CN109141808B - 地铁高架线路多点风速感知的沿线风速空间推演方法 - Google Patents

Abstract

本发明公开了一种地铁高架线路多点风速感知的沿线风速空间推演方法，利用等高线地图、现场实测的信息建立三维近地风场模型，现场实测的信息包括地形地貌和建筑；通过CFD方法对三维近地风场模型进行数值模拟，得空间风场、监测点风场、地铁高架线路风场分布的数据结果；利用最小二乘法算法对监测点风场、地铁高架线路风场分布与来流风场的特征进行拟合，得监测点风场‑来流风场、地铁高架线路风场分布‑来流风场的映射关系；利用神经网络预测算法模型对来流风场的特征进行预测，进而对地铁高架线路风场分布进行预测。该方法利用有限点的风速监测数据对区域的连续风速分布预测，解决了现有方法空间监测和空间预测精确度不高的问题。

Description

地铁高架线路多点风速感知的沿线风速空间推演方法

技术领域

本发明涉及轨道交通技术领域，具体涉及一种地铁高架线路多点风速感知的沿线风速空间推演方法。

背景技术

我国既有和新建高速铁路沿线多有风区，尤其兰新高铁及沿海高速铁路风区多且风速高，武广高铁和新建的沪昆高铁等通过中部地区的高速铁路客运专线也面临着严峻的大风防灾问题。

在强侧风作用下，高速列车气动性能恶化，严重影响列车运行的稳定性，容易造成列车脱轨、倾覆事故。高风速高车速的条件下，地形地貌和高架桥等一系列的路况会使列车周围流场变得更为复杂，严重时会导致列车气动力显著增加，影响列车的安全运行，由侧风导致的列车事故在世界各国时有发生，大风给铁路运输安全、人民生命财产造成严重威胁。

基于此，有必要对高架线路的近地风速进行安全性监测和预测。目前的风速监测和预测方法存在空间监测和空间预测的精确度不高的问题。因此，亟需开发一种新的风速监测和预测方法，以提高列车在大风环境下行车的安全系数，保障列车的行驶安全。

发明内容

本发明的主要目的在于提供一种地铁高架线路多点风速感知的沿线风速空间推演方法，以解决现有的方法空间监测和空间预测的精确度不高的问题。

为了实现上述目的，本发明提供了一种地铁高架线路多点风速感知的沿线风速空间推演方法，包括以下步骤：

利用等高线地图以及现场实测的信息，建立三维近地风场模型，其中，现场实测的信息包括地形地貌信息和建筑信息；

通过计算流体动力学方法对三维近地风场模型进行数值模拟，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果；

利用最小二乘法算法对监测点风场、地铁高架线路风场分布与来流风场的特征进行拟合，得到监测点风场-来流风场、地铁高架线路风场分布-来流风场的映射关系；

利用神经网络预测算法模型对来流风场的特征进行预测，进而对地铁高架线路风场分布进行预测。

进一步地，监测点风场-来流风场的映射关系通过如下方法拟合得到：

测点#1的横向风速ν_#1与来流风场的风速ν、风向θ数据之间的关系如下式：

ν_#1＝f(ν,θ)

假定风向θ为常量，得到测点#1的横向风速与来流风场的风速ν呈线性关系，假定来流风场的风速ν为常量，得到测点#1的横向风速与来流风向呈多级正弦函数关系，则，测点#1的横向风速ν_#1与来流风场的风速ν、风向θ数据之间的关系演变如下式：

ν_#1＝k₁ν,k₁＝λ₁(θ)

考虑风向θ为常量时，对测点#1的横向风速与来流风场的风速的关系进行拟合，得到该风向θ时的k₁值，通过改变风向θ，就可以得到一组风向θ与k₁的关系表，然后对k₁与风向θ进行拟合的函数关系，如下式：

即得测点#1的横向风速ν_#1与来流风场的风速ν、风向θ的关系，如下式：

其中，横向风速ν_#1和来流风场的风速ν的单位均为米/秒。

进一步地，地铁高架线路风场分布-来流风场的映射关系通过如下方法拟合得到：

将地铁高架线路沿线的风速归一化处理，铁地沿线风场分布关系如下式：

ν_s/v＝h(s,θ)

其中，s为沿线的长度值，其单位为米；θ为来流风向；

假定来流风向θ为常量，得到测点S的横向风速与来流风速呈线性关系，当长度坐标值为s常量时，该点的横向风速与来流风向呈多级正弦函数关系，如下式：

测点S的横向风速ν_s与测点位置s和风向θ数据之间的关系演变如下式：

a_n＝ξ(s)

b_n＝ψ(s)

c_n＝ζ(s)

