0 引言

在公路桥梁工程建设中，随着公路数字化转型及公路智能建造技术的发展，传统侧重于成品梁片质量评价方式已不能满足打造公路精品桥梁工程要求，在物联网、大数据、人工智能等新一代信息技术发展日趋成熟的时代，如何通过数据挖掘分析及机器学习技术建立更加科学、有效且精准的梁片预制过程质量评价模型，以实现梁片预制关键工序的精准控制及成品梁片的精准抽检是需要解决的重要问题，虽然有文献对梁片过程质量评价与信息化应用有些研究^[1-5]，但尚未有发现采用机器学习方式来对梁片预制过程质量进行科学评价与研究。因此，该研究对促进梁片预制质量提升具有重要价值。

在桥梁建造机器学习应用与梁片预制过程管控研究方面。蔡锦程等^[1]提出一种基于机器学习的砂浆流变特性预测方法，主要针对桥梁灌注桩的砂浆流变性与混合料配合比及胶凝材料混合时间等进行机器学习建模，采用了支持向量回归、K-邻近回归和随机森林回归3种机器学习算法, 对砂浆的流动性能进行预测与评价分析；王辉麟等^[2]提出一种基于BIM技术的智能高铁预制梁场管理的应用方法，构建了基于BIM技术的智能高铁预制梁场管理平台，并对未来梁片预制过程质量智能化控制进行了展望；杨璐^[3]为解决桥梁工程建设过程中的T梁预制和架设施工质量控制问题，结合以往工程施工经验，提出了T梁预制和架设过程中的施工质量控制要点；向洪等^[4]对公路梁场混凝土质量采集监测进行研究，针对混凝土原材料骨料生产和混凝土浇注阶段缺乏监测，提出利用新技术对原材料骨料粒径和砂石含水率进行在线监测的新方法；罗如意等^[5]对高速公路智慧梁场全生命周期生产进行了研究，将信息技术应用于预制梁钢筋绵扎、混凝土浇注、蒸汽养护等全生命周期工序过程，实现了梁段生产的“智慧化监控”和“数字化存档”。

在桥梁梁片成品质量检测技术方面，梁片检测技术逐渐从人工检测向智能化和自动化检测转变，主要有超声波检测技术、光纤传感检测技术、频谱分析检测技术、图像无损检测技术等^[6]。超声波检测技术是一种先进的无损检测技术，该技术优点在于操作简单、反馈迅速，缺点在于桥梁梁片内部若有水、空气等，会对超声波传播产生影响，从而导致检测结果出现较大偏差^[7-9]。光纤传感检测技术是将一些物理量如钢索应力，预应力混凝土梁的内部应力和应变转变成光信号，通过对光信号的测量即可完成桥梁梁片检测^[10-13]。该技术具有灵敏性高、柔韧性强、动态响应范围大、可移植性等特征优势，但是它使用成本高，且光纤技术不完善，不能达到理想的检测结果。频谱分析检测技术是通过分析特定频率的波来确定其传播介质特性的技术瑞雷波分析是广泛采用的频谱分析技术，它相对于人工敲击法，具有更高的效率和准确性^[14-18]，但该分析方法对环境噪声、温度、湿度较为敏感，且成本较高，目前实用性不高。图像无损检测技术主要采用激光全息图像摄影技术^[19-21]，实时采集的图像数据进行数字信号处理和图像分析，得出桥梁的状态信息。该技术具有精度高、检测全面以及直观性强等特点，该方法操作简单，无辐射、可以快速大面积检测，但缺点是主要侧重于对外观的检测。

在桥梁梁片检测技术规范标准方面。美国《美国州际公路与运输官员协会桥梁评估手册》 (AASHTOMBE-3-I2: 2020)主要从成品梁片的几何参数、材料参数、表面状况和荷载承载能力等方面提出指标要求，如梁片的宽度、长度、厚度、截面形状、混凝土强度、平整度、表面缺陷、设计荷载等。中国公路桥梁梁片质量评价标准主要依据交通运输部《公路工程质量检验评定标准》(JTG F80/1—2017)文件执行，该标准侧重对预制梁片的成品质量合格检测方面的要求，主要包括对成品预制梁片的混凝土强度、梁长度、断面尺寸、平整度、横坡等提出指标要求。从目前国内、外相关梁片质量检测标准来看，主要是侧重对成品梁片自身的评判，尚未对梁片预制过程控制质量评价提出具体方法及要求。

