检索结果-南通市图书馆

同方期刊数据库

基于机器学习的高铁边坡位移预测不确定性度量与应用

在线全文

学校读者我要写书评

暂无评论

中国铁道科学 2024年第1期45卷 56-67页

作者：邓志兴谢康李泰灃苏谦韩征肖宪普中南大学土木工程学院湖南长沙410083 西南交通大学土木工程学院四川成都610000 中国铁道科学研究院集团有限公司铁道建筑研究所北京100081 石家庄铁道大学土木工程学院河北石家庄050000

为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型(BGB模型)。该模型首先采用基于Bootstrap的门控循环单元(Gated Recurrent Unit,GRU)算法度量... 详细信息

为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型(BGB模型)。该模型首先采用基于Bootstrap的门控循环单元(Gated Recurrent Unit,GRU)算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明:BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机(Extreme Learning Machine,ELM)和支持向量回归(Support Vector Regression,SVR)为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预测结果,进而为高铁边坡可靠度分析提供理论基础。

关键词：边坡位移预测不确定性度量区间预测机器学习 Bootstrap算法

在线全文

学校读者我要写书评

暂无评论

高速铁路级配碎石填料振动压实劣化机制研究

铁道科学与工程学报 2024年第5期21卷 1701-1713页

作者：肖宪普谢康李新志郝哲睿李泰灃邓志兴石家庄铁道大学土木工程学院河北石家庄050043 中南大学土木工程学院湖南长沙410075 中国铁道科学研究院集团有限公司铁道建筑研究所北京100081

揭示振动荷载下高速铁路路基级配碎石填料压实劣化的影响机制对提高路基服役性能具有重要意义。首先,采用智能振动压实仪开展级配碎石填料振动压实试验,探究级配碎石填料物理指标干密度ρd、力学指标动刚度K与振动压实劣化的相关性;其次... 详细信息

揭示振动荷载下高速铁路路基级配碎石填料压实劣化的影响机制对提高路基服役性能具有重要意义。首先,采用智能振动压实仪开展级配碎石填料振动压实试验,探究级配碎石填料物理指标干密度ρd、力学指标动刚度K与振动压实劣化的相关性;其次,对不同振动压实阶段的级配碎石填料进行X-CT(X-ray Computed Tomography)扫描试验,揭示级配碎石填料振动压实劣化的主控因素;最后,基于劣化主控因素建立不同劣化程度的高精度三维振动压实离散元模型,探究级配碎石填料压实劣化与主控因素的内在联系,进而深入揭示级配碎石填料振动压实劣化的细观机制。研究结果表明:振动压实过程中,可通过动刚度K曲线的“拐点”表征级配碎石填料振动压实劣化状态;通过X-CT试验明确级配碎石填料振动压实劣化的主控因素为粗颗粒研磨破碎,进一步提出研磨度DF指标量化级配碎石填料的压实劣化程度;振动压实离散元模型中级配碎石填料的细观结构演化特征表明,随着DF的增加,填料各向异性、力学配位数、粗颗粒接触力均逐渐减小,从而使级配碎石填料的内部结构稳定性和动刚度K减小,且当DF≥0.68时,各向异性、力学配位数、粗颗粒接触力链与动刚度K减小速率均降低。研究结果对高速铁路路基级配碎石填料的振动压实质量控制具有重要指导意义。

关键词：高铁路基级配碎石振动压实劣化粗颗粒研磨 X-CT 离散元

同方期刊数据库

基于粗颗粒嵌锁点高铁级配碎石振动压实质量控制新方法

在线全文

学校读者我要写书评

暂无评论

岩土力学 2024年第6期45卷 1835-1849页

作者：邓志兴谢康李泰灃王武斌郝哲睿李佳珅中南大学土木工程学院湖南长沙410083 中国铁道科学研究院集团有限公司铁道建筑研究所北京100081 西南交通大学陆地交通地质灾害防治技术国家工程研究中心四川成都611731

为解决基于干密度评估压实质量所存在的压实时间不定、评价指标单一等问题,提出了一种基于粗颗粒嵌锁点的高铁级配碎石(high-speed railway graded aggregate,简称HRGA)振动压实控制新方法。首先,结合力学指标动刚度Krb和修正地基系数K2... 详细信息