最后通过简单拟合，得到a_n、b_n和c_n。

进一步地，利用等高线地图以及现场实测的信息建立三维近地风场模型，包括：

采用全风向角吹风的方式模拟近地区域风场特性，确定风速危险区域，将其作为小范围区域划分的依据,根据确定的风速危险区域将大区域划分成若干小范围区域，对小范围区域进行精细化处理，模拟铁路沿线地形地貌，建立三维近地风场模型。

进一步地，通过计算流体动力学方法对三维近地风场模型进行数值模拟，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果，包括：

通过计算流体动力学方法针对每个区段铁路沿线的三维近地风场模型进行数值模拟计算，得到各区段对列车运行影响最大的风加速因数数值及其对应的风向角，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果。

本发明技术方案的沿线风速空间推演方法，利用地铁高架线路上的多点监测数据资料，预测地铁高架线路的风场分布特性，通过CFD(计算流体动力学，ComputationalFluid Dynamics)数据模拟、最小二乘法数值拟合和神经网络预测算法等技术手段，实现由多点风速到地铁高架沿线空间风速的推演。实现了利用有限点的风速监测数据对区域的连续风速分布预测，进而解决了现有方法空间监测和空间预测的精确度不高的问题，提高了列车在大风环境下行车的安全系数，保障了列车行驶路线上的安全性。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例的沿线风速空间推演方法的原理图。

图2为本发明实施例的沿线风速空间推演方法的流程图。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。

参见图1和图2，一种本发明实施例的地铁高架线路多点风速感知的沿线风速空间推演方法，该方法包括以下步骤：

步骤S101：利用等高线地图以及现场实测的信息建立三维近地风场模型，其中，现场实测的信息包括地形地貌信息和建筑信息；

步骤S102：通过计算流体动力学方法对三维近地风场模型进行数值模拟，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果；

步骤S103：利用最小二乘法算法对监测点风场、地铁高架线路风场分布与来流风场的特征进行拟合，得到监测点风场-来流风场、地铁高架线路风场分布-来流风场的映射关系；

步骤S104：利用神经网络预测算法模型对来流风场的特征进行预测，进而对地铁高架线路风场分布进行预测。

上述的沿线风速空间推演方法，利用地铁高架线路上的多点监测数据资料，预测地铁高架线路的风场分布特性，通过CFD数据模拟、最小二乘法数值拟合和神经网络预测算法等技术手段，实现由多点风速到地铁高架沿线空间风速的推演。实现了利用有限点的风速监测数据对区域的连续风速分布预测，进而解决了现有方法空间监测和空间预测的精确度不高的问题，提高了列车在大风环境下行车的安全系数，保障了列车行驶路线上的安全性。

在本实施例中，步骤S103中，监测点风场-来流风场的映射关系通过如下方法拟合得到：

步骤S1031：测点#1的横向风速ν_#1与来流风场的风速ν、风向θ数据之间的关系如下式：

ν_#1＝f(ν,θ)

步骤S1032：假定风向θ为常量，得到测点#1的横向风速与来流风场的风速ν呈线性关系，假定来流风场的风速ν为常量，得到测点#1的横向风速与来流风向呈多级正弦函数关系，则，测点#1的横向风速ν_#1与来流风场的风速ν、风向θ数据之间的关系演变如下式：

ν_#1＝k₁ν,k₁＝λ₁(θ)

步骤S1033：考虑风向θ为常量时，对测点#1的横向风速与来流风场的风速的关系进行拟合，得到该风向θ时的k₁值，通过改变风向θ，就可以得到一组风向θ与k₁的关系表，然后对k₁与风向θ进行拟合的函数关系，如下式：

步骤S1034：即得测点#1的横向风速ν_#1与来流风场的风速ν、风向θ的关系，如下式：

其中，横向风速ν_#1和来流风场的风速ν的单位均为米/秒。

在本实施例中，步骤S103中，地铁高架线路风场分布-来流风场的映射关系通过如下方法拟合得到：

步骤S1035：将地铁高架线路沿线的风速归一化处理，铁地沿线风场分布关系如下式：

ν_s/v＝h(s,θ)

其中，s为沿线的长度值，其单位为米；θ为来流风向；

步骤S1036：假定来流风向θ为常量，得到测点S的横向风速与来流风速呈线性关系，当长度坐标值为s常量时，该点的横向风速与来流风向呈多级正弦函数关系，如下式：

步骤S1037：测点S的横向风速ν_s与测点位置s和风向θ数据之间的关系演变如下式：

a_n＝ξ(s)

b_n＝ψ(s)

c_n＝ζ(s)

