1.基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,包括如下步骤:
采集路面状态数据并依次进行预处理和时空对齐处理,获得路面状态特征;
通过LAMMPS分子动力学模拟生成沥青-集料界面的能量演化轨迹,基于能量演化轨迹计算界面结合能;将界面结合能映射为黏附功,根据黏附功结合Paris公式搭建损伤模型;
将路面状态特征作为物理信息神经网络的输入,获得损伤率和模型修正值;根据模型修正值对损伤模型进行修正获得疲劳损伤模型;
采集预设沥青试件的试验数据,试验数据包括应变值、刚度和荷载循环次数;将试验数据作为双通道深度神经网络中第一通道的输入,获得权重和材料常数;将路面状态特征作为双通道深度神经网络中第二通道的输入,获得对齐后的基准特征;
获取预设尺寸试件的实验数据和动态模量测试数据,并标准化为无量纲参数集,根据无量纲参数集、损伤率和对齐后的基准特征,基于强化学习对疲劳损伤模型中的模型参数进行优化,包括:定义状态空间S:路面状态特征、疲劳损伤模型中的模型参数的初始值、对齐后的基准特征和无量纲参数集;
定义动作空间A:调整疲劳损伤模型中的模型参数;
设计奖励函数:疲劳损伤模型的预测值与实际值之间的误差的倒数;
更新Q值函数:使用Q学习算法学习最优策略,初始化Q值函数为一个表格,表格的行对应不同的环境状态,列对应不同的动作,设置学习率、折扣因子和探索率;在每个时间步,检测当前环境状态,根据探索率,以ε的概率随机选择一个动作,以1-ε的概率选择当前环境状态下Q值最大的动作;执行选择的动作,获得新的环境状态,同时,根据奖励函数计算得到总奖励函数值;根据更新公式对Q值函数进行更新;
重复更新Q值函数直至Q值收敛,获得对应的最佳Q值函数,根据环境状态,使用最佳Q值函数从动作空间中选择最优动作并执行;
通过在线-离线双环控制策略对沥青路面疲劳损伤模型进行全生命周期自进化标定。
2.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述路面状态数据通过在足尺加速加载试验段预埋的多类型传感器阵列,以及车载LiDAR采集获得。
3.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述路面状态数据包括三维应变数据、环境数据、声发射信号和路面三维形变数据,所述获得路面状态特征的方法包括:使用中值滤波消除三维应变数据中的噪声,获得降噪应变序列,并基于卡尔曼滤波对环境数据进行平滑处理,获得平滑环境数据,基于Hilbert变换提取能量累积曲线,基于RANSAC算法根据路面三维形变数据计算表面裂纹长度,采用时空对齐算法对降噪应变序列、平滑环境数据、能量累积曲线和表面裂纹长度进行动态融合,获得路面状态特征。
4.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述通过LAMMPS分子动力学模拟生成沥青-集料界面的能量演化轨迹的方法包括:结合预设的原子类型和力场参数,通过LAMMPS分子动力学模拟构建沥青-集料界面模型,根据路面状态数据获得沥青-集料界面模型的模型参数,根据预设运行步长,获得沥青-集料界面的能量演化轨迹。
5.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述基于能量演化轨迹计算界面结合能的方法包括:从能量演化轨迹中提取平衡态后的能量均值,基于单独沥青体系能量、单独集料体系能量和界面接触面积计算获得界面结合能。
6.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述将界面结合能映射为黏附功的方法包括:根据界面物理化学理论,黏附功与界面结合能在热力学平衡且忽略其他能量耗散时数值相等,直接将计算得到的界面结合能映射为黏附功。
7.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述双通道深度神经网络中第一通道由输入层、卷积层、LSTM层、全连接层和输出层构成,双通道深度神经网络中第二通道由输入层、对比学习模块、特征对齐模块、共享全连接层和输出层构成;其中,第一通道的输出层与第二通道的输入层共同输入至对比学习模块中,对比学习模块通过计算第一通道的输出层输入的特征向量与第二通道的输入层输入的路面状态特征间的相似度,并通过对数运算放大不同特征间相似度的差异,以构建损失函数。
8.根据权利要求1所述的基于AI与数字孪生的沥青路面疲劳损伤模型标定方法,其特征在于,所述通过在线-离线双环控制策略对沥青路面疲劳损伤模型进行全生命周期自进化标定的方法包括:基于扩展卡尔曼滤波实时更新疲劳损伤模型中的模型参数,使用GAN网络生成输入至疲劳损伤模型的虚拟数据,将虚拟数据输入至疲劳损伤模型中进行训练增强。