CN113657041A - 一种高寒区路基物理力学状态智能感知与预报系统 - Google Patents
一种高寒区路基物理力学状态智能感知与预报系统 Download PDFInfo
- Publication number
- CN113657041A CN113657041A CN202110982878.XA CN202110982878A CN113657041A CN 113657041 A CN113657041 A CN 113657041A CN 202110982878 A CN202110982878 A CN 202110982878A CN 113657041 A CN113657041 A CN 113657041A
- Authority
- CN
- China
- Prior art keywords
- roadbed
- data
- forecasting
- information base
- physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 17
- 201000010099 disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 230000005684 electric field Effects 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- 239000002689 soil Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000008014 freezing Effects 0.000 description 8
- 238000007710 freezing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000010291 electrical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004062 sedimentation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 206010016207 Familial Mediterranean fever Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009746 freeze damage Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高寒区路基物理力学状态智能感知与预报系统，所述系统包括路基灾变信息库、数据传输与分析系统、灾变预报预警系统三部分，其中：所述路基灾变信息库由静态信息数据库和动态信息库组成；所述静态信息数据库用于提供路基建设服役期的基础数据信息；所述动态信息库用于提供物理状态指标和力学状态指标；所述数据传输与分析系统用于对传感器数据进行近距离整合和远距离无线传输，基于路基物理力学感知数据进行路基稳定服役指标预测；所述灾变预报预警系统用于对未来不同时间的路基服役状态进行预报。本发明可为寒区高速铁路正常安全运营提供可靠保障。
Description
技术领域
本发明属于路基病害智能监测预警领域，涉及一种高寒区路基物理力学状态智能感知与预报系统。
背景技术
近年来，高速铁路在我国得到了迅速发展，尤以其快速、安全、高效等优点著称。预计截止到2021年底，全国高铁总里程将接近4万公里，运营总里程居世界第一。
铁路路基是为满足轨道铺设和运营条件而建筑的土工构筑物，是承受并传递轨道重力及列车动力作用的结构，它承受着本身土体的自重和路面结构的重量，同时还承受由路面传递下来的行车荷载。路基在行车荷载及环境因素影响下，会出现不均匀沉降、翻浆、冒泥等病害。此外，由于在寒区高速铁路的建设里程也日益增多，寒区高铁路基冻胀融沉问题严重影响行车安全，基床标称强度、刚度不匹配等问题影响行车舒适性。随着重载铁路无缝线路进入快速发展时期，路基冻害引起的基础变形成为寒区重载铁路建设和运营管理中急需解决的重大工程问题。路基冻害一方面会引起钢轨整体的不平顺，威胁行车的安全，另一方面会加剧线路结构自身的损伤，影响无缝线路的安全性，降低轨道结构的服役寿命。
目前，铁路路基病害监测采用轻型动力触探、地质雷达、瞬态面波法和取土试验等多种手段对路基进行试验，从而获取路基的病害信息，但是这种监测方法工作量大且监测效率低，不能对监测所得数据进行智能处理，滞后于铁路高速发展的需求。
发明内容
