检索结果-南通市图书馆

铁道科学与工程学报 2025年第2期 469-484页

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变形病害的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变形病害的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2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0.972 59，扩展不确定性U95和标准化平均差fsmd仅为0.015 6、0.181 09；相较于Bi-GRU模型，ECNN模型在预测精度与误差、预测不确定性2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

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：