【技术实现步骤摘要】
本专利技术涉及智能算法，特别涉及路基振动压实智能预测与控制。具体是一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估方法及其应用。
技术介绍
1、高速铁路路基压实质量由压实度k控制，最大干密度ρdmax是其计算的关键指标。目前确定ρdmax的机制和方法仍存在不确定性、效率低下和缺乏智能等问题。这些缺陷会导致对高速铁路路基压实质量的评估不足，从而降低路基结构的稳定性和强度，并可能在后期运营过程中引发不均匀沉降、轨道不平顺等病害，严重影响高速铁路的运营安全。
2、压实度k是根据现场砂锥法测量的干密度ρd和室内振动压实法测定的ρdmax计算得出的。因此，室内实验得出的ρdmax是评估压实质量的标准值。目前，振动压实方法作为一种流行的压实方法，已成为确定高速铁路路基粗粒土填料ρdmax的最有效手段。然而，采用该方法去精确确定高速铁路路基填料ρdmax的最佳压实时间方面仍缺乏基础。人们总结出的最佳振动时间在60～480s之间，但ρdmax却无法准确确定，从而导致压实质量评估出现误差。因此，有必要提出一种在振动压实中确定ρdmax的新方法。
3、基于ρdmax预测模型，可以实现压实度k的快速计算，是评估高速铁路路基压实质量的重要方法，可以节省大量的野外试验工作量。然而，ρdmax的预测任务存在典型的非线性特征。许多学者使用简单的回归模型来建立ρdmax与填料参数之间的关系，但其预测结果的准确性仍有待商榷。最近，机器学习(ml)方法因其非线性映射、高效率和智能性而得到广泛应用，可为ρdmax的预测提供了高效
4、区间预测又称概率预测，可以通过构建预测区间来量化点预测的不确定性。随着人们对预测模型不确定性的日益关注，de lta、贝叶斯、mve、bootstrap和lube等用于构建预测模型区间的方法相继被提出。这些方法还被成功应用于金融、风电、能源等多个领域。bootstrap方法是一种基于重采样技术的非参数统计方法，其优点是只依赖于原始观测样本数据。由于bootstrap方法的独特优势，它得到了广泛的应用，同时也为振动压实有限数据条件下的统计分布建模提供了一种新方法。因此，有必要在现有高精度ml算法的基础上，引入bootstrap方法来修正不确定性问题，进一步实现高速铁路路基压实质量的精确评估。
5、综上，亟需研发一种提出一种基于ml-区间预测理论的全断面高速铁路路基压实质量评估新方法，该方法可为评估高速铁路路基压实质量提供有效技术，并可扩展到后续的路基服役性能评估中。
技术实现思路
1、有鉴于此，为了解决
技术介绍
中的问题，本专利技术提出了一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估方法，此方法可量化ρdmax确定与获取过程中的多种不确定性，可快速获得可靠、准确的压实质量评估结果，为评估高速铁路路基压实质量提供有效技术。
2、本专利技术的技术方案包括以下步骤(如图1所示)：
3、步骤1：基于室内振动压实试验，确定基于动刚度krb转折点的最大干密度ρdmax；
4、步骤2：建立预测ρdmax的pso-opt ima l ml-adaboost(poa)模型；
5、步骤3：引入区间预测理论(bootstrap)量化ρdmax预测的不确定性，建立ρdmax的bootstrap-poa-ann(bpa)区间预测模型；
6、步骤4：结合区间预测模型、空间插值算法和压实标准，建立高速铁路路基压实质量全断面评估模型。
7、本专利技术还公开一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行上述的方法。
8、本专利技术还公开一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行上述的方法。
9、有益效果：
10、本方法解决了目前确定ρdmax的机制和方法仍存在不确定性、效率低下和缺乏智能等问题。这些缺陷会导致对高速铁路路基压实质量的评估不足，从而降低路基结构的稳定性和强度，并可能在后期运营过程中引发不均匀沉降、轨道不平顺等病害，严重影响高速铁路的运营安全。在信息化的时代，结合机器学习算法与区间预测理论提出一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估新方法。首先，基于室内振动压实试验和多参数协同测试方法，提出了一种基于动刚度krb转折点的ρdmax确定方法。