红外快速检测技术在国道242项目中的应用研究

时间：2024-09-20

张勇，王振华，赵蔚2

（1.鄂尔多斯市交通运输工程质量监测鉴定服务中心，内蒙古鄂尔多斯 017000；2.交通运输部科学研究院，北京 100029）

0 引言

国道242项目起点位于鄂尔多斯市杭锦旗与鄂托克交界处的公其日嘎北，与国道242线临河黄河大桥至公其日嘎段公路顺接，终点位于乌兰镇东绕城公路与国道338交叉处。项目路线全长93.752 km，其中完全利用路段12.187 km，实际建设里程长度81.565 km，路线总体走向由北向南。本项目采用双向两车道二级公路标准，设计速度80 km/h，路基宽度12 m，路面宽10.5 m，全部采用沥青混凝土路面。

对于本项目的到场沥青，采用传统检测方法与红外快速检测相结合的方式，逐车进行入库前检测，检测合格后方可入库。

1 测试原理与测试设备

1.1 测试原理

沥青的化学组成及内部分子结构是影响沥青性能的关键[1]，因此，对沥青的化学组成及内部分子结构的表征可以影响沥青的宏观性能指标[2-3]。

红外光谱是沥青等有机化合物最有效的表征手段[4-5]。采用衰减全反射红外光谱技术对不同车辆运输的沥青样品进行光谱采集，采用S-G导数法预处理方法对光谱进行预处理消除或减弱环境、仪器等噪声的影响；再采用PCA主成分分析法进行异常样品剔除和数据优化，采用留一法建库，最后采用数据挖掘方法建立光谱与性质值之间的回归曲线，依据最佳的预测效果选择最佳波长变量，将正确的光谱数据和性质数据留在库中，建立不同车次沥青三大指标快速预测定标数据库，只需不超过30个样本即可建立软化点、针入度和延度的定标模型，用于之后到场沥青车中未知沥青样本检测，仅需5 min即可给出三大指标检测结果。

1.2 测试设备

傅立叶变换红外光谱仪，光谱范围包含650 cm-1～4 000 cm-1，分辨率不小于4 cm-1，光谱测量方式为衰减全反射（ATR），内部扫描次数为32次；装样次数为3次。

1.3 光谱处理方法

（1）Savitzky-Gola（S-G）一阶导数预处理方法[6]

S-G卷积求导法可以在求导的同时降低噪音水平，是目前最常用的求导方法。该方法通过移动窗口的方式，对每一个窗口中的数据点及其相邻点进行多项式最小二乘拟合，对拟合后的多项式进行求导得到每个窗口中心点的导数。求导窗口应该合理选择，避免信息丢失和信噪比降低。本次采用S-G一阶导数，窗口宽度为5，拟合次数为2，求导次数为1。

（2）异常样品筛查

使用所有沥青样本光谱（每条光谱是一矢量）构成一个光谱矩阵。通过主成分分析[6]（Principal Component Analysis，PCA）处理该矩阵数据。沥青是多种成分组成的混合物，沥青样品的光谱是其各成分光谱的线性组合（即各成分浓度与光谱的乘积的加和）。通过PCA对光谱矩阵数据处理，得到一系列的虚拟成分光谱（称之为主成分光谱）以及对应的虚拟成分浓度（称之为得分）。其中，第一主成分光谱所含信息量最大，第二主成分光谱次之，以此类推。光谱矩阵中的任意一张光谱均可以使用这些主成分光谱的线性组合表达出来（即主成分光谱与得分乘积的加和）。使用PCA对不同沥青样品光谱数据进行处理，使用第一主成分PC1对第二主成分PC2的得分值作图，如图1（a）所示；同理，前三个主成分得分值作图，如图1（b）所示。这样可将每个沥青光谱分别投射至二维主成分光谱空间、三维主成分光谱空间等多维主成分空间里。不同的沥青样本在组成上有所不同，其光谱也不同，进而，获得的主成分光谱得分值也不同，使得它们在主成分光谱空间里的位置分布也不同。物以类聚，同类样本在主成分光谱空间的分布具有聚类特征。远离聚类区域的样本，称之为异常样品，其可能原因包括：①光谱采集误差造成的；②光谱没有问题，与其他样本相比，在组成上有明显差别，即不是一类样品。对于异常样本，需重新采集光谱数据，以二次判别是否与其他样本为一类样品，如果不是一类，则剔除该样本。

图1 （a）前两个主成分的二维光谱空间Fig.1 （a） Two-dimensional spectral space of the first two principal components

图1 （b）前三个主成分的三维光谱空间Fig.1（b） Three-dimensional spectral space of the first three principal components

1.4 模型建立方法

使用偏最小二乘法[6]（Partial Least Squares，PLS）将沥青样品的光谱数据和对应的软化点数据进行关联，建立基于光谱预测软化点的函数（也称PLS模型）。其原理如下：

光谱定量分析的理论是Lanmbert-Beer定律，A=αlc，其中α为吸光系数（常数）、l为光程（常数）、c为吸光组分在样品中的浓度，即吸光度A与被测样品的结构与组成有线性关系，样品的结构与组成又直接决定样品的性质，因此，吸光度A与被测样品的性质（软化点）之间呈线性关系。由于沥青样品成分复杂，各种成分的光谱对软化点贡献不一样，且在光谱上高度重叠，因此，Lanmbert-Beer定律不能直接应用于沥青样品（混合物）光谱去关联软化点数据，需要对沥青光谱中各成分光谱进行分离，在这里使用了PCA方法，将沥青光谱分解为主成分光谱，再使用多个主成分光谱的得分值（该得分值为一个矩阵）与其软化点数据进行多元线性回归，建立一个基于主成分得分的线性回归方程（一般采用Matlab软件进行数据处理和回归方程的建立），即模型。预测时，首先通过PCA求出沥青光谱的各主成分光谱的得分值，将这些得分值导入模型，即可计算出软化点的值。