步骤S1038：最后通过简单拟合，得到a_n、b_n和c_n。

在本实施例中，步骤S101中，利用等高线地图以及现场实测的信息建立三维近地风场模型，具体包括：采用全风向角吹风的方式模拟近地区域风场特性，确定风速危险区域，将其作为小范围区域划分的依据,根据确定的风速危险区域将大区域划分成若干小范围区域，对小范围区域进行精细化处理，模拟铁路沿线地形地貌，建立三维近地风场模型。

在本实施例中，步骤S102中，通过计算流体动力学方法对所述三维近地风场模型进行数值模拟，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果，具体包括：通过计算流体动力学方法针对每个区段铁路沿线的三维近地风场模型进行数值模拟计算，得到各区段对列车运行影响最大的风加速因数数值及其对应的风向角，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种地铁高架线路多点风速感知的沿线风速空间推演方法，其特征在于，包括以下步骤：

利用等高线地图以及现场实测的信息建立三维近地风场模型，其中，所述现场实测的信息包括地形地貌信息和建筑信息；

通过计算流体动力学方法对所述三维近地风场模型进行数值模拟，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果；

利用最小二乘法算法对所述监测点风场、所述地铁高架线路风场分布与来流风场的特征进行拟合，得到监测点风场-来流风场、地铁高架线路风场分布-来流风场的映射关系；所述监测点风场-来流风场的映射关系通过如下方法拟合得到：

测点#1的横向风速ν_#1与来流风场的风速ν、风向θ数据之间的关系如下式：

ν_#1＝f(ν,θ)

假定风向θ为常量，得到测点#1的横向风速与来流风场的风速ν呈线性关系，假定来流风场的风速ν为常量，得到测点#1的横向风速与来流风向呈多级正弦函数关系，则测点#1的横向风速ν_#1与来流风场的风速ν、风向θ数据之间的关系演变如下式：

ν_#1＝k₁ν,k₁＝λ₁(θ)

考虑风向θ为常量时，对测点#1的横向风速与来流风场的风速的关系进行拟合，得到该风向θ时的k₁值，通过改变风向θ，就可以得到一组风向θ与k₁的关系表，然后对k₁与风向θ进行拟合，其函数关系如下式：

即得测点#1的横向风速ν_#1与来流风场的风速ν、风向θ的关系，如下式：

其中，横向风速ν_#1和来流风场的风速ν的单位均为米/秒；

利用神经网络预测算法模型对所述来流风场的特征进行预测，进而对所述地铁高架线路风场分布进行预测。

2.根据权利要求1所述的地铁高架线路多点风速感知的沿线风速空间推演方法，其特征在于，所述地铁高架线路风场分布-来流风场的映射关系通过如下方法拟合得到：

将地铁高架线路沿线的风速归一化处理，铁地沿线风场分布关系如下式：

ν_s/v＝h(s,θ)

其中，s为沿线的长度值，其单位为米；θ为来流风向；

假定来流风向θ为常量，得到测点S的横向风速与来流风速呈线性关系，当长度坐标值为s常量时，该点的横向风速与来流风向呈多级正弦函数关系，如下式：

测点S的横向风速ν_s与测点位置s和风向θ数据之间的关系演变如下式：

a_n＝ξ(s)

b_n＝ψ(s)

c_n＝ζ(s)

最后通过拟合，得到a_n、b_n和c_n。

3.根据权利要求1所述的地铁高架线路多点风速感知的沿线风速空间推演方法，其特征在于，所述利用等高线地图以及现场实测的信息建立三维近地风场模型，包括：

采用全风向角吹风的方式模拟近地区域风场特性，确定风速危险区域，将其作为小范围区域划分的依据,根据确定的风速危险区域将大区域划分成若干小范围区域，对小范围区域进行精细化处理，模拟铁路沿线地形地貌，建立三维近地风场模型。

4.根据权利要求3所述的地铁高架线路多点风速感知的沿线风速空间推演方法，其特征在于，所述通过计算流体动力学方法对所述三维近地风场模型进行数值模拟，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果，包括：

通过计算流体动力学方法针对每个区段铁路沿线的三维近地风场模型进行数值模拟计算，得到各区段对列车运行影响最大的风加速因数数值及其对应的风向角，得到空间风场、监测点风场、地铁高架线路风场分布的数据结果。

Images