风屏障破坏所致风载突变对桥梁列车行车安全影响研究

为研究桥上风屏障局部破坏对桥梁列车行车安全性的影响，以某四塔公铁两用斜拉桥为背景，进行列车动力响应和行车安全性影响参数分析。推导列车通过风屏障破坏段时车辆和桥梁的风荷载，并通过桥梁和列车节段模型风洞试验，测得计算所需气动力系数；在此基础上建立风-车-轨-桥耦合振动模型，研究了风屏障破坏段长度、平均风速和列车车速对列车动力响应及行车安全的影响。结果表明：突风效应会导致列车横向位移达到最大值，遮风效应会使列车横向加速度达到最大值；随风屏障破坏段长度、平均风速和列车车速的增加，列车动力响应随之增加；风屏障破坏会增加列车的轮重减载率和脱轨系数，并且高风速下各节车辆在风屏障破坏段的脱轨系数差异较大；仅在风速不大于10 m/s时，列车可以180 km/h的车速安全通过风屏障破坏段。     

基于LSTM-GMM模型的大风多级预警方法

为保障大风场景下的高铁运行安全，针对风的强随机特性提出一种基于长短期记忆网络和高斯混合模型的多级预警（LSTM-GMM-MELW）方法。首先，通过长短期记忆网络和高斯混合模型（LSTM-GMM）建立风速误差值与风速预测值的联合概率密度，以此确定风速预测值的概率密度；然后，通过多级预警方法计算风速预测值落在高铁限速风速区间的概率值并结合实际情况设置不同阈值，当得到超出阈值的概率时输出阈值对应的预警等级；最后，采用预测区间的覆盖概率、平均宽度和覆盖宽度评价LSTM-GMM方法的概率性预测结果，而采用预警准确率评价多级预警方法的预警效果。依托平潭海峡公铁两用大桥29个风速样本进行实例分析，结果表明：95%置信度下的预测区间的覆盖概率为96%，平均宽度为1.51；第1、第2级别的预警准确率分别高于85%和93%，预警准确率达到100%的风速样本达14个，总体预警准确率高。该方法能有效避免风速在限速分界线附近波动时的误报。     

基于DeepAR的短期风速概率预测

为对铁路沿线风速提前进行预判，保障桥梁施工及高速铁路列车运行时的安全，提出基于深度自回归模型(DeepAR)的短期风速预测方法。采用平潭海峡公铁两用大桥和西堠门大桥实测风速进行验证，并以包括小波包分解下的卷积神经网络和循环神经网络混合模型(WPD-CNNLSTM-CNN)在内的4种模型作为点预测对比模型，以SimpleFeed-Forward、ARIMA、Random Walk模型进行置信度为50%与95%的区间预测作为对比模型。研究结果表明：无论是点预测还是区间预测，DeepAR模型都能够在具有随机性、间歇性的短期风速序列中提取到特征信号并进行精度较高的预测，且相比于其他模型具有更好的准确性与泛化能力，可满足实际工程短期风速预测需求。