Zurück Vor

Detailergebnis zu DOK-Nr. 63514

Normalisierungsmethoden bei Neuronalen Netzen zur Vorhersage von Schichtmoduln (Orig. engl.: Normalisation methods on neural networks for predicting pavement layer moduli)

Autoren	D. Kim J.-M. Kim S.-H. Mun
Sachgebiete	11.1 Berechnung, Dimensionierung, Lebensdauer

Road & Transport Research 19 (2010) Nr. 3, S. 38-46, 2 B, 2 T, zahlr. Q

Künstliche Neuronale Netze (Artificial Neural Networks, ANNs) werden auch zur Bestimmung der Fahrbahnparameter unter Verwendung von Messergebnissen des Falling Weight Deflectometers eingesetzt. Hier wird gezeigt, dass das vorgestellte Modell eines künstlichen Neuronalen Netzes bei der Rückrechnung zur Bestimmung von Schichtmoduln in Bezug auf Rechengeschwindigkeit und Vorhersagegenauigkeit Vorteile gegenüber der herkömmlichen linear-elastischen Mehrschichtentheorie hat. Um eine erfolgreiche Vorhersage zu erreichen, müssen die Netzwerkarchitektur, Lernparameter und Normalisierungsmethoden für die Eingabevektoren abgestimmt sein. Hier werden fünf Normalisierungsmethoden für Eingabevektoren vorgestellt und bei einem 3-Schichtenmodell untersucht. Die 12 800 Datensätze werden zur Hälfte zum Training und zur Hälfte zum Testen verwendet. Eingabewerte sind von den sieben Deflexionssensoren die Höchsteinsenkung und die Fourier-Amplitude der Nullfrequenz, sowie der Zeitversatz zwischen Sensor 1 und 7 und die Höchstfrequenz. Ausgabewert ist der E-Modul der Asphaltschichten. Die experimentellen Ergebnisse ergeben, dass die Leistung des Neuronalen Netzes stark von der Normalisierungsmethode abhängt. Die geeignetste Methode wird ermittelt, um die beste Vorhersageleistung und im Lernprozess die geringste Rechenzeit zu erhalten.