共查询到20条相似文献,搜索用时 15 毫秒
1.
小波神经网络具有自主学习能力强、结果稳定等特点,可用来解决高铁线路沉降预测模型单一、预测不稳定等问题。对大西线侯马西站轨道变形监测CPⅢ观测点实测数据的对比分析表明,小波神经网络预测结果的相对误差范围较卡尔曼滤波结果缩小50%以上,均方误差缩小50%,相关系数和平均相对误差指标比较稳定,较当前应用最为广泛的卡尔曼滤波模型具有更好的容错能力和逼近能力。研究结果不仅扩充了当前预测模型的可选范围,还在预测结果的稳定性上提供了更好的参考对象。 相似文献
2.
3.
基于动态神经网络法考虑区域沉降的高速铁路沉降预测 总被引:1,自引:0,他引:1
《铁道学报》2015,(5)
穿越地面沉降严重区域的高速铁路受工程沉降和区域沉降的耦合影响,准确预测高铁工后沉降的发展趋势对高铁安全运营有重要意义。通过分析影响工后沉降的因素,结合动态神经网络原理,以基准点、工作基点2个指标作为网络输入,以历史沉降数据作为延迟量反馈,用贝叶斯正则化算法训练网络,得到工后沉降的仿真非线性网络。应用此模型在沧州市沉降漏斗区进行沉降预测,以桥墩沉降量作为工后沉降的表征,和传统的双曲线法和灰色预测等模型对比。结果表明,动态神经网络考虑了区域沉降的影响,能更准确的预测工后沉降的发展趋势,具有很高的预测精度。 相似文献
4.
5.
6.
研究目的:静荷载试验是基桩检测中最直观有效的检测方法,其试验数据的科学有效性对试验结果的分析判定至关重要.本文旨在通过并联灰色神经网络模型,探讨静荷载试验中相似地质条件下基桩沉降量的有效预测和数据修补问题,并给出计算方法.研究结论:通过对桩周围土体的灰色关联分析,确定了区域内桩周围土体的关联度;借助线性加权的方法对灰色模型和BP神经网络进行并联整合,实现对单一模型的降噪优化;运用并联灰色神经网络,对相似土层区域范围内单桩静荷载试验数据进行有效预测,并进行误差比对.结果表明:该方法可综合考虑多方因素,对试验过程中缺失数据的修复、已知沉降量的拟合、未来沉降量的预测和关联区域内基桩沉降量参考值的确定具有实用价值. 相似文献
7.
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. 相似文献
8.
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。 相似文献
9.
《铁道建筑技术》2019,(4)
高速铁路路堤普遍采用堆载土预压的施工方法加速路基的固结沉降。由于预压土荷载的快速施加,路基沉降曲线在填筑期与预压期之间常出现较为明显的变化。本文在总结和分析三点法、双曲线、指数曲线、泊松曲线、经验系数矫正法等路基沉降预测模型特点和适用性的基础上,基于传统双曲线沉降预测模型,提出一种适用于堆载预压工况下的高铁路基沉降预测方法——组合双曲线法。组合双曲线沉降预测模型考虑了堆载预压后沉降速率突然变大,将模型方程按照路基本体填筑期和堆载预压期分为两个阶段,分别进行参数确定。将组合双曲线沉降预测模型应用于京沈高铁某路基段,并与其他传统沉降预测模型计算结果进行对比,验证了组合双曲线法的适用性。 相似文献
10.
11.
《铁道科学与工程学报》2020,(6)
针对高铁无线通信环境中频谱利用率低且网络环境复杂这一现实问题,提出一种基于自适应在线极限学习机(Adaptive Online Sequence Extreme Learning Machine, AOS-ELM)的频谱状态预测模型。利用计算机产生与实际环境相符且在一定时间内满足指数分布的主用户到来时间及满足正态分布的持续时间,建立频谱状态模型。提出基于自适应神经元构造法和Cholesky分解的AOS-ELM,通过二者对模型的优化,提高模型灵活性及泛化能力,简化计算复杂度。将一维数据利用交互信息法和Cao氏计算法分别计算延迟时间和嵌入维数,构造相应样本,并送入ELM计算相对较优的初始隐层节点数,进而利用AOS-ELM进行频谱状态的预测,并与ELM和在线序列ELM(Online Sequence ELM, OS-ELM)等模型进行对比。研究结果表明:该模型可用于预知频谱状态,指导信道择优分配,提高频谱利用率。在提高预测精度的同时,显著降低了频谱预测时间,具有一定的适用性及实用性。 相似文献
12.
