤：S1、采集与清洗评价坝料压实质量的数据
原始数据包括料源参数Pms、碾压参数Prp和连续压实指标Pcc；所述料源参数Pms包括P5含量、不均匀系数Cu、曲率系数Cc和最大粒径Dmax，所述碾压参数Prp包括碾压遍数n、行车速度v、行车方向b、铺层厚度h和激振频率f，所述连续压实指标Pcc包括碾压波速Vs和单位体积压实功E；
料源参数Pms的获取方法：采用筛分法对从料场开采的坝料进行颗粒分析，5mm及以上的颗粒筛分在室外进行，筛分粒径分别为200mm、100mm、60mm、40mm、20mm、10mm和5mm；对大于
200mm的粒石采用直接量测筛分；对于5mm以下土样进行取样送至做室内做颗粒分析试验；
根据筛分法得到的材料级配计算P5含量、不均匀系数Cu、曲率系数Cc和最大粒径Dmax；
碾压参数Prp的获取方法：在压路机上安装RTK‑GPS系统、无线通信天线和加速度传感器等，实时采集位置坐标、时间、行车方向、行车速度、激振频率、碾压遍数，采集到的数据通过无线网络传输到远程数据库服务器；碾压遍数通过对碾压区域栅格化，然后统计栅格被振动压路机机身掠影的次数；
连续压实指标Pcc的获取方法：在现场压路机振动轮旁边的框架上和车后胶轮旁驱动后桥下侧安装两个IEPE加速度传感器，加速度传感器通过连接TCDT19动态信号测试分析系统实时采集振动信号，通过对间隔一定距离的两个加速度信号求解相位差的方法来获取碾压波速Vs；
采用箱线图识别所述原始数据中的异常数据，并删除；所述箱线图中，小于QL‑1.5IQR或大于QU+1.5IQR的数据均为异常数据，其中，QL为下四分位数，表示全部观察值中有四分之一的数据比它小；QU为上四分位数，表示全部观察值中有四分之一的数据比它大；IQR为四分位间距，是上四分位数QU与下四分位数QL之差，其间包含了全部观察值的一半；
S3、对评价坝体压实质量的数据进行相关性分析确定最终模型输入输出参数对步骤S1获得的各个参数与步骤S2获得的坝料干密度进行相关性分析；根据皮尔逊相关系数R筛选出与干密度相关的参数作为最终的坝料压实评价模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，其中i＝1,2,…,n，xi为第i个输入参数；
将步骤S2挖坑实测得到的干密度作为压实质量评价模型的输出值；
S4、建立基于深度学习的压实质量评价模型，对压实质量进行评价S4.1、将步骤S3得到的数据集XE作为压实质量评价模型输入值，将步骤S2挖坑实测得到的干密度作为压实质量评价模型的输出值，将总的数据集分为训练集和测试集，采用训练集数据对压实质量评估模型进行训练，得到基于深度学习的压实质量评价模型；
S4.2、将测试集数据代入已训练好的模型中进行干密度预测，根据预测结果采用评价2
指标均方误差MSE和决定系数R对压实质量评价模型的优劣进行表征；
式中：yi为干密度的真实值， 为干密度的预测值； 为干密度真实值的平均值；m为时间序列长度；
S4.3、通过建立的压实质量评估模型对土石坝坝料压实质量进行评估当对某一单元工程进行碾压时，将实时获取到的数据集XE中对应参数输入到压实质量评估模型就可获取当前碾压位置处对应的干密度，当该值大于碾压设计干密度时，即可认为该碾压位置已满足大坝填筑压实标准，已碾压密实；反之，说明该碾压位置不符合标准，没有被碾压密实。
2.根据权利要求1所述的土石坝料压实质量评价方法，其特征在于：所述步骤S2干密度指标的获得方法：通过挖试验坑采用灌水法得到碾压层的干密度，具体方法：在相对平整的区域内挖试验坑，试坑体积及密度为：式中：M2为达到初始水位高度时灌入试坑中水的质量，单位g；