为解决基于干密度评估压实质量所存在的压实时间不定、评价指标单一等问题,提出了一种基于粗颗粒嵌锁点的高铁级配碎石(high-speed railway graded aggregate,简称HRGA)振动压实控制新方法。首先,结合力学指标动刚度Krb和修正地基系数K20完善振动压实评估体系,进一步提出了压实控制嵌锁点Tlp指标,并通过室内试验研究了Tlp前后级配碎石的力学性能及适用性;其次,通过振动压实试验建立了Tlp与HRGA的各项性能指标之间的关系,并结合灰色关联度分析(grey relation analysis,简称GRA)算法分析了Tlp的主控特征;最后,基于机器学习(machine learning,简称ML)方法提出了Tlp预测模型,结合三层次优选体系选择最佳Tlp预测模型,并利用SHapley Additive ex Planations(SHAP)可解释性方法对最佳ML模型进行了解释。结果表明:基于Tlp可确定最优振动时间,进而控制压实质量;基于GRA算法明确Tlp的主控特征为填料最大粒径dmax、级配参数b、级配参数m、扁平细长颗粒Qe和洛杉矶磨耗LAA;计算各Tlp预测模型的综合评价指标(comprehensive evaluation index,简称CEI)依次为改进粒子群优化的人工神经网络(artificial neural networks for improved particle swarm optimization,简称IPSO-ANN)模型>改进粒子群优化的支持向量回归(support vector regression for improved particle swarm optimization,简称IPSO-SVR)模型>改进粒子群优化的随机森林(random forest for improved particle swarm optimization,简称IPSO-RF)模型,IPSO-ANN模型最佳;基于SHAP方法得到总体重要性值φ排序为dmax(17.31)>b(13.93)>m(6.59)>Qe(2.17)>LAA(1.54),该结果与GRA算法的结果相印证,表明SHAP方法可提升ML模型的可理解性。该研究成果可为振动压实的质量评估提供新思路,也为振动压实智能化控制提供强有力的理论支撑。

关键词：振动压实高铁级配碎石最优振动时间主控特征机器学习可解释性

基于粗颗粒“嵌锁点”的高铁级配碎石振动压实质量控制新方法

在线全文

学校读者我要写书评

暂无评论

岩土力学 2024年

作者：邓志兴谢康李泰灃王武斌郝哲睿李佳珅中国铁道科学研究院集团有限公司铁道建筑研究所中南大学土木工程学院西南交通大学土木工程学院

为解决基于干密度评估压实质量所存在的压实时间不定、评价指标单一等问题，提出了一种基于粗颗粒“嵌锁点”的高铁级配碎石(high-speed railway graded aggregate，简称HRGA)振动压实控制新方法。首先，结合力学指标动刚度Krb和修正地... 详细信息

为解决基于干密度评估压实质量所存在的压实时间不定、评价指标单一等问题，提出了一种基于粗颗粒“嵌锁点”的高铁级配碎石(high-speed railway graded aggregate，简称HRGA)振动压实控制新方法。首先，结合力学指标动刚度Krb和修正地基系数K20完善振动压实评估体系，进一步提出了压实控制“嵌锁点”Tlp指标，并通过室内试验研究了Tlp前后级配碎石的力学性能及其适用性；其次，通过振动压实试验建立Tlp与HRGA的各项性能指标之间的关系，并结合灰色关联度分析(grey relation analysis，简称GRA)算法分析Tlp的主控特征；最后，基于机器学习(machine learning，简称ML)方法提出了Tlp预测模型，结合三层次优选体系选择最佳Tlp预测模型，并利用SHapley Additive exPlanations(SHAP)可解释性方法对最佳ML模型进行解释。结果表明：基于Tlp可确定最优振动时间，进而控制压实质量；基于GRA算法明确Tlp的主控特征为dmax、b、m、Qe和LAA；计算各Tlp预测模型的综合评价指标(comprehensive evaluation index，简称CEI)分别为：IPSO-ANN模型(4.3424)>IPSO-SVR模型(4.5225)>IPSO-RF模型(6.7356)，IPSO-ANN模型最佳；基于SHAP方法得到总体重要性值?排序为：dmax(17.31)>b(13.93)>m(6.59)>Qe(2.17)>LAA(1.54)，该结果与GRA算法的结果相印证，表明SHAP方法可提升ML模型的可理解性。研究成果可为振动压实的质量评估提供新思路，也为振动压实智能化控制提供强有力的理论支撑。

