(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 202111296359.4 (22)申请日 2021.11.03 (71)申请人 华中科技大 学 地址 430070 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 张德润　许培欣　罗辉　刘帅　 付伟　阮艳彬　周乐木　王佳宇　 (74)专利代理 机构 合肥汇融专利代理有限公司 34141 代理人 张雁 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种基于神经网络和灰关联的长期老化粘 度预测方法 (57)摘要 本发明公开了一种基于神经网络和灰关联 的长期老化粘度预测方法， 涉及道路工程技术领 域， 所述预测方法主要包括 从现有路面长期性能 数据库中提取数据作为输入变量和输出变量、 采 用灰关联分析对输入变量降维简化处理、 划分数 据集并构建神经网络模型、 训练神经网络模型和 评价神经网络模 型训练效果等步骤。 本发明技术 方案无需计算传统老化预测模型中复杂冗长的 模型系数， 即可精准预测沥青路面长期老化粘 度， 为沥青混合料设计和沥青 路面设计提供重要 的依据。 权利要求书2页 说明书7页 附图3页 CN 114065616 A 2022.02.18 CN 114065616 A 1.一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征在于， 所述预测方法 包括以下步骤： (1)从现有路面长期性能数据库中提取影响长期老化粘度的各项参数作为输入变量， 长期老化粘度作为输出变量； (2)采用灰关联分析对输入变量进行降维简化处 理； (3)划分神经网络训练集、 验证集和测试集， 并构建包括输入层、 隐含层和输出层的神 经网络模型； (4)调整隐含层个数M、 网络节点数目N， 并训练神经网络模型； (5)选择多项指标评价， 基于各项指标的判别标准， 确定最终的长期老化粘度神经网络 模型。 2.根据权利要求1所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特 征在于： 所述步骤(1)中输入变量包括流变活化能、 沥青初始粘度、 沥青 短期老化粘度、 沥青 混合料主骨架涂层厚度、 空隙率、 矿料间隙率、 沥青饱和度、 老化时间、 恒速活化能/快速活 化能、 恒速反应常数、 快速反应常数和老化温度。 3.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征 在于， 所述 步骤(2)中的灰关联分析包括以下步骤： ①确定参考数列X0(k)， 即长期老化粘度， X0(k)＝{X0(1)， X0(2)， .......X0(m)}； ②确定分析 数列Xi(k)， 即影响长期老化粘度的各项参数， i ＝1， 2， n， ③参考数列X0(k)无量纲化： ④分析数列Xi(k)无量纲化： ⑤计算灰关联系数： ⑥计算最终的灰关联度： 根据各项参数的灰关联度大小 进行排序， 实现输入变量的降维简化处 理。 4.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征 在于， 所述步骤(3)中训练集、 验证集和测试集分别占整个数据集的50 ‑70％， 15‑25％和15 ‑ 25％。 5.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征 在于， 所述步骤(3)中神经网络模 型的构建为先对输入和输出变量归一化处理， 然后确定传权　利　要　求　书 1/2 页 2 CN 114065616 A 2递函数为pure  linear函数和l og‑sigmoid函数， 最后选择learngdm作为学习函数。 6.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征 在于， 所述 步骤(4)中通过Levenberg ‑Marquardt反向传播 算法进行训练神经网络模型。 7.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征 在于， 所述步骤(5)中的各项指标为： 均方误差(MSE)、 回归值(R值)、 标准误(Sy)、 估计标准 误差(Se)和决定系数(R2)。 8.根据权利要7所述的一种基于神经网络和灰关联的长期老化粘度预测方法， 其特征 在于： 所述各项指标的表达式如下 所示： 其中： MSE——均方误差； R值——回归值； Sy——标准误； Se——估计标准误差； R2—— 决定系数； 在式中MS E趋向于0， Se/Sy＜0.35， 时， 认为神经网络模 型训练良好， 所述的训练良好的神经网络模型即可用于预测沥青路面长期老化粘度。权　利　要　求　书 2/2 页 3 CN 114065616 A 3