3.根据权利要求2所述的土石坝料压实质量评价方法，其特征在于：所述步骤S3对评价坝体压实质量的数据进行相关性分析确定最终模型输入参数的方法为：S3.1、进行二元变量相关性分析过程中，采用Pearson相关系数R表征坝体两因素相关性的强弱，其计算公式如下：其中：相关系数R的取值范围：–1≤R≤1，xi为影响压实质量的某一因素的值，为该因素所有数据的平均值，yi为实测的干密度值， 为实测干密度所有数据的平均值；
S3.2、根据皮尔逊相关系数R筛选出与干密度相关的参数作为最终的模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，i＝1,2,…,n，xi为第i个输入参数。
4.根据权利要求3所述的土石坝料压实质量评价方法，其特征在于：所述步骤S3.2根据皮尔逊相关系数R筛选出相关系数|R|＞0.5时，与干密度对应的变量作为最终的模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，i＝1,2,…,n，xi为第i个输入参数。
5.根据权利要求1‑4之一所述的土石坝料压实质量评价方法，其特征在于：通过BP神经网络算法建立所述压实质量评价模型：ρd＝f(Pms,Prp,Pcc)
其中，ρd为干密度；Pms为料源参数；Prp为碾压参数；Pcc为连续压实指标。
6.根据权利要求5所述的土石坝料压实质量评价方法，其特征在于：对所述压实质量评价模型的输入数据采用Minmaxmap函数进行归一化处理，即：式中：xmax为输入参数的最大值，xmin为输入参数的最小值，x为输入参数，此处ymin取‑1，ymax取1。
土石坝料压实质量评价方法
技术领域
[0001] 本发明涉及一种评价土石坝坝料压实质量的方法，具体地说，涉及一种基于深度学习的评价土石坝坝料压实质量的方法。本发明属于土石坝坝料压实质量检测技术领域。
背景技术
[0002] 土石坝是水利水电开发过程中最常见的坝型之一，在其填筑过程中，坝料的压实质量控制对大坝整体的质量、安全稳定运行起着决定性的影响。如果坝料压实质量不达标，则坝体可能会出现渗透破坏、裂隙、滑坡等现象，严重的还会出现土石坝溃坝事故。
[0003] 随着大坝填筑施工智能化水平的提高，采用传统的压实质量控制方法即“双控法”已不能满足现代化机械施工的要求。为了提高压实质量和效率，不少学者通过研究影响压实效果的因素与压实质量之间的相关关系，不断提出以监测碾压施工参数或基于碾轮振动性态的连续压实指标实时监控土石坝压实质量。如黄声享等研制的基于GPS的实时监控系统，该监控系统通过对面板堆石坝碾压过程中的行车轨迹、行车速度、碾压遍数和压实厚度的全过程监控实现对坝体压实质量的监控。如钟登华等研发的一种高心墙堆石坝施工质量监控技术，通过对心墙堆石坝的填筑碾压施工参数(碾压遍数、行车速度、行车轨迹、压实厚度和激振力状态等)的在线监测和反馈控制，使大坝施工质量处于真实受控状态。如李斌等通过对高填方渠道碾压施工过程中主要质量参数的有效监控，有效地提高大型工程施工质量管理与控制的现代化水平。如刘东海等提出的一种利用施工碾压参数(即碾压遍数、行车速度、振动状态、压实厚度)、土石料含水率和级配建立多元回归模型的方法，对土石坝施工压实质量进行实时监测评估，有效地减少数据采集活动与现场作业之间的干扰，为质量控制和改进提供及时反馈的可能。关于采用基于碾轮振动性态的连续压实指标进行实时监测方面，一些学者通过分析坝料碾压过程中振轮加速度的变化情况，从频域的角度出发，分别提出了CMV、CCV、CV、RMV以及THD等连续压实监测指标；从时域角度出发，提出了以加速度峰值ap、加速度均方根值arms以及波峰因素CF等作为连续压实指标；从力学分析的角度出发，提出了土体刚度Ks、土体振动模量Evib、机械驱动功率(MDP)、单位体积压实功E等连续压实指标。