关键词：振动压实高铁级配碎石最优振动时间主控特征机器学习可解释性

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

高铁路基动力稳定性能评价方法与应用研究

铁道学报 2024年

作者：邓志兴谢康王武斌徐林荣李泰灃苏谦王迅刘宝中南大学土木工程学院西南交通大学陆地交通地质灾害防治技术国家工程研究中心中国铁道科学研究院集团有限公司铁道建筑研究所西南交通大学土木工程学院中国铁路设计集团有限公司

目前缺少一种快速、超前、综合的高铁路基动力稳定性能评价方法，限制了路基动响应和累计变形数据的利用程度，易导致对路基的服役性能评价不充分、甚至在运营期间劣化等问题。因此，基于激振测试和机器学习(Machine Learning， ML)提... 详细信息

目前缺少一种快速、超前、综合的高铁路基动力稳定性能评价方法，限制了路基动响应和累计变形数据的利用程度，易导致对路基的服役性能评价不充分、甚至在运营期间劣化等问题。因此，基于激振测试和机器学习(Machine Learning， ML)提出了一种高铁路基动力稳定性能评价方法。首先，利用大型激振器模拟高速列车荷载，以快速获得高铁路基动力稳定性能评价指标，包括动响应(动应力、振动加速度)和累计变形；其次，基于优选的最佳ML模型对累计变形进行超前预测，探索累计变形的未来发展趋势；最后，综合路基动响应评估和路基累计变形评估，实现高铁路基动力稳定性能评价，并依托杭绍台高铁路基试验段验证该方法的有效性。结果表明：激振试验过程中，路基最大动应力、振动加速度和累积变形分别为42.5 kPa、8.496 m/s2、3.26 mm，均小于各自阈值50 kPa、10 m/s2和15 mm；优选得到LSTM模型的性能最佳，基于LSTM模型得到累计变形预测值稳定于3.27mm，表明累计变形满足超前评估要求。综合路基动响应和路基累计变形评估结果，得到该高铁路基动力稳定性能较好。相关研究成果为高铁路基结构动力稳定性能评价提供新的思路，也可为高铁智能运维提供超前参考。

关键词：高速铁路路基激振测试机器学习动力响应累计变形

基于经验约束神经网络的高速铁路路基累积变形预测研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

铁道科学与工程学报 2024年

作者：邓志兴徐林荣李永威王武斌苏谦中南大学土木工程学院西南交通大学陆地交通地质灾害防治技术国家工程研究中心西南交通大学土木工程学院

掌握高速铁路路基变形发展，对于变形病害控制与运营管理意义重大。目前机器学习方法被广泛应用于累积变形预测，而传统机器学习路基累积变形预测模型存在时间分布外泛化性差的弊端。因此，提出一种基于经验约束神经网络（ECNN）的高速... 详细信息

掌握高速铁路路基变形发展，对于变形病害控制与运营管理意义重大。目前机器学习方法被广泛应用于累积变形预测，而传统机器学习路基累积变形预测模型存在时间分布外泛化性差的弊端。因此，提出一种基于经验约束神经网络（ECNN）的高速铁路路基累积变形预测方法。首先，基于工程现场或室内试验数据构建路基累积变形预测数据集，并划分为训练集和测试集；其次，基于训练集建立神经网络模型，综合测试集上的预测精度与误差、预测不确定性两个层次结果，确定最优神经网络预测模型；最后，利用最优神经网络模型驱动路基累积变形的数据信息，并以损失函数修正的方式嵌入累积塑性应变关系曲线（经验信息），实现对最优神经网络模型参数和损失函数的约束，完成ECNN模型构建。案例分析表明：双向门控循环单元（Bi-GRU）模型为最优的神经网络预测模型，拟合优度R2达到0.97259，扩展不确定性U95和标准化平均差fsmd仅为0.0156、0.18109；相较于Bi-GRU模型，ECNN模型在预测精度与误差、预测不确定性两个层次均更优，表明考虑经验信息约束的ECNN模型具备更强的预测性能；ECNN模型相较于Bi-GRU模型具有优异的时间分布外泛化性能，当训练集覆盖的时间跨度较小时，可有效提高累积变形的预测精度。研究成果可为高速铁路路基累积变形预测提供新参考。

