基于智能压路机变形监测的压实质量控制新方法：三维视觉技术与支持向量机模型的融合应用

《Journal of Intelligent Construction》：Deformation-Based Compaction Quality Control Using a Smart Roller Compactor

本刊推荐：传统压实质量控制方法依赖密度检测，存在效率低、可靠性差等局限。本研究提出基于变形监测的智能压实质量控制方法，利用配备三维相机的智能压路机实时采集碾压变形值（RDV）。现场试验表明，RDV与干密度显著相关（R2>0.9），结合压实计值（CMV）构建的支持向量机（SVM）模型分类准确率达94%。该方法实现了压实质量的连续、无损评估，为智能建造提供了新思路。

　　

在土木工程建设中，路基压实质量直接关系到工程安全与寿命。传统压实质量控制主要依赖密度检测方法，如核子密度仪、灌砂法等，这些方法不仅效率低下，还存在破坏性、抽样随机性等问题。随着智能压实（Intelligent Compaction, IC）技术的发展，智能压路机（Smart Roller Compactor, SRC）逐渐应用于实际工程，但其质量控制仍以间接指标为主，如压实计值（Compaction Meter Value, CMV），难以直接反映填料力学特性演变。如何实现压实过程的实时、精准、无损质量评估，成为行业亟待突破的难题。

针对这一挑战，清华大学王翌翔提出了一种基于变形监测的压实质量控制新方法。该研究通过集成三维视觉技术与智能压路机系统，开发了碾压变形值（Rolling Deformation Value, RDV）这一直接反映填料变形状态的指标，并构建了基于支持向量机（Support Vector Machine, SVM）的压实质量分类模型。相关成果发表于《Journal of Intelligent Construction》，为智能建造提供了创新性解决方案。

关键技术方法

研究核心为搭载三维相机的智能压路机系统，通过时间飞行（Time-of-Flight, TOF）技术获取填料表面点云数据，结合区域熵分析算法分割钢轮与填料区域，计算RDV。现场试验选用两种级配填料（Material A与Material B），通过水置换法测定干密度，并采集CMV、碾压遍数等参数。最终基于RDV与CMV构建SVM分类模型，以94%的准确率实现压实质量评估。

RDV的演变规律

研究发现，RDV随碾压遍数增加总体呈下降趋势，但在两个阶段出现异常波动：一是从静压转向振动压实时，因激振力骤增导致RDV短暂上升；二是在中后期压实阶段（第5-7遍），因骨料颗粒破碎引发临时结构重组，RDV出现峰值。F检验证实该波动具有统计显著性，揭示了颗粒破碎对压实过程的动态影响。

RDV与干密度的相关性

对高级压实阶段（第7-10遍）的数据分析表明，RDV与干密度高度线性相关，Material A与Material B的确定系数（R²）分别为0.9227和0.9069。Material A因颗粒级配更均匀，其回归线斜率更大，表明在相同密度下变形控制更优。

RDV与其他智能压实指标的关系

RDV与CMV呈负相关（R²=0.7648），与碾压遍数相关性次之（R²=0.6289），而与碾压速度、振幅和频率等参数关联较弱。这表明RDV能更直接反映填料状态，而非仅依赖机械参数。

压实质量分类模型

基于RDV与CMV构建的SVM模型，在测试集上达到94%的分类准确率，仅1个样本误判。通过第10遍压实的密度云图与分类结果对比（图12），模型可精准识别低密度区域（红色），为施工补强提供直观指导。

结论与展望

本研究提出的RDV指标突破了传统间接评估方法的局限，实现了压实质量的直接、连续、无损监测。通过引入颗粒破碎影响的弹性塑性模型，深化了对压实机制的理解。SVM分类模型将质量控制转化为模式识别问题，显著提升评估效率。未来需进一步优化RDV与土体刚度的定量关系，融合多参数构建更全面的智能压实框架，推动智能压路机从“自适应控制”向“任务驱动控制”的跨越。