[0004] 然而，不论是通过监测碾压施工参数，还是通过监测基于碾轮振动性态的连续压实指标来实时监控土石坝压实质量，实践证明，坝料压实特性是由多因素综合决定的，仅仅以一种或几种施工过程中的重要因素为基础进行监控，均无法合理地确定坝料的实时压实特性。
[0005] 因此，很多学者又研究尝试将连续压实指标与多种影响压实质量的碾压参数相耦合，采用回归方法或人工神经网络方法构建压实质量评估模型。目前在坝料压实质量评价研究工作中，针对碾压参数和连续压实指标等因素对干密度影响的研究已经较为成熟，但是这些压实指标并不能直接反映含水量、级配等土壤属性的变化，这意味着在不同的土壤属性下，相同的指标值并不一定代表相同的密实度(如压实度、干密度、孔隙度)。因此，当施工条件和土壤属性发生变化，就需要重新校准指标的目标值。在土石坝建设过程中，许多建筑区域通常使用不同的坝料，频繁的重新校准会严重干扰其他建设活动。
发明内容
[0006] 鉴于上述原因，本发明的目的是提供一种基于深度学习的评价土石坝料压实质量的方法。该方法充分考虑料源参数、碾压施工参数以及连续压实指标对坝料压实质量的影响，利用深度学习的方法构建基于人工神经网络的堆石料压实质量评估模型，实现大坝填筑施工全过程质量精细化地实时控制。
[0007] 为实现上述发明目的，本发明采用以下技术方案为：一种土石坝料压实质量评价方法，它包括如下步骤：
[0008] S1、采集与清洗评价坝料压实质量的数据
[0009] S1.1、采集评价坝料压实质量的原始数据
[0010] 原始数据包括料源参数Pms、碾压参数Prp和连续压实指标Pcc；所述料源参数Pms包括P5含量、不均匀系数Cu、曲率系数Cc和最大粒径Dmax，所述碾压参数Prp包括碾压遍数n、行车速度v、行车方向b、铺层厚度h和激振频率f，所述连续压实指标Pcc包括碾压波速Vs和单位体积压实功E；
[0011] S1.2、清洗采集的评价坝料压实质量的原始数据
[0012] 删除所述原始数据中的缺失值和重复值；
[0013] 采用箱线图识别所述原始数据中的异常数据，并删除；所述箱线图中，小于QL‑1.5IQR或大于QU+1.5IQR的数据均为异常数据，其中，QL为下四分位数，表示全部观察值中有四分之一的数据比它小；QU为上四分位数，表示全部观察值中有四分之一的数据比它大；
IQR为四分位间距，是上四分位数QU与下四分位数QL之差，其间包含了全部观察值的一半；
[0014] S2、获取反应坝料压实质量的干密度指标
[0015] 通过挖试验坑采用灌水法得到碾压层的干密度；
[0016] S3、对评价坝体压实质量的数据进行相关性分析确定最终模型输入输出参数[0017] 对步骤S1获得的各个参数与步骤S2获得的坝料干密度进行相关性分析；根据皮尔逊相关系数R筛选出与干密度相关的参数作为最终的坝料压实评价模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，其中i＝1,2,…,n，xi为第i个输入参数；
[0018] 将步骤S2挖坑实测得到的干密度作为压实质量评价模型的输出值；
[0019] S4、建立基于深度学习的压实质量评价模型，对压实质量进行评价[0020] S4.1、将步骤S3得到的数据集XE作为压实质量评价模型输入值，将步骤S2挖坑实测得到的干密度作为压实质量评价模型的输出值，将总的数据集分为训练集和测试集，采用训练集数据对压实质量评估模型进行训练，得到基于深度学习的压实质量评价模型；
[0021] S4.2、将测试集数据代入已训练好的模型中进行干密度预测，根据预测结果采用2