1 梁片预制过程质量评价研究基础

为提升高速公路梁场生产质量与效率，福建省高速公路近年来持续进行了智慧梁场建设探索，并借鉴国内、外有关智慧梁场建设经验，于2022年下半年开始率先在宁德高速在建设路段落地试点智慧梁场建设。该智慧梁场主要由智慧梁场综合管控系统以及梁片钢筋数控加工、钢筋笼自动化绑扎、混凝土智能拌和、自动化浇注振捣、智能开合模、智能蒸养、智能张拉压浆、自动存梁、自动化检测等几大部分组成。自2023年2月份投产以来，截止2024年4月底，已累计生产预制1 049片梁，通过智慧梁场建设及各工序智能化管控，梁场生产效率、质量、安全等方面有了显著提升。

目前，该梁场预制成品梁的采集数据已涵盖了物料数据、钢筋试验数据、混凝土试块检测数据、混凝土拌和数据、浇注振捣数据、蒸养数据、智能张拉数据、智能检测数据等，基本涵盖了预制成品梁的全过程生产数据，为梁片预制过程质量评价分析与应用奠定了良好基础。

2 一种新的梁片预制过程质量评价方法

如上引言相关文献所阐述的检测方法或指标主要侧重成品梁片的质量检测与评价，尚难以完整反映梁片的质量情况，特别对于梁片预制工艺过程的质量偏差控制尚没有提出具体的质量评价方法及要求。因此，基于福建高速智慧梁场系统所采集的数据基础，本研究提出建立一种新的基于机器学习的梁片过程质量评价方法，通过分析梁片预制过程控制的偏差对成品梁片的质量影响情况，并对梁片预制过程关键工序偏差控制分析，目的是实现梁片预制均质化提升，提高梁片预制良品率。

根据六西格玛(Six Sigma)生产过程质量控制理论，各工序质量高低反映在工序的成果，工序质量高反应成果好，良品率高。在梁场生产预制中，梁片预制是由原材料、钢筋加工绑扎、混凝土拌和、浇注振捣、蒸养、张拉、压浆等各个工序加工生产而形成，所以各工序的质量控制情况决定最终成品梁的质量。基于该理论，梁片过程质量评价方法流程见图 1。

首先，关键工序过程质量数据采集。结合智慧梁场所采集原材料、钢筋加工绑扎、混凝土拌和、混凝土试块、浇注振捣、蒸养、张拉、压浆等各环节过程质量控制数据以及混凝土试块、梁片成品质量检测数据等，分析每个关键工序环节所采集的各项质量指标情况，并进行数据降噪与归一化处理。

第二，建立质量相关性分析模型。包括建立混凝土试块强度、钢筋保护层厚度、钢筋间距等质量相关性分析模型。以混凝土试块强度分析为例，建立混凝土试块强度与混凝土原材料、混凝土拌和配合比、混凝土拌和时长、梁片蒸养等过程相关性分析模型，通过相关性分析，找出关联性由强至弱的因子，并选取相关因子比较大的几个数据指标进行机器学习训练。

第三，建立过程质量评价模型。以混凝土试块强度为例，选取支持多因子机器学习算法模型，进行机器学习训练，建立混凝土强度过程质量评价模型，并将所生成的模型及结合测试样本数据进行预测，将样本预测的质量结果与实测质量指标结果进行趋同性及差异化分析，以此进行机器学习算法模型及参数调优，直至所建立的模型预测结果与实测质量结果实现最大化趋同(最小均方根误差)，进而完成对混凝土强度过程质量评价模型有效建模，并以此模型进行梁片预制生产过程控制与质量评价。

