Page 18 - 2023年第54卷第10期

的影响因素，如表 １所示。
表 １ 碾压机施工效率影响因素

因素编号 因素名称 说明
车辆类型 不同类型的车辆对应不同碾轮宽度、搭接宽度、吨位
ＩＦ １
振动状态 包括静碾、低振、高振三种状态
ＩＦ ２
碾压分区 不同分区的料源类型不同，碾压遍数也不同
ＩＦ ３
仓块面积 代表仓面尺寸信息，影响碾压机数量、碾压轨迹及错距等碾压活动，进一步影响时间利用系数
ＩＦ ４
碾压厚度 摊铺厚度对碾压速度和碾压轨迹都有影响
ＩＦ ５
温度 坝区温度影响仓面料性质，进而影响碾压机行进速度
ＩＦ ６
降雨量 雨量大小直接影响碾压效率，甚至停工
ＩＦ ７
风向 影响碾压机行进轨迹和速度
ＩＦ ８
风速 影响碾压机行进轨迹和速度
ＩＦ ９
大气湿度 影响仓面料性质，进而影响碾压机行进轨迹和速度
ＩＦ １０
太阳辐射量 即光照强度，比如白天或夜晚，影响驾驶员视线，进一步影响碾压机行进轨迹和速度
ＩＦ １１

４ 迁移学习框架下高心墙堆石坝施工仿真参数 ＩＧＯＡ － ＭＬＰ预测模型

针对碾压机械施工效率在诸多因素影响下呈现出动态非线性和局部波动性等特征，以及历史工况
的数据难以完全反映下一个工况碾压机械效率实际情况的特点，本文采用迁移学习融合改进多层感知
机的建模新思路，构建了迁移学习框架下的高心墙堆石坝施工仿真参数 ＩＧＯＡ － ＭＬＰ动态预测模型。首
先将天气状态、设备类型等多种因素作为 ＭＬＰ模型的输入，建立因素与碾压机械效率间的定量映射
关系，其中，利用 ＩＧＯＡ优化算法对 ＭＬＰ的超参数进行自动寻优，进一步提高模型的运算效率和预测
精度。并采用迁移学习构建源域和目标域，实现不同高程间碾压机械效率的迁移。
４．１ 改进蝗虫算法优化的多层感知机模型（ＩＧＯＡ － ＭＬＰ） 多层感知机（Ｍｕｌｔｉ － ｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ，ＭＬＰ）
是鲁棒性极强的一种网络模型，包含一个输入层，多个隐含层，和一个输出层，隐含层包含的多层神
经元可以及大地增强模型输入与输出间的复杂映射能力 ［２３］ 。现有研究表明，对于复杂映射问题，需要
至少两个及以上的隐藏层 ［２４］ 。隐藏层中各节点的输出值可表示为：
ｍ
ｒ
ｒ ∈ ｛１，２，…，ｊ｝，ｈ ＝φ （ ∑ Ｗ Ｉ＋β ｒ ） （２）
ｒ
ｉ ｉ
ｉ ＝１
ｒ
式中：Ｉ为输入向量，在本文中指第 ｉ组碾压设备施工效率影响因素样本数据；Ｗ 为输入向量和神经
ｉ
ｉ
为第 ｒ个神经元的偏差
元 ｒ之间的连接权重；ｍ为输入样本的数量；ｊ为隐藏层中神经元的个数；β ｒ
项；φ为激活 函 数，用 来实 现神经 元输入 和输 出间的非 线 性 映射，包 括 Ｓｉｇｍｉｏｄ函 数、ＲｅＬＵ函数、
Ｔａｎｈ函数等，本研究采用 Ｓｉｇｍｉｏｄ函数，表示如下：
１
φ （ｘ） ＝ （３）
１ ＋ ｅ － ｘ
ＭＬＰ包括训练和推理两个阶段，网络结构如图 ２所示，其中 ｘ表示影响因素，ｙ为预测值。通过
神经网络对训练样本进行拟合，确定连接权重和偏差项的值，之后在推理阶段，训练好的 ＭＬＰ模型
根据输入的影响因素样本由输出层输出碾压设备施工效率预测结果，再通过输出值与标签样本来构建
损失函数，通过反向传播的梯度下降算法在连续迭代中修改权重和偏差，使预测值和真实值更接近。
反向传播过程需要对 Ｓｉｇｍｏｉｄ函数求导，即：
ｄ
σ （ｘ） ＝ σ （ｘ）（１ － σ （ｘ）） （４）
ｄ ｘ
５
— １ １ ４ —