评价指标均方误差MSE和决定系数R对压实质量评价模型的优劣进行表征；
[0022] 所述均方误差MSE和决定系数R2函数具体表示为：
[0023]
[0024]
[0025] 式中：yi为干密度的真实值， 为干密度的预测值； 为干密度真实值的平均值；m为时间序列长度；
[0026] S4.3、通过建立的压实质量评估模型对土石坝坝料压实质量进行评估[0027] 当对某一单元工程进行碾压时，将实时获取到的数据集XE中对应参数输入到压实质量评估模型就可获取当前碾压位置处对应的干密度，当该值大于碾压设计干密度时，即可认为该碾压位置已满足大坝填筑压实标准，已碾压密实；反之，说明该碾压位置不符合标准，没有被碾压密实。
[0028] 在本发明较佳实施例中，所述步骤S2干密度指标的获得方法：通过挖试验坑采用灌水法得到碾压层的干密度，具体方法：在相对平整的区域内挖试验坑，试坑体积及密度为：
[0029]
[0030] 式中：M2为达到初始水位高度时灌入试坑中水的质量，单位g；
[0031] M1为初始找平时灌入水的质量，单位g；
[0032] ρω为水的密度，单位g/cm3；
[0033] V为试坑的体积，单位g/cm3；
[0034]
[0035]
[0036] 式中：m为取自试坑内的土料质量，单位g；
[0037] ρ为试坑的湿密度，单位g/cm3；
[0038] ω为试坑中土的含水率，单位％；
[0039] ρd为干密度，单位g/cm3。
[0040] 所述步骤S3对评价坝体压实质量的数据进行相关性分析确定最终模型输入参数的方法为：
[0041] S3.1、进行二元变量相关性分析过程中，采用Pearson相关系数R表征坝体两因素相关性的强弱，其计算公式如下：
[0042]
[0043] 其中：相关系数R的取值范围：–1≤R≤1，xi为影响压实质量的某一因素的值，为该因素所有数据的平均值，yi为实测的干密度值， 为实测干密度所有数据的平均值；
[0044]
[0045] 0＜|R|＜1表示存在不同程度线性相关：
[0046]
[0047] S3.2、根据皮尔逊相关系数R筛选出与干密度相关的参数作为最终的模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，i＝1,2,…,n，xi为第i个输入参数。
[0048] 所述步骤S3.2根据皮尔逊相关系数R筛选出相关系数|R|＞0.5时，与干密度对应的变量作为最终的模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，i＝1,2,…,n，xi为第i个输入参数。
[0049] 本发明通过BP神经网络算法建立所述压实质量评价模型：
[0050] ρd＝f(Pms,Prp,Pcc)
[0051]
[0052] 其中，ρd为干密度；Pms为料源参数；Prp为碾压参数；Pcc为连续压实指标。
[0053] 本发明对所述压实质量评价模型的输入数据采用Minmaxmap函数进行归一化处理，即：
[0054]
[0055] 式中：xmax为输入参数的最大值，xmin为输入参数的最小值，x为输入参数，此处ymin取‑1，ymax取1。
[0056] 本发明具有以下有益效果：
[0057] 本发明提供的坝料压实特性实时评价方法和现有土石方工程填筑质量检测技术相比，充分考虑了料源参数、碾压施工参数以及连续压实指标对坝料压实质量的影响，利用深度学习的方法构建了基于人工神经网络的堆石料压实质量评估模型，实现大坝填筑施工全过程质量精细化实时控制，减少人为干预，确保施工质量，大大提高了坝料压实质量检测的时间和成本。本发明可以为在建或待建的土石坝工程压实质量控制和确保工程质量提供巨大帮助及可能性。