完整的梁片成品质量评指标价包括钢筋试验(屈服强度、伸长率)、混凝土试验强度、混凝土拌和、钢筋笼制作尺寸、浇注、蒸养、张拉、回弹强度、保护层厚度、钢筋间距、结构尺寸等内容。由于混凝土试块强度是梁片质量评价的核心评价指标，而混凝土试块强度与混凝土拌和、梁片蒸养等环节控制密切相关，受篇幅所限，以下重点以梁片混凝土强度质量评价模型建模为例进行模型构建方法阐述。其他指标评价，如钢筋绑扎、结构尺寸等，亦可参照此方法。

3 过程质量数据采集与处理

梁片混凝土强度质量评价模型建模所采集的数据包括混凝土拌和数据、梁片蒸养数据、混凝土试块等数据^[22]。其中，混凝土拌和数据主要采集砂、骨料、水泥、粉煤灰、水等指标，数据来源于混凝土拌和站；梁片蒸养数据主要采集温度、湿度、温控时间等指标，数据来源于蒸养室；混凝土试块数据主要采集试块强度、试验温度、试验湿度等指标，数据来源于工地实验室。在混凝土强度质量评价模型建模中，将每片梁赋予唯一的梁片编号，实现指定梁片混凝土拌和、梁片蒸养、混凝土试块等数据关联，为数据相关性分析奠定基础，本机器学习合计采集了205片预制梁样本数据。智慧梁场数据管控系统总体架构如图 2所示。

在数据处理及降噪方面，主要采用数据归一化处理、过滤异常值及离群数据等方法^[23]。主要步骤为：一是通过数据归一化处理，实现各特征值数据标准化；二是通过散点图分析及离差，过滤掉异常值及离群数据，让数据符合业务逻辑和预期范围。数据归一化处理前后样例数据变化见表 1、表 2。

其中，表 1、表 2的混凝土强度单位为MPa，表 1偏离率标准值为1，小于1为负偏离，大于1为正偏离。表 2数据是表 1经过归一化处理后的数据，采用最小-最大归一化处理法，将数据缩放到[0, 1]区间，见式(1)，其中，x′为每参数列归一化处理后的值，max (x)、min (x)为找出该参数列的最大值、最小值。

(1)

4 梁片质量相关性分析方法

在该梁场预制生产中，混凝土拌和主要按照实验室提供配合比指标进行配比下料，对于各原材料配合偏差对混凝土强度影响程度尚未得知，这也导致现场人员无法对混凝土拌和下料关键指标进行精准控制。因此，需要对混凝土各项原材料配合比偏差与混凝土强度进行相关性分析，以找出各原材料配合偏差对混凝土强度的关键影响指标，进而有针对性的实现原材料配合比精准把控。

目前主流的相关性分析主要有皮尔逊(Pearson)、Spearman相关系数、CovGc相关性及距离相关性等方法^[24]。鉴于皮尔逊相关系数可用于度量两个及多个连续变量之间的线性相关性，比较符合梁片混凝土配合比与强度相关性分析要求。因此，本研究采用皮尔逊相关系数进行梁片混凝土强度相关性分析。

梁片混凝土拌和主要用料包括砂、骨料(4.75~9.5)、骨料(9.5~19)、水泥、粉煤灰、添加剂、水等7种成分组成，以下分别以AR1-AR7表示种类代号，STH表示混凝土强度。AR1-AR7(自变量)与STH (因变量)。在本研究中，皮尔逊相关系数数学公式算法如下。

首先计算预制梁片n个样本的自变量(x)、因变量(y)的标准差σ_x，σ_y，见式(2)。

(2)

式中，σ为预制梁片n个样本的标准差; n为预制梁片样本总数; x_i为自变量的值; x为自变量x的平均值。

然后，计算预制梁片样本自变量x_i的离差，即x_i=x_i-x，因变量y_i的离差，即y_i=y_i-y，通过如下公式计算出自变量与因变量的相关性系数值R，R值在区间[- 1, 1]内，- 1≤R＜0表示负相关，0＜R≤1表示正相关，越趋近于1或- 1表示相关性越强，见式(3)。

(3)

