我校工程机械学院博士生在《Construction and Building Materials》发表学术论文

5月28日，国际知名期刊《Construction and Building Materials》（建筑材料）在线发表了我校工程机械学院博士生李宏伟的学术成果（Bayesian Optimization Based Extreme Gradient Boosting and GPR Time-frequency Features for the Recognition of Moisture Damage in Asphalt Pavement，中文名为基于贝叶斯优化的XGBoost和时频域特征的沥青路面水损坏区域智能识别）。

《Construction and Building Materials》期刊由英国佩加蒙爱思唯尔科学有限公司出版，是建筑工程领域内最具影响力和权威的期刊之一，该刊为中科院一区TOP期刊，IF为7.4。李宏伟为论文第一作者，导师为叶敏教授，工程机械学院张军副教授和叶敏教授为共同通信作者，长安大学为第一署名单位。

水损害区域会在交通载荷和环境因素的耦合作用下加剧发展，最终降低路面使用寿命。由于水损害区域隐蔽性强、难以检测，养护时难以准确根除病害区域，导致病害区域反复爆发，最终增大了处置面积和路面养护成本。因此，迫切需要一种快速、高效、准确的沥青路面水损害识别方法，实现病害区域的精准养护。

针对探地雷达（GPR）数据解译依赖人工经验判断而存在主观性和低效率的问题，该研究提出了结合水损害敏感特征和机器学习算法的水损害自动识别方法。利用正反演及现场实验建立水损害数据集，采用先进的机器学习算法XGBoost和贝叶斯自动寻优方法建了水损害分类识别的高精度模型，为沥青路面的精准养护提供了科学依据。

该研究首先通过正演模拟、室内实验和现场试验对比分析了水损害和正常路面在时频域特征的表现，发现有分类效果但存在重叠现象，如下图所示。

水损害和正常的时频域表现

研究提出了反映水损害的时频域特征，将多源数据集分别归一化后再合成为最终数据集，增强了识别模型的泛化能力。为了提高模型速度及精度，提出组合识别策略，包括特征重要性方法选择最敏感特征，贝叶斯超参数优化后的XGBoost模型，以及高斯权重和尺寸连续的孤立结果过滤法，提高了水损害的识别精度，如下图。

宁波高等级公路养护有限公司龚靖、长安大学材料学院田耀刚教授、西安工业大学赵良研究员、美国蒙特克莱尔州立大学王为田副教授、长安大学工程机械学院硕士生杨晓坤和西安强度所姜文涛为共同作者。

（审稿：范婷  网络编辑：和燕）