附图说明
[0058] 图1为本发明基于深度学习的土石坝料压实质量评价方法流程示意图；
[0059] 图2为干密度与其影响因素的相关系数矩阵图；
[0060] 图3为本发明实施例中BP神经网络结构示意图；
[0061] 图4为本发明实施例中BP神经网络的计算流程图。
具体实施方式
[0062] 下面结合附图和实施例对本发明的结构及特征进行详细说明。需要说明的是，可以对此处公开的实施例做出各种修改，因此，说明书中公开的实施例不应该视为对本发明的限制，而仅是作为实施例的范例，其目的是使本发明的特征显而易见。
[0063] 随着互联网、自动控制和计算机仿真技术的迅速发展，大坝工程建设理念已从传统的以人为主导模式向数字化、智能化模式转变，本发明利用深度学习方法通过对土石坝大坝填筑施工全过程信息采集的多因素综合分析，充分考虑碾压施工参数、料源参数以及连续压实指标,构建基于人工神经网络的堆石坝料压实质量评估模型，对土石坝坝料的压实特性进行实时评价。
[0064] 实践证明，坝料压实特性是由多因素综合决定的，仅仅以一种或几种施工过程中的重要因素为基础进行监控，无法合理地确定坝料的实时压实特性。级配是区分填筑材料类型和决定填筑材料物理力学性质的重要因素，堆石料材料的力学性能受到颗粒级配特性的显著影响。从已开展的现场大型相对密度试验可知，碾压干密度表现出随P5含量的增加而先增加、后减小的趋势，P5含量是影响干密度的重要因素。在级配特征中除了P5含量外，不均匀系数、曲率系数和最大粒径也能很好地反映材料的级配，因此，本发明选取上述料源参数作为土石坝坝料的代表级配指标，对其与干密度进行相关性分析。。
[0065] 如图1所示，本发明基于深度学习的坝料压实特性实时评价方法为：
[0066] S1、采集与清洗评价坝料压实质量的数据
[0067] S1.1、采集评价坝料压实质量的原始数据
[0068] 在堆石坝工程现场开展碾压试验，获取评估压实质量的原始数据，原始数据包括料源参数Pms、碾压参数Prp和连续压实指标Pcc。所述料源参数Pms包括P5含量、不均匀系数Cu、曲率系数Cc和最大粒径Dmax，所述碾压参数Prp包括碾压遍数n、行车速度v、行车方向b、铺层厚度h和激振频率f，所述连续压实指标Pcc包括碾压波速Vs和单位体积压实功E。
[0069] 料源参数Pms的获取方法：采用筛分法对从料场开采的坝料进行颗粒分析，5mm及以上的颗粒筛分在室外进行，筛分粒径分别为200mm、100mm、60mm、40mm、20mm、10mm和5mm；对大于200mm的粒石采用直接量测筛分；对于5mm以下土样进行取样送至做室内做颗粒分析试验。根据筛分法得到的材料级配计算P5含量、不均匀系数Cu、曲率系数Cc和最大粒径Dmax。
[0070] 碾压参数Prp的获取方法：在压路机上安装RTK‑GPS系统、无线通信天线和加速度传感器等，实时采集位置坐标、时间、行车方向、行车速度、激振频率、碾压遍数等碾压参数，采集到的数据通过无线网络传输到远程数据库服务器。碾压遍数可以通过对碾压区域(即工作仓)按一定精度栅格化，然后统计栅格被振动压路机机身掠影的次数。
[0071] 连续压实指标Pcc的获取方法：在现场压路机振动轮旁边的框架上和车后胶轮旁驱动后桥下侧安装两个IEPE加速度传感器S1和S2，加速度传感器通过连接TCDT19动态信号测试分析系统实时采集振动信号，通过对间隔一定距离的两个加速度信号求解相位差的方法来获取碾压波速Vs。碾压波速Vs可表示为：
[0072]
[0073] 式中：相位差 是利用互相关函数的两同频正弦信号的互相关函数零时刻值与其相位差的余弦值成正比的原理来获得的，f为碾压机激振频率，x为两个加速度传感器的间隔距离。
