.png){kind=icon}
返回
Pavement Cracking Prediction Models Based on Deep Learning Physics-Informed Neural Network
.png){kind=icon}
PRE
AI
DOI：10.1177/03611981251372087.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了物理信息神经网络（PINNs）在预测路面老化方面的应用，具体针对沥青混凝土路面轮迹带开裂问题，利用了联邦公路管理局长期路面性能（LTPP）数据库。PINNs通过将物理规则直接整合到模型架构中进行预测，试图解决传统深度学习模型的黑箱特性。本研究采用了LTPP计划中的全面路面数据，重点关注施工质量、交通荷载、环境因素以及与结构相关的维护变化等因素。主要发现总结如下，包括PINN模型在预测精度和泛化能力上的提升。与常规人工神经网络（ANN）的结果相比，强制执行路面年龄与开裂之间的预期正相关也提高了预测精度。具体而言，第五个模型应用了与ESAL的正相关，与层数负相关，在测试数据集上实现了最高的R²值和最低的平均绝对误差。结果表明，将工程知识纳入路面性能模型具有重要意义，特别是ESAL、路面年龄、层结构和降水等特征。将这些特定领域特征纳入PINN模型，使得沥青混凝土路面轮迹带开裂的预测更加准确和稳健。
Keyword:
physics-informed neural networks (PINNs)
pavement deterioration
machine learning
deep learning
artificial intelligence
asset management
期刊
T
IF:
1.8
论文数:
876
被引数:
3.4W
机构
引用论文
A Bayesian Approach towards Modelling the Interrelationships of Pavement Deterioration Factors.png)
BUILDINGS
OAAI
BUILDINGSIF3.1
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Pavement distress detection using convolutional neural networks with images captured via UAV使用卷积神经网络和通过无人机捕获的图像进行路面破损检测
PREAI
分享收藏Artificial neural network modelling to predict international roughness index of rigid pavements
PREAI
分享收藏Estimation of Resilient Modulus of Subgrade Soils for Design of Pavement Structures路面结构设计中路基土回弹模量的估算
PREAI
分享收藏
查看更多内容