高速铁路软基处理前后指标分析和参数反演

研究目的:目前沉降计算方法和参数都是建立在软土未经过处理基础上的,经过处理后这些方法和参数是否仍然适用,对于加固前后地基土性质的变化,很少有相关的研究。另外,通过土工试验得到的计算参数,受到试样扰动等影响,参数往往不准确,因此利用现场的实测数据对相关的参数进行反演,具有重要的工程意义。本文通过高速铁路软土地基的现场试验,对粉喷桩、浆喷桩的压缩模量与无侧限抗压强度的比值,排水固结法的固结系数、压缩模量进行反演,并对地基处理前后的物理力学指标变化进行分析。研究结论:(1)搅拌桩桩体模量可以取为无侧限抗压强度的40-50倍;排水固结法处理地基的淤泥质粉质黏土层,根据实测沉降推算的固结系数为室内土工试验的2.37倍;由静力触探得到的压缩模量大多比现场实测推算的小,室内土工试验大多比推算值大;(2)真空预压处理地基对压缩模量的提高最大,提高了1.99倍,搅拌桩处理对压缩模量提高最小,仅提高了34%左右;(3)软土地层经过加固处理后,软土由高压缩性土变化为中等压缩性土,经过各种方法加固处理后,软土的含水率下降,但其饱和度基本不变,仍然为饱和土,可以采用现行的软土沉降计算方法进行计算;(4)该研究成果可为地基处理相关指标和参数提供参考。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

基于径向基函数神经网络的轨道交通车辆振动状态预测

通过遗传算法优化径向基函数神经网络的中心、宽度及权重等参数,构建车辆振动神经网络预测模型。通过42自由度车辆多体动力学模型,以某线路实测轨道不平顺数据作为输入,得到车辆振动加速度数据。通过训练与优化,构建的车辆振动预测模型能预测车体振动加速度变化趋势。     

基于PSO-SVM的轨道交通车站安全态势预测研究

提出一种基于PSO-SVM算法的安全态势预测模型,用于城市轨道交通车站安全态势预测研究。首先介绍支持向量机(SVM)和粒子群优化算法(PSO)的基本概念,以高斯径向基函数为核函数建立支持向量机安全态势预测模型,然后应用粒子群算法优化模型参数,得到优化的预测模型,再以某车站为例进行仿真实验,结果表明利用PSO-SVM算法预测车站安全态势值具有可行性。该预测方法对车站安全运营和乘客安全出行具有一定指导意义。     

淤泥固结过程中的释水规律及其室内测定方法研究

从土体压缩释水的角度考虑固结，认为淤泥类软土的固结是由于在外力作用下土体内所含部分自由水的被迫释放排出，土体积减小所致，即土体是释水固结而非漏透固结，土体固结存在释水函数。用释水函数取代太沙基固结模型中的渗透参数，从而建立起淤泥类软土的释水固结研究方法。     

软土变形参数的实测比较

根据深圳某软基处理项目的现场实测沉降数据，分析推算了淤泥的压缩指标，并与室内实验结果进行比较。结果表明，对于该地区的淤泥，用常规室内试验得到的压缩变形参数与软土的实际变形特性是相近的，可以满足一般的设计要求。文中还分析了残积土的变形特性，发现用室内实验结果计算得到的沉降量明显偏大，而用标贯实验结果估算的变形参数计算沉降量与实测结果一致，因此残积土的沉降量宜采用原位试验结果推算的压缩参数计算。     

基于小波神经网络的地铁基坑地表沉降随机预测

通过南通地铁软土层基坑降水模型试验发现,降水引发的基坑地表沉降随着监测点距基坑支护桩距离的增大而减少,工程中距离支护桩越远,沉降量越小.在不同的监测点沉降量的监测值与公式计算值总体变化规律相似,但受降水因素、施工扰动和地下多变的岩土环境等影响,存在一定的随机性.利用权值参数对小波神经网络的激励和输出函数进行修正,利用梯度下降的方法对伸缩和平移参数进行优化.在此基础上,以水位降深、土层的压缩模量、厚度、固结度和监测点方位为输入参数,基坑总沉降量为输出参数建立改进后的随机小波网络基坑地表沉降预测模型.工程实例表明,改进后的随机小波网络模型能使基坑地表沉降预测值较好地拟合工程实测值,误差均小于±8％,相比传统公式的计算值更具合理性.     

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_θ/σ_c、岩石脆性系数σ_c/σ_t以及弹性能量指数W_et作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。     

大跨度PC斜拉桥结构快速分析神经网络模型

为进行大跨度PC斜拉桥、悬索桥等复杂结构的优化设计、可靠性分析或模型修正,提出基于神经网络的结构快速分析方法。通过对比分析不同样本集构造方法对结构分析精度与效率的影响,认为均匀试验设计法是构造网络训练样本的最优方法。基于Matlab工具箱函数newrb建立招宝山大桥平面分析的径向基函数网络模型,该模型含45个输入层节点和2个输出层节点。根据均匀试验设计法生成180个训练样本,利用有限元分析软件ANSYS进行参数化批量分析,得到样本的模拟试验结果,采用OLS法对径向基函数网络进行训练,用训练好的网络预测结构响应。结果表明:该神经网络模型满足结构快速分析的精度要求,与有限元分析结果吻合良好。     