[0074] 当振动压路机碾压N遍后，对坝料所做的总的单位体积压实功为:
[0075]
[0076] 式中，E为坝料的单位体积压实功(J/m3)，A为碾轮工作振幅(m)，W为碾轮的径向荷载，F为碾压机的激振力，f为碾压机激振频率(Hz)，B为碾轮宽度(m)，h为碾压厚度(m)，v为碾压机行车速度(m/s)，N为碾压遍数。
[0077] 现场碾压机实际的激振力F可以通过式(5)获得
[0078]
[0079] 式中，Fe、fe根据碾压机的振动状态分别对应高振和低振的额定激振力和激振频率，f为碾压机激振频率。
[0080] S1.2、清洗采集的评价坝料压实质量的原始数据
[0081] 上述现场试验获得的大量原始数据中存在着缺失值、重复值以及异常的数据，会直接影响到数据挖掘建模的执行效率以及模型的精度。针对上述数据中的缺失值和重复值采用删除的方法去除，对于异常数据本专利采用箱线图进行识别，箱线图依据实际数据绘制，可真实客观地表征数据的整体分布，异常值通常被定义为小于QL‑1.5IQR或大于QU+1.5IQR的值。QL称为下四分位数，表示全部观察值中有四分之一的数据比它小；QU称为上四分位数，表示全部观察值中有四分之一的数据比它大；IQR为四分位间距，是上四分位数QU与下四分位数QL之差，其间包含了全部观察值的一半。
[0082] 在对采集的原始数据进行清洗时，将某一因素的所有数据按照大小的顺序排列，其中，QL为下四分位数，这个数的前面占全部数据的75％；QU为上四分位数，这个数的前面占全部数据的25％。
[0083] S2、获取反应坝料压实质量的干密度指标
[0084] 目前，砂砾石坝坝体施工质量检测，主要依据坝体碾压后获得的干密度值与填筑标准相对密度对应的干密度值作比较来判断。具体方法是：挖坑检测干密度；进行试坑砂砾料筛分，确定试坑砂砾料含砾量；根据含砾量确定对应于该含砾量下的施工质量控制干密度。
[0085] 在本发明较佳实施例中，为获取现场碾压结束后坝料的干密度，待现场碾压试验结束后，通过挖试验坑采用灌水法得到碾压层的干密度，将干密度作为压实质量评价的指标。试坑开挖点应选取在试验区块内相对平整的区域，试坑间间距不小于1.5m。试坑体积及密度计算公式如下：
[0086]
[0087] 式中：M2为达到初始水位高度时灌入试坑中水的质量，g；
[0088] M1为初始找平时灌入水的质量，g；
[0089] ρω为水的密度，g/cm3；
[0090] V为试坑的体积，g/cm3；
[0091]
[0092]
[0093] 式中：m为取自试坑内的土料质量，g；
[0094] ρ为试坑的湿密度，g/cm3；
[0095] ω为试坑中土的含水率，％；
[0096] ρd为干密度，g/cm3。
[0097] S3、对评价坝体压实质量的数据进行相关性分析确定最终模型输入输出参数[0098] 干密度作为压实质量主要评价指标受到许多因素的影响，本发明充分考虑料源参数Pms、碾压参数Prp和连续压实指标Pcc对压实质量的影响，其中干密度和连续压实指标Pcc均受到料源参数Pms和碾压参数Prp的影响，同时考虑这些因素的影响会产生部分无关特征的出现，因此需要对各个参数与坝料干密度进行相关性分析。
[0099] 在进行二元变量相关性分析过程中，本发明采用Pearson相关系数R表征两因素相关性的强弱，其计算公式如下：
[0100]
[0101] 其中，相关系数R的取值范围：‑1≤R≤1，
[0102] xi为影响压实质量的某一因素的值，x为该因素所有数据的平均值，yi为实测的干密度值，yi为实测干密度所有数据的平均值。
[0103]
[0104] 0＜|R|＜1表示存在不同程度线性相关：
[0105]