式中，R为皮尔逊相关系数；x_i，y_i为离差。

通过所采集智慧梁场梁片样本数据，结合皮尔逊算法相关性分析算法，生成如下散点图及相关性分析图(图 3、图 4)。其中，图 3横坐标、纵坐标AR1~AR7均为混凝土拌和各下料成分控制偏差值归一化处理数据，STH为混凝土试块强度，图 4横坐标、纵坐标为AR1-AR7及STH，矩阵方格为所计算的皮尔逊相关系数R值。

如图 3散点分析图最后一行可以初步看出混凝土强度与AR4，AR6，AR7为正相关，与AR1，AR5为负相关。如图 4矩阵图最后一行的相关系数R值所示，混凝土强度(STH)与AR1-AR7关联度由强至弱分别为AR4(水泥)、AR1(砂)、AR6(添加剂)、AR7(水)、AR5(粉煤灰)、AR3(骨料9.5~19 mm)、AR2(骨料4.75~9.5 mm)。说明混凝土强度与AR4(水泥)、AR1(砂)、AR7(水)、AR6(添加剂)、AR5(粉煤灰)偏差值相关性较大，其中，混凝土强度与AR4(水泥)、AR6(添加剂)、AR7(水)为正相关，与AR1(砂)、AR5(粉煤灰)负相关。混凝土强度与AR2(骨料4.75~9.5 mm)、AR3(骨料9.5~19 mm)关联度明显较小，可以解释为因骨料颗粒度较大，水泥与骨料黏合度较低，对混凝土强度影响不大。

通过以上分析可以得出一个结论，即在混凝土拌和下料时，要重点关注水泥、砂、水、添加剂、粉煤灰的下料指标偏差控制，以免影响混凝土强度指标；另一方面，由于砂和粉煤灰属于负相关，在下料中应尽量不高于试验理论配合比来控制。此外，在梁片质量智能评价模型建模过程中对相关性明显较弱的AR2，AR3自变量因素予以剔除，实现特征值降维分析建模，提高建模精准度。

5 梁片过程质量评价模型构建比较与评估

目前主流的回归模型构建算法有线性回归、Lasso回归、决策树回归、随机森林回归、支持向量回归、XGBoost回归(极端梯度提升)等算法^[25]，在本研究中，根据样本数据偏重于线性及多自变量因子变化的特点，选取了适合该特点的线性回归、决策树回归、XGBoost机器学习算法进行比较。主要基于Python开发工具，通过相关机器学习算法训练及其参数调优，生成相应的回归预测模型。在机器学习训练与评估中，为合理评价各机器学习算法的适用性与模型评价准确度，统一将训练样本与测试样本按照8∶2比例进行训练建模与模型测试评估。

在质量评价模型准确度评估方面，目前常用的评估方法主要由均方误差、均方根误差、平均绝对误差、平均绝对百分比误差率、R²、准确率等方法^[26]，鉴于均方根误差(Root Mean Squared Error，简称RMSE)值与原始数据目标值单位相同，且对较大的预测误差给予更大的惩罚，符合本研究实际误差评价的实际需求。因此在本研究中，使用RMSE指标来寻找最小RMSE所对应的模型作为梁片质量评价的最优模型，RMSE采用式(4)。

(4)

式中, x_i为第i个梁片预制测试样本所采集的自变量数据；y_i为测试样本实测结果值(因变量数据)；f (x_i)为x_i的测试样本预测值数据；n为梁片预制总测试样本数。

此外，为更加直观评价所生成的评价模型预测误差率偏差范围，在此采用平均绝对百分比误差率(Mean Absolute Percentage Error, MAPE)，即所测试样本数据的预测值与实测值的平均绝对百分比误差率，误差率结果值以百分比表示，见式(5)：

(5)

5.1 线性回归算法

线性回归模型是一种统计学和机器学习中的回归分析方法，用于建立自变量(特征)与因变量(目标)之间的线性关系模型。主要采用最小二乘法，得到最优的系数，从而建立线性回归模型。在本研究中，通过该算法建立的梁片质量评价模型计算均方根误差(RMSE)最小值为2.082 9，平均绝对百分比误差率(MAPE)为2.62%，即测试样本的预测值与实际值的平均偏差率为2.62%。图 5、图 6为梁片测试样本数据进行预测值与实际值比较分析图表。