广州软土的力学特性及相关性分析

通过对广州5个地区20个工点的软土物理力学指标进行统计分析,总结广州软土的力学特性,并进行相关性分析。结果表明,广州软土具有四高三低的特点。软基处理中需注意其结构性、沉降大和蠕变性强所带来的危害。孔隙比、压缩系数、变形模量以及压缩指数的变异系数较大,进行工程计算时应根据指标的变化情况,将场地分块细化,分别取值计算,以提高计算精度。建立了物理力学指标间的经验确定方程。该成果可为该区软土物理力学指标间的相互估算做参考,也可为相关规范的修订提供依据。     

基于DEACO-WNN的盾构施工地表沉降预测

研究目的:近年来,我国地铁建设飞速发展,全国有近四十个城市在修建地铁。盾构施工是地铁建设的主要施工方式,由于盾构施工引起的地表沉降问题,为施工安全带来很多的困扰。为了减少施工过程中的安全隐患,提高施工质量和效益,对盾构施工引起的地表沉降进行研究意义重大。研究结论:本文通过对盾构施工地表沉降的影响因素和预测模型进行研究,得到以下结论:(1)在研究了对于盾构施工地表沉降较为敏感的参数中选取了覆土厚度、压缩模量、凝聚力、天然密度、内摩擦角、千斤顶推力、注浆压力,并将其作为输入层建立了小波神经网络预测模型;(2)用差分进化蚁群算法以相对熵为标准对小波神经网络的初始权值、伸缩参数和平移参数进行优化,使得预测模型的收敛速度和预测精度都有显著提高;(3)通过北京地铁6号线实地工程数据进行验证,预测模型的最小误差仅为0.5%,预测精度在实际工程所允许的范围内;(4)本文所建立的模型对盾构施工安全防护领域具有指导意义,通过对地表沉降的有效预测来改进施工工艺,进而增强施工的安全性。     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

脸部网格模型中非特征点的自动调整

模型调整是虚拟人脸合成，基于模型的人脸图象压缩编码的重要步骤。本文提出了一种新的基于径向基函数RBF（Radial Basis Functions)内插的模型非特征点调整方法，基于径向基函数采用逆多二次式，由于RBF内插具有良好的全局连续性，而调整逆多二次式的衰减参数又可保证内插局部性，因此，可得到较好的模型调整效果。     

基于神经网络的双模盾构复合地层掘进参数预测模型

依托深圳市轨道交通12号线怀德站-福永站区间隧道工程，基于EPB/TBM双模盾构穿越地质参数和现场掘进监测数据，采用BP神经网络方法建立双模式盾构掘进参数预测模型，分别对地层参数及掘进模式进行量化，将刀盘扭矩、刀盘转速、螺旋机转速、总推进力、隧道埋深、围岩等级、岩石单轴饱和抗压强度及不同掘进模式作为输入参数，预测出在不同掘进模式及不同地层条件下的设备掘进速率，针对3类典型地层的预测结果进行可视化分析验证，并对预测模型精度进行改进分析。结果表明：神经网络预测模型在TBM模式下的微风化段平均相对误差为8.6%,EPB模式下的强风化段平均相对误差为10.6%,EPB模式下的中风化段平均相对误差26.2%;该模型对强风化段及微风化段等地层强度变化较为稳定的地层预测精度较高，同时，该预测模式适用于22个隐层神经元并对掘进速率采用直接放缩的方法。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。     

基于径向基函数响应面方法的大跨度斜拉桥有限元模型修正

采用ANSYS有限元软件建立某大跨度斜拉桥试验室物理模型的三维有限元模型.基于灵敏度分析,选取模型待修正参数和用于模型修正的特征量.采用实验设计方法生成数样本,通过有限元分析提取对应的特征量信息,进而建立待修正参数与特征量关系的径向基函数响应面模型.通过对响应面模型的拟合误差分析,确定径向基函数的最优形状参数.以斜拉桥自振频率和静态索力构建目标函数.基于建立的响应面模型,采用遗传优化算法进行有限元模型修正.结果表明,采用径向基函数响应面模型拟合斜拉桥设计参数与特征量之间的隐式关系有较高的精度;基于仿真数据的模型修正有较高的精度,基于试验数据的模型修正能得到合理的结果,该方法可有效地修正复杂桥梁结构有限元模型.     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

滑坡变形的支持向量机非线性组合预测

在分析支持向量机(SVM)用于时间序列预测和非线性组合原理基础上,提出基于支持向量机的非线性组合预测方法。利用4种单项预测方法,包括SVM、径向基函数前向型神经网络(RBF)、反馈型神经网络(El-man)及3层神经网络(ANN),分别进行滑坡变形时序的建模与预测。对4种方法的预测结果再采用线性组合方法(简单平均、方差倒数、改进最优加权系数)和非线性组合方法(SVM、BP神经网络)进行组合预测及方法性能的比较。结果表明,非线性组合的平均相对误差明显低于线性组合方法,且对滑坡这种具有一定程度不确定性的非线性系统,SVM的非线性组合方法有着更理想的预测效果,7步外推预测准确度控制在89.3%以上。而与BP神经网络非线性组合相比,SVM也具有更好的稳健性和泛化性。