针对现有技术中存在的问题，本发明提供了一种高寒区路基物理力学状态智能感知与预报系统。本发明构建路基灾害应急抢险信息化平台，通过传感器组网实时监测路基隐患点，智能传输、处理与分析，评价当前的预警级别，及时发动相关管理人员进行实时抢险，修复路基的损伤，为寒区高速铁路正常安全运营提供可靠保障。
本发明的目的是通过以下技术方案实现的：
一种高寒区路基物理力学状态智能感知与预报系统，包括路基灾变信息库、数据传输与分析系统、灾变预报预警系统三部分，其中：
所述路基灾变信息库由静态信息数据库和动态信息库组成；
所述静态信息数据库用于提供路基建设服役期的基础数据信息，基础数据信息包括：运营期的车况信息、地理信息、工程地质信息、历史病害信息、室内外试验信息；
所述动态信息库用于提供物理状态指标和力学状态指标，物理状态指标包括：路基物理状态的电场、水分场、温度场数据，力学状态指标包括：路基力学状态的加速度、动应变、动应力数据；
所述数据传输与分析系统具备两方面功能：一方面，具备传感器数据的近距离整合和远距离无线传输功能，另一方面，具备基于路基物理力学感知数据进行路基稳定服役指标预测的功能，具体而言，即基于相关数据分析方法，建立物理力学指标之间关系模型的功能；
所述灾变预报预警系统用于对未来不同时间的路基服役状态进行预报，该预报预警系统重点涉及时变过程的路基服役状态评估；
所述路基灾变信息库和数据传输与分析系统为灾变预报预警系统提供预报与预警的指标和各指标的阈值，路基灾变信息库对数据传输与分析系统中预报预警模型的建立提供基础，灾变预报预警系统对预报预警模型结果进行判别，即与阈值相比，是否达到预报或预警值。
本发明中，所述静态信息数据库包括车况信息库、地理信息库、工程地质信息库、历史病害信息库、室内外试验信息库，其中：
所述车况信息库用于提供运行列车型号、车速、时间等车况信息；
所述地理信息库、工程地质信息库用于提供路基工程沿线水文地质概况、气候分布特点、降雨、降水数据；
所述历史病害信息库用于提供定期病害检测结果等数据；
所述室内外试验信息库用于提供路基物理状态相关的多场互馈经验模型以及路基力学状态相关的动力学特性演化规律模型，其中：
多场互馈经验模型通过室内试验得到，具体指可反映路基变形、温度、未冻水含量之间的关系模型，其中路基变形分两部分，一部分冻胀变形，一部分融沉变形，关于冻胀变形其一般规律为未冻水含量越低、温度越高、冻胀量越大；关于融沉变形一般规律为未冻水含量越高，温度越高，融沉量越大；
动力学特性演化规律模型通过室内试验和以往研究文献归纳得到，具体指可反映列车荷载作用下路基变形、温度、未冻水含量之间关系模型，此模型中列车荷载作用以动力学参数表征，具体参数为动加速度、动应力、动应变，其中动加速反映路基整体刚度，路基加速度响应越明显，温度越低、未冻水含量越低、整体刚度越大，反之亦然，动力学参数对列车行驶稳定有重要影响。
本发明中，所述动态信息库包括物理状态感知系统和力学状态感知系统，其中：
所述物理状态感知系统用于表征如下物理状态指标：路基物理状态的电场、水分场、温度场数据；
所述力学状态感知系统用于表征如下力学状态指标：路基力学状态的加速度、动应变、动应力数据。
本发明中，所述数据传输与分析系统包括基于物联网(IOT)技术中的数据集成无线传输模块、监测数据预处理模块、数据智能分析与处理模型三部分，其中：
所述数据集成无线传输模块用于监测数据远程传输网络；
所述监测数据预处理模块用于异常数据处理和数据去噪处理；
所述数据智能分析与处理模型用于明确智能感知所得两方面数据：1、寒区路基物理场信息之间的内在关联；2、寒区路基动力学参数之间的内在关联。
本发明中，所述数据智能分析与处理模型包括路基物理场预测模型和路基安全服役多场互馈经验模型，其中：
路基物理场预测模型通过现场数据得到，具体指可反映路基变形、温度、未冻水含量之间的关系模型，其中路基变形分两部分，一部分冻胀变形，一部分融沉变形，关于冻胀变形其一般规律为未冻水含量越低、温度越高、冻胀量越大；关于融沉变形一般规律为未冻水含量越高，温度越高，融沉量越大，上述规律针对同一地区土体确定；
路基安全服役多场互馈经验模型通过现场数据得到，具体指可反映列车荷载作用下路基刚度、变形、温度、未冻水含量之间关系模型，此模型中列车荷载作用以动力学参数表征，具体参数为动加速度、动应力、动应变，其中动加速反映路基整体刚度，路基加速度响应越明显，温度越低、未冻水含量越低、整体刚度越大，反之亦然，动力学参数对列车行驶稳定有重要影响。
本发明中，所述灾变预报预警系统包括长期预报模块、中期预报模块、短期预报模块和自动报警模块，其中：
所述长期预报模块用于对一年以后的路基稳定服役状态进行预报，
所述中期预报模块用于对半年以后的路基稳定服役状态进行预报，
所述短期预报模块用于对一个月以后的路基稳定服役状态进行预报；
所述自动报警模块功能用于对1天以后的路基稳定服役状态进行预报；
所述长期预报模块、中期预报模块、短期预报模块和自动报警模块的预测精确性分别为60％、70％、90％、95％。
