基于PSO-ML-AdaBoost模型的级配碎石最优压实参数智能预测研究

作     者：陈晓斌 郝哲睿 谢康 闫宏业 李泰灃 尧俊凯 邓志兴 

作者机构：中南大学土木工程学院 中国铁道科学研究院集团有限公司铁道建筑研究所 

出 版 物：《铁道科学与工程学报》 (Journal of Railway Science and Engineering)

年 卷 期：2024年

学科分类：081401[工学-岩土工程] 08[工学] 0814[工学-土木工程] 

基　　金：国家自然科学基金资助项目(51978674) 中国铁道科学研究院科技研究开发计划(2023QT002) 

主　　题：高铁级配碎石 振动压实 主控特征 机器学习 消融分析 

摘      要：为实现高铁路基级配碎石填料最优压实参数快速准确的确定，对填料的最优压实参数及其智能预测展开研究。首先，基于共振作用下振动压实参数确定方法，综合压实物理和力学指标得到级配碎石填料最优压实状态下的最优频率fop和最优含水率wop。其次，通过填料性能试验建立级配碎石填料特征与fop和wop的关系，并采用灰色关联度分析算法明确影响fop和wop的主控特征。最后，将主控特征作为输入特征建立预测fop和wop的3种典型机器学习(Machine Learning,ML)模型，并融合AdaBoost算法解决基础ML算法的不足，建立PSO-ML-AdaBoost模型。结合三层次预测模型评价体系确定最优预测模型，并基于消融分析进一步验证最优预测模型的可靠性。结果表明：取wop为临界含水率，fop为填料的固有频率，可获得级配碎石填料压实状态最优的试样；揭示影响fop和wop的主控特征为最大粒径dmax，级配参数b、m，粗骨料细长比EI，洛杉矶磨耗LAA，吸水率Wac、Waf；综合三层次评价结果，得到PSO-BPNN-AdaBoost模型的综合评价指标Cei(fop/wop)值为12.2645/1.8382，低于其他ML融合算法，为最优预测模型；结合消融分析结果发现，PSO-BPNN-AdaBoost模型的输入参数对于fop和wop预测结果的影响程度与灰色关联度分析算法所得结果一致，进一步说明了最优预测模型预测结果的可靠性。研究成果可为路基填料最优压实参数的确定提供新思路，并对高铁路基的压实质量智能评估提供理论指导。