关键词：高速铁路累积变形预测经验约束神经网络神经网络累积塑性应变关系

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于机器学习的粗粒土振动压实频率预测研究

中国公路学报 2024年

作者：邓志兴谢康肖宪普李泰灃郝哲睿张千里李佳珅石家庄铁道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中南大学土木工程学院

为确定路基填料压实的最优振动频率，实现对其智能预测的目的。采用振动压实试验和锤击模态法确定不同压实度填料的固有频率，基于填料最大干密度、动刚度揭示了固有频率与最优振动频率的相关性；建立了填料特征与最优振动频率之间的关... 详细信息

为确定路基填料压实的最优振动频率，实现对其智能预测的目的。采用振动压实试验和锤击模态法确定不同压实度填料的固有频率，基于填料最大干密度、动刚度揭示了固有频率与最优振动频率的相关性；建立了填料特征与最优振动频率之间的关系，提出了最优振动频率的主控特征参数；构建了以主控特征参数为基础的机器学习预测模型，采用双层次评价方法优化了预测模型。结果表明：振动频率为固有频率时，最大干密度最大、动刚度呈现最佳状态；影响最优振动频率的主控特征为填料最大粒径、级配参数、粗骨料的针片状颗粒含量以及洛杉矶磨耗；在预测模型对比分析中认为神经网络模型ANN的拟合优度最优，可将其作为最优振动频率预测的核心模型。研究成果可为确定路基填料压实的最优振动频率提供新方法，并对路基智能化施工提供理论指导与支撑。

关键词：路基填料振动压实最优振动频率主控特征预测性能评价

基于PSO-ML-AdaBoost模型的级配碎石最优压实参数智能预测研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

铁道科学与工程学报 2024年

作者：陈晓斌郝哲睿谢康闫宏业李泰灃尧俊凯邓志兴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

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wo... 详细信息

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。

关键词：高铁级配碎石振动压实主控特征机器学习消融分析

基于机器视觉的级配碎石破碎机制及力学行为研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

铁道科学与工程学报 2024年

作者：李佳珅徐林荣肖宪普李永威谢康邓志兴郝哲睿中南大学土木工程学院

揭示循环荷载下级配碎石性能劣化机制对提高高铁路基服役性能具有重要意义。首先，基于机器视觉提出一种颗粒形状精细快速量化方法，通过自主搭建的图像采集装置构建颗粒图像数据集，选取U-Net、 SegNet、 PSPNet、DeepLabv3+四种典型... 详细信息

揭示循环荷载下级配碎石性能劣化机制对提高高铁路基服役性能具有重要意义。首先，基于机器视觉提出一种颗粒形状精细快速量化方法，通过自主搭建的图像采集装置构建颗粒图像数据集，选取U-Net、 SegNet、 PSPNet、DeepLabv3+四种典型语义分割模型进行颗粒分割实验，从准确性角度优选最佳模型并输出高精度二值图片，进而导入OpenCV(Open Source Computer Vision Library)快速量化颗粒形状。其次，开展室内循环加载试验，采用力学指标动刚度K表征级配碎石性能劣化特性，并通过颗粒形状量化方法明确劣化主控因素。最后，基于劣化主控因素建立不同劣化程度的双轴压缩DEM(Discrete Element Method)模型，揭示该主控因素对级配碎石性能劣化的细观影响机制。研究结果表明：U-Net模型的F1分数、平均像素准确率、平均交并比均高于其他模型，分别为98.03%、97.53%、97.02%，故将其选为最佳颗粒分割模型，并能在后续循环加载试验中准确分割颗粒形状。级配碎石性能劣化前后，粗颗粒等效粒径De、长细比Ei均无明显变化，而圆度Rc均值增大31%，故确定级配碎石性能劣化主控因素为粗颗粒研磨破碎。在双轴压缩DEM模拟中，随Rc增大，即颗粒研磨破碎程度增加，级配碎石偏应力、滑动率、强力链大小及占比、各向异性均逐渐减小，旋转量持续增大，粗颗粒嵌锁能力下降，导致颗粒骨架承载能力及结构稳定性降低，产生劣化现象。研究结果可为高铁路基长期服役性能评估提供理论依据。

关键词：级配碎石机器视觉语义分割模型循环加载 DEM 性能劣化