相比于现有技术，本发明具有如下优点：
(1)本发明通过路基物理力学感知系统，运用电阻率层析成像技术，实现了对路基物理力学状态较全面高效的监测；
(2)本发明的数据传输与分析系统由多维异构的网络组成，将传感器网络的数据集成编码，提高了数据传输的效率，实现了多种类型传感器的协同合作；
(3)本发明通过寒区路基安全服役及灾变预报预警平台实现对路基物理力学状态微小变量的识别，基于大数据学习构建预测模型，及时对路基灾变做出预报预警；
(4)本发明提出的各项技术可快速获取大范围(0.5km到5km范围内)路基状态，可实现大范围路基灾变预报预警。
附图说明
图1为智能感知及灾变预报预警框架图；
图2为路基灾变信息库构建框架；
图3为力学状态感知测点布置图；
图4为数据传输与分析系统框架；
图5为全卷积网络下物理场数据获取思路；
图6为BP神经网络训练动力学采参数模型流程图；
图7为路基灾变预报预警系统框架。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了高寒区路基物理力学状态智能感知与预报系统，如图1所示，总体构架主要由寒区轨道路基灾变信息库、数据传输与分析系统、灾变预报预警系统三部分构成，三部分互相协调。
如图2所示，路基灾变信息库由静态信息数据库和动态信息库组成，其中：
所述静态信息数据库为路基建设服役期的基础数据信息，包括如下信息库：运营期的车况信息库、地理信息库、工程地质信息库、历史病害信息库、室内外试验信息库；
所述动态信息库包括物理状态感知系统和力学状态感知系统，物理状态感知系统用于表征如下物理状态指标：路基物理状态的电场、水分场、温度场数据；力学状态感知系统用于表征如下力学状态指标：路基力学状态的加速度、动应变、动应力数据；
所述静态信息库中的基本信息对动态信息库中物理场模型的建立提供依据，物理力学状态指标用于预测路基运营服役期间的变形特性。
本发明中，静态信息数据库中的车况信息库由铁路管理部分负责建立和维护，车况信息库内数据包括运行列车型号、车速、时间等车况信息；地理信息库、工程地质信息库、历史病害信息库由线路建设的勘查单位负责建立和维护，地理信息库、工程地质信息包括路基工程沿线水文地质概况、气候分布特点、降雨、降水数据，历史病害信息库包括定期病害检测结果等数据；室内外试验信息库由科研单位负责更新和维护，室内外实验信息库包括路基物理状态相关的多场互馈经验模型，以及路基力学状态相关的动力学特性演化规律模型。
本发明中，路基静态信息库的构建方法如下：收集和整理列车运营服役期的车况信息(列车型号、车速、时间)，从线路建设的勘查单位获取地理信息和工程地质信息，线路运行期间的历史病害信息也应有专属数据库存储，路基工程沿线水文地质概况、气候分布特点、降雨、降水数据、定期病害检测结果等数据均属于静态数据库建立的内容。
本发明中，室内外试验信息库指通过室内外试验手段建立相关指标的关系模型。
本发明中，通过现场数据经过分析得到路基电场-水分场-温度场相互转化的关系模型，所述路基电场-水分场-温度场相互转化的关系模型如公式(1)所示：
式中，m、n、a、b、c、d均为经验参数，可针对不同土体进行标定，ρ为冻土电阻率，θu为未冻水含量，T为冻结温度。建立方式如下：首先取回路基现场原状土样开展土体冻结特征曲线测试，即测试土体在不同冻结温度下的未冻水含量，即公式(1)中的(a)，试验设备采用目前较为成熟的低场核磁共振技术(NMR)，然后基于实验室测试土体电阻率的相关设备，包括定压电源和电流表测试土体在不同冻结温度下的电阻率值，即公式(1)中的(b)，最后以相同的冻结温度为桥梁，建立电阻率与未冻水含量的实验室模型，即公式(1)中的(c)。
本发明中，动态信息库中的物理状态指标主要包括基于高密度电法仪测试路基场地电场信息，以及基于无线蓝牙温度传感器、无线蓝牙水分传感器测试路基的温度场信息和水分场信息，力学状态指标通过现场实测路基动力学参数(加速度、动应变、动应力)实现。
本发明中，物理状态指标的具体构建方法如下：
(1)电场
采用高密度电法仪测试路基运营服役过程中场地电阻率变化，然后将高密度电法仪测试路基场地电阻率值进行数据反演获得电阻率云图。所述高密度电法仪的测试系统选择多道分布式测量方法，可对寒区路基病害频发地段进行定期监测，初次布置时可埋入多跟电极(再试范围内，每隔1m埋置一个电极)。采集监测数据时利用电极屏蔽和电极删除功能，不必将全部电极接入线路，视需要启用相应位置的电极。电极监测的位置、测量频率和测量时间段，依据工程经验和勘察资料设定，感知系统监测持续一个或多个冷暖季节周期。
(2)水分场和温度场
对于水分场和温度场数据的获取，分别采用无线蓝牙温度传感器、无线蓝牙水分传感器采集温度场、水分场数据与电场信息进行比对验证。
