《Journal of Road Engineering》：A comprehensive evaluation of non-destructive density and moisture content measurement of asphalt pavement during construction using ground-penetrating radar
编辑推荐：
本综述系统评述了探地雷达（GPR）技术在沥青路面施工过程中无密度和含水量实时监测的应用。文章深入剖析了密度/含水量预测模型（经验模型、电磁混合模型、机器学习模型）的原理与局限，介绍了前沿GPR设备（如PDP、RoadScan 30、PaveScan RDM 2.0），并重点分析了表面水分、振动效应等影响预测精度的关键因素及其信号处理算法。GPR技术有望为路面施工质量控制（QC/QA）提供全断面、非接触、实时反馈的解决方案，推动智能化压实技术发展。
引言
沥青路面的现场密度和含水量是施工质量控制与质量保证（QC/QA）的关键参数。传统密度测量方法（如取芯、核子密度仪）存在破坏性、单点检测、辐射风险或覆盖范围有限等缺陷。探地雷达（GPR）作为一种非破坏性、非接触式、全覆盖的检测技术，通过发射高频电磁波并分析反射信号振幅获取介电常数，进而建立与密度/含水量的数学映射模型，为实时压实调整提供可能。
文献统计与分析
自2003年以来，GPR在沥青路面密度和含水量测量中的应用呈显著增长趋势，其中中国和美国的研究成果最为突出。截至2024年9月，该领域年发文量仍低于20篇，表明技术仍处于持续研发验证阶段。
现行密度与含水量测量方法
实验室密度测量方法
包括饱和面干法、石蜡封裹法、CoreLok真空密封法和尺寸测量法。这些方法精度高但具破坏性，且无法实现路面大范围覆盖。
现场无损密度测量方法
核子密度仪（NDG）精度高但存在放射性风险；非核密度仪（NNDG）通过测量介电常数推算密度，但受温度、湿度影响显著。GPR技术可弥补上述不足，实现快速、大范围连续检测。
沥青混合料含水量标准测量方法
传统烘干法或酒精燃烧法精度高但为单点检测；核子湿度仪可直接测量内部含水量，但对含结晶水材料适用性差。
GPR密度与含水量测量原理
GPR通过表面反射法计算介电常数（ε），公式为：
ε = [(1 + R)/(1 - R)]2
其中R为反射系数（反射波振幅Ar与入射波振幅Ai之比）。介电常数与密度/含水量的关系通过经验模型或电磁混合模型建立。
密度预测模型
经验模型
如HD模型和MnDOT模型，通过实验数据回归建立介电常数与密度关系，简单易用但泛化能力差，对极端数据预测不准。
电磁混合模型
基于混合物各组分的介电特性与体积分数，如CRIM模型、Rayleigh模型、B?ttcher模型及其改进版本ALL模型。这类模型物理意义明确，适用于不同混合料设计，但需校准集料介电常数。
机器学习模型
如BP神经网络、XGBoost和EM-GA模型，能捕捉非线性关系，但依赖大量高质量数据及超参数优化。现有数据库规模有限（36-855组数据），制约模型泛化能力。
含水量预测模型
基于水（ε≈81）与沥青混合料介电常数差异显著的特性，Topp模型等被用于含水量预测。在冷再生路面中，GPR可通过修正的CRIM模型或Rayleigh模型监测含水量变化，确定开放交通时机。然而，水分分布不均、温度变化及结合水与自由水电性差异增加了预测难度。
现场GPR检测设备
- •
PDP：基于空气耦合GPR系统，可生成高分辨率密度分布图。
- •
RoadScan 30：配备喇叭天线，支持多层厚度与密度检测。
- •
PaveScan RDM 2.0：符合AASHTO标准，直接输出介电值或孔隙率，但需压实后操作。
现有设备尚无法在压实过程中实时采集数据，需开发辊载式GPR系统以实现动态监控。
影响GPR密度预测精度的因素
表面水分效应
压路机洒水导致路面残留水分，因水的介电常数远高于沥青混合料，会放大表面反射振幅，导致密度高估。解决策略包括：
- •
参考扫描法：利用干湿路面频谱差异（低频稳定、高频变化）进行信号校正。
- •
均值反射系数算法：通过频谱重叠带宽内的振幅比平均值计算反射系数，避免迭代优化。
- •
非线性检测算法：基于干湿双层假设，通过全波形反演消除水分影响。
振动效应
天线振动引起信号噪声和失真。解决方法包括：
- •
FIR滤波器：抑制密度分布中的高频振动分量。
- •
轮廓平滑法：在无距离测量仪器时，通过小波变换处理非平稳信号。
- •
高度校正表面反射法：通过天线高度与反射振幅的三次多项式关系，修正层厚测算误差，提升精度13.3%-19.9%。
集料介电常数现场校准
需通过现场取芯或密度仪反算集料介电常数，或依托数据库获取，以确保模型输入准确性。
结论
GPR技术为沥青路面施工密度和含水量监测提供了高效解决方案，但面临表面水分、振动噪声、模型泛化能力等挑战。未来研究应聚焦于：
- 1.
开发自适应信号处理算法（如时域去噪、频域截止频率估计）；
- 2.
融合多源噪声抑制模型，提升复杂环境下的鲁棒性；
- 3.
扩充高质量数据集，优化机器学习模型泛化性能；
- 4.
推动辊载式实时GPR系统与智能压实技术集成，实现施工全流程质量管控。