[0106] 图2为各变量数据(x1‑x7为部分模型输入参数)与干密度y相关性的热力图，其中每个小正方形框的数值和灰度表示参数间Pearson相关系数R的大小。当|R|＞0.5时，该变量与干密度之间具有显著相关性，因此本专利选取|R|＞0.5所对应的变量作为最终的模型输入参数，构成模型输入参数集合XE＝{x1,x2,…xi,…,xn}，i＝1,2,…,n，xi为第i个输入参数。
[0107] 将步骤S2挖坑实测得到的干密度作为压实质量评价模型的输出值。
[0108] S4、建立基于深度学习的压实质量评价模型，对压实质量进行评价[0109] 将干密度作为堆石料压实质量主要的评价指标，其中料源参数、碾压参数和连续压实指标对干密度有较大影响，因此，将步骤S3得到的数据集XE作为压实质量评价模型输入值，将步骤S2挖坑实测得到的干密度作为压实质量评价模型的输出值，将总的数据集分为训练集和测试集，采用训练集数据对压实质量评估模型进行训练，然后将测试集数据代入已训练好的模型中进行干密度预测，根据预测结果采用评价指标均方误差MSE和决定系2
数R对压实质量评价模型的优劣进行表征。
[0110] 通过BP神经网络算法建立的压实质量评价模型为：
[0111] ρd＝f(Pms,Prp,Pcc) (10)
[0112]
[0113] 其中，ρd为干密度，g/cm3。
[0114] 如图3所示，在本发明较佳实施例中，采用BP神经网络搭建的基于深度学习的压实质量评价模型共采用四层BP神经网络，输入层的节点分别代表着料源参数、碾压参数和连续压实指标中与干密度相关性较强(即|R|＞0.5)的参数，两个隐藏层的节点数均为10个，输出层有1个节点，学习率η取为0.001，期望误差goal取0.01，最大训练次数epoch取为200次。为了消除因输入参数中不同数据之间的差异对预测模型的影响，采用Minmaxmap函数进行输入数据的归一化处理，归一化原理如下：
[0115]
[0116] 式中：xmax为输入参数的最大值，xmin为输入参数的最小值，x为输入参数，此处ymin取‑1，ymax取1。
[0117] 整个BP神经网络算法的实现一般分为正向传递过程与误差反向传播并调整连接权重的过程，具体的计算流程如图4所示。本发明从现场碾压试验获取的有效的数据集中随机选取90％的样本作为训练集，剩余10％的样本作为测试集，利用训练数据对压实质量评价模型进行训练，并得到最优超参数；再将测试集中的自变量输入到训练好的模型，输出的因变量即为预测坝料的干密度。
[0118] 通过比较预测值和实测值的均方误差(MSE)和决定系数R2对压实质量评价模型的优劣进行表征。
[0119] 所述均方误差(MSE)和决定系数R2函数具体表示为：
[0120]
[0121]
[0122] 式中：yi为干密度的真实值， 为干密度的预测值； 为干密度真实值的平均值；m为时间序列长度。
[0123] 均方误差(MSE)越小越好，该值越接近于0表示模型的预测精度越高；决定系数R2是一个归一化的度量标准，既考虑了预测值和真值的差异，也考虑了问题本身真值间的差异，该值越接近于1表示模型的预测精度越高。
[0124] 压实质量评估模型建立好后，当对某一单元工程进行碾压时，将实时获取到的数据集XE中对应参数输入到压实质量评估模型就可获取当前碾压位置处对应的干密度，当该值大于碾压设计干密度时，即可认为该碾压位置已满足大坝填筑压实标准，已碾压密实；反之，说明该碾压位置不符合标准，没有被碾压密实。
[0125] 本发明可有效地避免传统试坑抽检的片面性及滞后性。
[0126] 最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