采用留一法建库，留一法是机器学习中对学习器进行评估的一种方法，属于交叉验证法（Cross Validation）的一个特例。假设有N个样本，将每一个样本作为测试样本，其他N-1个样本作为训练样本。这样得到N个分类器，N个测试结果。用这N个结果的平均值来衡量模型的性能。留一法使用的训练集与初始数据集相比只少了一个样本，这就使得在绝大多数情况下，留一法中被实际评估的模型与期望评估的用D训练出的模型很相似。因此，留一法的评估结果往往被认为比较准确。

2 项目实施方案

2.1 项目概况

国道242项目面层采用6 cm AC-16C中粒式沥青混凝土面层，全部选用90号基质沥青，全线沥青用量约7 700吨。

2.2 项目实施方案

收集242项目上的30个90号A级沥青样本，对其针入度、软化点、延度等性质进行检测。检测结果如表1所示：

表1 沥青检测结果Tab.1 Test results of asphalt

用红外光谱仪对收集到的样本进行光谱采集。每个样本测量3张光谱（平均次数：32，分辨率：4 cm-1，增益222）为样品光谱，所有沥青样本的近红外光谱图，如图2所示。

图2 沥青样本红外光谱图Fig.2 Sample infrared spectrum of asphalt

采用PCA统计分析方法，对30个红外样本进行异常样品剔除。使用PCA对30个沥青样本光谱数据进行处理，使用第二主成分PC2对第一主成分PC1的得分值作图，如图3（a）所示；同理，前三个主成分得分值作图，如图3（b）所示。

图3 （a） 90号基质沥青前两个主成分的二维光谱空间Fig.3（a） Two-dimensional spectral space of the first two principal components of No.90 base asphalt

图3 （b）前三个主成分的三维光谱空间Fig.3 （b） Three-dimensional spectral space of the first three principal components

在图3中，样本10、样本15（方形点）落在圈外，为异常样本，对异常样本重新进行红外光谱扫描，进行PCA处理，重新绘制30个样本的主成分多维光谱空间图。重新作图后发现异常样本10、样本15全部落在圈内，说明30个样本全部为一类样品，30个样本可以全部入库。

针对沥青的软化点性质：采用S-G导数对30个样本的红外光谱进行预处理，窗口宽度为5，拟合次数为2，求导次数为1，处理后的结果见图4。

图4 沥青—S-G一阶导数光谱图Fig.4 Asphalt-S-G First Derivative Spectra

针对沥青的25℃针入度和10℃延度：不采用预处理方法。选择波段1 291～1 638 cm-1和2 747～3 085 cm-1用于建立模型。

本次研究，因为样品来源单一，且JTG E20中对沥青软化点、针入度和延度3个性能均有再现性偏差要求，建模时不必按照统计学的要求收集不小于100个样品，通过可靠性分析来确定预测效果，只要预测的结果与实测的检测结果符合再现性偏差的要求，就可以确定模型的可靠性。

分别用10、15、20、25、30个样本进行建库及性能预测，根据JTG E20中再现性偏差要求，对模型的预测效果进行评价，并判断合理的建库样本数量。

3 结果与分析

3.1 针入度测试结果与分析

采用留一法分别进行10、15、20、25、30个样本的建库，采用PLS方法将PCA处理后的得分值与针入度性能进行建模和预测，模型的相关系数图见图5（a）～（e），预测结果见表2。

图5 光谱与针入度的相关系数图Fig.5 Correlation coefficient diagram between spectrum and penetration

表2 沥青样本针入度预测结果Tab.2 Prediction results of sample penetration of asphalt

由表2可以看出，当选取25和15个样本进行建模预测时，均有两个样本的预测值超出了JTG E20中规定的再现性偏差要求；当选取30、20、10个样本进行建模预测时，均有一个样本的预测值超出了再现性偏差要求。该预测结果说明，当样本数量远小于统计分析所需的样本数量时，随着样本数量的增加，模型预测的准确性没有明显变化，因此对于单一来源的沥青样品，采用10个样本数量进行建模，即可满足要求。

3.2 软化点测试结果与分析

采用留一法分别进行10、15、20、25、30个样本的建库，采用PLS方法将PCA处理后的得分值与软化点性能进行建模和预测，模型的相关系数图见图6（a）～（e），预测结果见表3。

表3 沥青样本软化点预测结果Tab.3 Prediction results of softening point of asphalt sample

图6 光谱与软化点的相关系数图Fig.6 Correlation coefficient diagram with softening point of spectrum

由表3可以看出，当选取30、25、20、15、10个样本分别进行建模预测时，预测值均满足JTG E20中规定的再现性偏差要求。该预测结果说明，对于单一来源的沥青样品，采用10个样本数量进行建模，即可满足要求。

3.3 延度测试结果与分析

采用留一法分别进行10、15、20、25、30个样本的建库，采用PLS方法将PCA处理后的得分值与延度性能进行建模和预测，模型的相关系数图见图7（a）～（e），预测结果见表4。

表4 沥青样本延度预测结果Tab.4 Prediction results of asphalt sample ductility

图7 光谱与延度的相关系数图Fig.7 Correlation coefficient diagram with spectral ductility

由表4可以看出，当选取15个样本进行建模预测时，有三个样本的预测值超出了JTG E20中规定的再现性偏差要求；当选取30和20个样本进行建模预测时，均有两个样本的预测值超出了再现性偏差要求；当选取25和10个样本进行建模预测时，均有一个样本的预测值超出了再现性偏差要求。该预测结果说明，对于单一来源的沥青样品，采用10个样本数量进行建模，即可满足要求。