京沪高速铁路南京大胜关长江大桥风-车-桥耦合振动分析

用多刚体结构模拟车辆,空间梁单元模拟桥梁,轮轨密贴假定和蠕滑理论处理轮轨间作用力,以快速谱分析法模拟风速场,对桥梁子系统施加静风力和抖振风力,对车辆子系统施加稳态风力,采用实测桥梁3分力系数,建立风-车-桥耦合动力系统.以南京大胜关长江大桥主桥6跨连续钢桁拱为例,进行0～40 m·s1风速下风-车-桥耦合系统动力分析.分析结果表明:桥梁系统的动力响应随桥面风速的增加而增大,其横向响应对风荷载的敏感程度大于竖向响应;桥面平均风速不超过15 m·s-1时,高速列车可以设计速度安全通行桥梁;风速在15～20 m·s-1时,安全通过桥梁的车速不应超过240 km·h-1;风速在20～25 m·s-1时,车速不应超过180 km·h-1;风速在25～30 m·s-1时,车速不应超过160 km·h-1;风速超过30 m·s-1时,不能保证列车安全通过桥梁.     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

去噪分析和分离变形预测在深埋隧道中的应用研究

隧道变形易诱发相应的工程问题,对其防治及预测已成为地下工程领域的热点问题。为提高隧道变形的预测精度,达到有效掌握隧道变形规律的目的,以某隧道为工程实例,通过对其监测数据的去噪处理,将隧道变形的原始序列分离为趋势项和误差项序列,并利用GA-BP神经网络和时间序列模型对两序列进行预测,又结合支持向量机模型对前者的预测误差进行修正,以保证预测精度。结果表明:在去噪方面,得出半参数优化卡尔曼滤波的去噪效果最优,其次是sym8小波去噪和奇异谱分析;在预测方面,得出分离预测能一定程度上提高预测精度,但效果不明显,而误差修正模型能很大程度上提高预测精度,综合得到本文预测结果的平均相对误差为1.08%。预测模型具有精度较高等优点,能为深埋隧道的变形预测提供借鉴。     

基于改进小波神经网络的IGBT时间序列预测算法研究

针对IGBT老化失效问题,提出一种基于遗传算法改进的小波神经网络时间序列预测方法。在分析IGBT失效原理的基础上,利用IGBT老化数据集,选取关断瞬时"集电极-发射极"尖峰电压为失效特征参数,采用滑动时间窗法构建训练集与测试集,然后在MATLAB中搭建遗传算法改进的小波神经网络预测模型进行预测,并与传统的小波神经网络预测模型对比分析。试验结果显示,遗传算法改进的小波神经网络预测方均误差为0.017 1,方均根误差为0.130 9,平均绝对误差为0.109 6,分别比传统小波神经网络预测模型降低了0.005 7, 0.020 0, 0.064 0,有效提升了IGBT时间预测的精度。     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

基于时间序列分析和神经网络的风电功率预测方法研究

功率预测对于接入大量风电的电力系统运行具有重要意义。文章对提前4 h的风电机组出力预测进行了研究,分别采用BP神经网络法直接预测输出功率,以及时间序列法间接预测输出功率,并将两种方法组合以提高预测精度,组合权系数的选取以方差最小为目标函数。研究结果表明,不同方法的预测精度不同,尤其是在个别预测点处不同模型的误差差别较大,组合预测可减小预测系统的误差,提高预测精度。     

基于时间序列分析的变形数据预测

变形监测对于建筑物的安全运营具有重要作用.结合工程实际,采用时间序列模型对变形数据进行建模预测,结果表明,时间序列分析在短期数据预测中精度较高,随着预测时间的增加,预测精度逐渐下降;建模数据越多,模型精度越高;同时,建模数据变化越平稳,数据预测效果越好.     

铁路沿线风吹雪灾害及其防治研究

新疆精—伊铁路经过的风吹雪灾害多发区最大风速平均值为14 0m·s-1,30年一遇的最大风速与最大积雪深度分别为20 3m·s-1和160cm,平均冬季降水量153 2mm。在风吹雪多发区,铁路风吹雪灾害的主要类型是路堑型风吹雪沉积,其次是低填路堤型风吹雪沉积。路堤低、路堤边坡平缓,路面上易发生风吹雪沉积;路堑边坡的角度越小、路堑越深、路堑走向与主导风向的夹角越小,风吹雪沉积越不易发生。在风吹雪害多发区,铁路路堤设计的适宜高度为200～1500cm。风吹雪的防治应以设防风吹雪走廊和下导风板为主,并辅以侧导板和挡雪墙等。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络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7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于灰色GM（1，1）非等时距修正模型的轨道质量预测

根据灰色理论,以轨道质量指数检测数据为原始时间序列,通过累加弱化序列的随机性,挖掘轨道系统内在的规律,研究建立基于厌色GM(1,1)非等时距模型的轨道质量预测方法.为提高模型预测精度,优化模型中的初值和背景值,并基于残差分析引入周期性函数,对模型进行修正.用此模型对轨道质量指数TQI数据进行分析预测,并对模型精度进行检验.结果表明模型能较好地反映轨道质量恶化发展的随机波动特征,拟合、预测精度高,为了解和掌握轨道质量状态的发展规律提供了新的方法.