如图 5所示，x轴为测试样本数据混凝土强度实测值，y轴为测试样本数据预测值，通过对图 5分析可以看出预测值与实际值呈现一定的线性关系，但也存在一定的离散度；如图 6所示，x轴为测试样本序号，y轴为混凝土强度值坐标，虚线为预测值、实折线为实测值，可以看出测试样本数据预测值、实测值有一定的拟合度，但拟合效果不是太好，说明混凝土配合比偏差与混凝土强度线性相关性不强。

5.2 决策树回归算法

决策树回归采用的是一种基于二叉树自顶向下的贪婪式递归方式，即每一次的划分，只考虑当前最优，再通过多次递归调优，达至最优解。在本研究中，选择切分的预制梁片自变量(特征)值以及切分点，使得划分后的树均方根误差结果值最小，进而达至最优模型。通过该算法建立的梁片质量评价模型计算RMSE最小值为1.959 2，MAPE为2.48%，两个指标相对线性回归模型指标有所提升。图 7、图 8为梁片测试样本数据进行预测值与实际值比较分析。

如图 7所示，x轴，y轴含义同图 5说明，通过对图 7分析可以看出预测值与实际值呈现线性关系相对线性回算法有所提升；如图 8所示x，y轴含义同图 6说明，可以看出测试样本数据预测值、实测值拟合度相对线性回算法有所提升，但从图中可以看出，拟合效果还不是太好，说明决策树回归算法也不太适合该质量评价模型建模。

5.3 XGB(极端梯度提升)算法

XGB是boosting算法的一种实现方式，该算法是在决策树回归算法基础上的进一步改进。在本研究中，主要采用多个基学习器进行训练，下一个学习器是学习前面基学习器的结果，直至训练所生成的模型达至最小均方根误差值。通过该算法建立的梁片质量评价模型计算RMSE最小值为1.458 6，MAPE为1.87%，2个指标相对线性回归模型指标、决策树回归算法均有较大提升。图 9、图 10为梁片测试样本数据进行预测值与实际值比较分析。

如图 9所示，x，y轴含义同图 5说明，通过对图 9分析可以看出预测值与实际值呈现线性关系相对线性回归、决策树回归算法较大的线性收敛；如图 10所示，x，y轴含义同图 6说明，可以看出测试样本数据预测值、实测值拟合度相对线性回、决策树回归算法有较大提升。这说明XGB回归算法比较适合该数据规律的模型建模，且具有较高的质量评价准确率。

至此，通过以上各算法模型训练及调优比较可以得知，采用XGB的机器学习算法产生的质量评价模型为相对最优模型，测试样本数据预测值与实测值平均偏差率缩小至1.87%，较大低于目前采用的混凝土强度回弹法无损检测3.59%的误差值^[27]，也就是梁片混凝土强度预测值平均准确精度达98.13%，基本达到梁混凝土强度评价指标误差率偏离水平。

6 结论

本研究通过分析物联网采集的预制梁片各关键工序控制数据、成品梁质量检测数据，采用机器学习训练方式能够建立精准度比较高的预制梁片质量评价模型。

通过该模型在后续梁片生产实际质量评价应用表明，模型预测总体偏差率与测试样本的偏差率基本一致，说明该模型已具有较好的实用价值。依据该模型梁片质量评价的结果值，可用于成品梁片质量的精准抽检，即重点抽检评价分值低的梁片，可有效避免成品梁片随机抽检的盲目性及全面质量检查所造成的高成本低效率投入，也可有效发现梁片混凝土强度报告等存在人为造假可能性。此外，通过对梁片预制关键工序质量偏差率指标的精准控制，也使得梁片整体质量实现了均质化提升，有效避免了不合格废品梁片的发生而造成的损失。

因该质量评价模型目前尚处于探索性应用阶段，其预测评价精准度还有待进一步提升，今后将围绕梁片预制过程的物联网传感采集精度、物联网数据采集涵盖面以及机器学习算法调优拟合方面做深入研究，提升模型泛化能力，让模型评价更加精准实用，为实现梁片预制降本增效，打造高质量精品桥梁工程提供有力支撑。