高速铁路行车速度高,其无砟轨道沉降控制严格,目前国内已实施的下穿高铁路基的工程项目较少.结合广清城际铁路广州北站枢纽方案研究,对地下通道下穿武广高铁广州北站实施方案进行研究,分析下穿施工对高铁沉降的影响.
1 工程概况
广州北站枢纽方案新建跨武广高铁的高架站房,同时设置下穿武广高铁的地下通道,将东西广场进行沟通,地下通道需要下穿武广高铁4股道,下穿长度约45 m. 相似文献
13.
基于数值模型应力提取的并线高铁沉降计算 总被引:1,自引:1,他引:0
为研究复杂工况下的既有高铁沉降评估问题,避免数值模型参数难以确定以及理论分析相对简单的缺陷,采用数值仿真模型确定地基附加应力,应用分层总和法实现对既有并线高铁附加沉降的精准评价。研究中,具体分析影响数值仿真模型附加应力分布的多个因素,并基于数值仿真和Boussinesq理论对比,提出高铁路基数值仿真模型建立的一般准则。数值仿真分析中,可不考虑土体本构、模量、泊松比、层状地基等因素的影响,数值模型水平与深度边界应为1.5倍~2.0倍的路基底宽,地下水对附加应力分布影响较大,提取应力过程中统一不考虑地下水。工程验证中,以并行京沪高铁的某高铁站为分析对象,完成并线高铁的数值仿真分析和附加沉降评估,评估结果证明:应用基于数值仿真模型附加应力提取进行既有高铁附加沉降评估,在理论上和工程实践上均可行有效。 相似文献
14.
双曲线法和Asaoka法在对沉降数据进行预测时,需要对原始数据进行拟合处理,且多采用最小二乘法进行拟合处理。但当沉降数据中混入粗差后,采用最小二乘法拟合存在失准的情况。针对这一问题,引入稳健线性估计理论,在数据预处理过程中采用稳健线性拟合法。并探讨混入粗差后,最小二乘线性拟合与稳健线性拟合分别在双曲线法、Asaoka法的预测效果和适用性。研究结果表明:采用稳健线性拟合法进行数据处理受粗差的影响极小,能起到很好的抵抗粗差的作用;当拟合数据过少时,最小二乘法线性拟合与稳健线性拟合效果无明显差异。 相似文献
15.
16.
17.
为定量分析铁路路基沉降的各个因素对沉降值的影响程度,提出一种基于神经网络的路基沉降因素敏感度分析方法,采用均匀设计法将各沉降因素的不同取值进行组合,形成相应的工况,并以ANSYS计算每一组工况下的路基沉降量,得出敏感度分析的样本数据;再根据该样本数据以BP神经网络进行训练,得出沉降量与沉降因素之间的非线性映射网络,最后根据最终输出网络的网络参数求解各因素的敏感度系数,从而确定各沉降因素对路基沉降的影响程度。敏感度系数计算结果表明:软土层厚度、路堤加筋层数这2项因素的敏感度系数分别为0. 231和0. 214,高于其他因素。因此,这2项因素对路基沉降的影响程度最高,在施工过程中需要被重点控制。 相似文献
18.
19.
基于实测沉降数据的路基沉降机理及其预测分析 总被引:1,自引:0,他引:1
余潜 《铁道标准设计通讯》2007,(5):8-10
对路基沉降机理进行较深入的分析,归纳对比各类沉降预测模型,根据组合预测的思想通过加权建立组合预测模型,并基于最小二乘法进行求解。通过实测数据的建模分析,发现S形曲线拟合优度明显更好;组合模型确实能有效利用每种模型的信息而使预测值更为精确,组合模型的建立方法是合理且能够应用的。基于一维固结的解析法计算的最终沉降值与预测值的比较表明预测方法是可行的。两种计算方法都能满足工程实际需要。 相似文献
20.
《铁道工程学报》2015,(1)
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。 相似文献