其次，在三种典型的机器学习(ml)算法(bpnn、svr和rf)的基础上，开发了ρdmax的pso-ml-adaboost混合模型。此外，还根据预测精度和误差确定了pso-opt ima l ml-adaboost(poa)模型。第三，引入区间预测理论(bootstrap)来量化ρdmax预测的不确定性。最后，基于bootstrap-poa-ann(bpa)区间预测模型和空间插值算法，预测全断面ρdmax的区间分布，并根据压实标准(95％)建立全断面压实质量评估模型。基于真实试验段的试验结果表明，在该种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估新方法的作用下，得到：1)pso-bpnn-adaboost模型在准确度和误差指标上表现较好，因此被选为ρdmax的poa模型。2)ρdmax的bpa区间预测模型可以构建清晰可靠的预测区间。3)压实质量全断面评估模型可提供压实度的全断面分布区间。对比50～60cm和60～70cm的压实厚度，40～50cm的压实厚度压实质量更好。该方法可为评估高速铁路路基压实质量提供有效技术，并可扩展到后续的路基服役性能评估中。
本文档来自技高网...【技术保护点】
1.一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估方法，其特征在于：所述步骤1包括以下步骤:
3.根据权利要求2所述的评估方法，其特征为：所述压实质量多参数协同测试系统中嵌入了干密度ρd与动刚度Krb的计算，其公式如下：
4.根据权利要求1所述的评估方法，其特征在于：所述步骤2中建立预测ρdmax的PSO-OptimalML-AdaBoost，即POA模型，包括以下步骤:
5.根据权利要求4所述的评估方法，其特征在于：所述基于测试集的最优ML模型评价采用拟合优度R2、解释模型方差得分EVS、均方误差MSE和平均绝对误差MAE四个指标评价模型的预测性能，公式如下：
6.根据权利要求1所述的评估方法，其特征在于：所述步骤3)中建立ρdmax的Bootstrap-POA-ANN，即BPA区间预测模型包括以下步骤:
7.根据权利要求6所述的评估方法，其特征为：所述预测均值与认知误差方
8.根据权利要求6所述的评估方法，其特征为：所述随机误差方差估计包括如下步骤:
9.根据权利要求6所述评估方法，其特征为：所述不确定性预测与精度评估包括如下步骤:
10.根据权利要求1所述的评估方法，其特征在于：所述步骤4)中建立高速铁路路基压实质量全断面评估模型包括以下步骤:
11.根据权利要求10所述的评估方法，其特征为：所述基于空间插值算法的全断面数据采集，采用克里金插值算法(Kriging)，其核心计算公式如下：
12.根据权利要求10所述的评估方法，其特征为：所述的压实度K计算公式如下：
13.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至12中任意一项所述的方法。
14.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至12中任意一项所述的方法。
...【技术特征摘要】
1.一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习与区间预测理论的高速铁路路基压实质量全断面评估方法，其特征在于：所述步骤1包括以下步骤:
3.根据权利要求2所述的评估方法，其特征为：所述压实质量多参数协同测试系统中嵌入了干密度ρd与动刚度krb的计算，其公式如下：
4.根据权利要求1所述的评估方法，其特征在于：所述步骤2中建立预测ρdmax的pso-optimalml-adaboost，即poa模型，包括以下步骤:
5.根据权利要求4所述的评估方法，其特征在于：所述基于测试集的最优ml模型评价采用拟合优度r2、解释模型方差得分evs、均方误差mse和平均绝对误差mae四个指标评价模型的预测性能，公式如下：
6.根据权利要求1所述的评估方法，其特征在于：所述步骤3)中建立ρdmax的bootstrap-poa-ann，即bpa区间预测模型包括以下步骤:
7.根据权利要求6所述的评估方法，其特征为：所述预测均值与认知误差方差估计...
【专利技术属性】
技术研发人员：闫宏业，陈晓斌，蔡德钩，李泰灃，谢康，苏珂，毕宗琦，李竹庆，喻昭晟，周雨晴，王密，王李阳，刘振宇，梁经纬，刘晓贺，王瑜鑫，王瑞鹏，
申请(专利权)人：中国国家铁路集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。