具体验证流程如下：高密度电法仪电极测试得到的电阻率数据首先被应用于公式1(c)的实验室模型中，进而获得未冻水含量数据或者温度场数据，然后此数据被用于和现场布设的温度、水分传感器采集的数据进行对比，两者互相参考，若两组数据存在偏差，温度场以现场温度传感器数据为准，水分场以基于电阻率数据和经过公式1(c)中计算的水分场数据为准。
(3)变形场
对于路基变形场数据的测试将基于合成孔径雷达(InSRA)技术开展，对路基沿线地表变形进行监测，获得路基场地变形随时间的变化规律，以路基变形为病害评价的最终指标，用来表述路基的冻胀与融沉现象。基于路基物理状态数据(电场、温度场、水分场)建立路基冻胀、融沉变形预测模型。
本发明中，力学状态指标的获取方法如下：设置若干测试断面，各测点主要布设竖向动力响应测试元件，包括动土压力计和动应变计，加速度拾振器测试竖向加速度，振动拾振器测试竖向振动位移，并使用采集仪对振动信号进行采集；动应力响应利用应变式土压力盒进行监测和数据采集，详见图3。
本发明中，数据传输与分析系统包括基于物联网(IOT)技术中的数据集成无线传输模块、监测数据预处理模块、数据智能分析与处理模型三部分，详见图4，其中：
(1)数据集成无线传输模块
所述数据集成无线传输模块用于监测数据远程传输网络，采集数据的集成与传输采用短距离的无线蓝牙传输和远距离分组无线服务技术(GPRS)两种方式互相协调完成。以封包的方式进行数据无线传输，当现场测试GPRS信号较差时，选择备用的北斗一号卫星来进行网络填充，保证实测的数据能够实时传输到监测预警中心。
(2)监测数据预处理模块
所述监测数据预处理模块包括异常数据处理、数据去噪两种优化数据的预处理方法，其中：所述异常数据处理包括趋势法和人工剔除两种方法，所述趋势法指根据现有数据总体规律剔除趋势外的异常数据，保留趋势附近数据以备后续分析，所述人工剔除指根据数据处理人员以往研究经验对数据中出现的异常数据进行去除；所述数据去噪针对现场监测动力加速度数据，采用kalman滤波以及经验模态分解法对数据进行去噪分析，所述kalman滤波方法通过编制计算机程序建立线性系统状态方程，对数据进行最优估计，从而过滤掉数据中的噪声分量，所述经验模态分解法通过编制计算程序，将现场监测所得加速度时程数据分解为若干个本征模态函数，将分解所得本征模态函数曲线转换为功率谱密度(PSD)曲线，其中最后一个本征模态函数为残余项。
(3)数据智能分析与处理模型
所述数据智能分析与处理模型包括基于卷积神经网络(CNN)技术的图像数据分析获得物理场对应的电阻率云图、未冻水含量云图、温度场云图，以及基于BP神经网络技术构建的路基物理场预测模型。
a、路基物理场数据分析方法：
所述路基物理场预测模型的构建方法基于路基灾变信息库中动态信息库中的电场、水分场、温度场、变形场及静态信息库中的室内试验模型信息，结合全卷积(FCN)神经网络算法进行构建。所述动态信息库中的电场、水分场、温度场、变形场数据信息均以图像的形式呈现。
本发明创新的提出了一种针对图像数据的多物理场信息提取技术。具体而言，首先，向卷积神经网络中输入电阻率云图信息，然后借助TensorFlow程序终端对全卷积网络算法进行实现，通过读取图像中像素点信息对异常的高电阻值或极低电阻值进行合理剔除，快速获得电阻率层析成像技术所得到的电阻率云图中的具体电场信息，然后设计1*1的卷积核，将基于路基灾变信息库中静态信息库的室内试验模型(公式1)写成与地层位置相关的矩阵形式，卷积网络将进行自动学习并输出可以表征场地未冻水含量大小的云图，可与水分传感器监测数据进行对比验证，分析数据误差。此外，设计另一个1*1的卷积核，将路基场地冻结特征曲线中的温度与未冻水含量关系模型写成与地层位置相关的矩阵形式，全卷积网络将进行自动学习并输出可以表征路基场地地温的云图，可与温度传感器数据进行对比验证，分析数据误差。如图5所示，电阻率云通过设计1*1卷积核后在全卷积网络框架中进行数据提取，再借助电阻率模型和冻结特征曲线转化未冻水含量云图和温度云图。
b、路基安全服役预测模型的构建方法：
在a部分发明了从路基电阻率云图得到路基水分场、温度场数据的方法。基于获取的电阻率云图、未冻水含量云图、温度场云图数据，结合InSAR测试得到的路基现场位移云图，以及动力学参数监测结果，动力学参数主要包括加速度、动应变、动应力，借助BP神经网络算法建立路基安全服役预测模型。
本发明创造性的提出了一种针对多变量数据源关联性分析模型构建的方法，处理流程如图6所示，其中LSTM为处理具有时间维度以及类似时间维度信息的循环深度神经网络(RNN)的一种改进模型，可以分析路基场地的电场、水分场、温度场、变形场数据在时间尺度下的变化趋势。实施的具体步骤如下：
首先，编写BP神经网络算法实现程序，然后将图5中所示的基于全卷积神经网络处理得到的路基场地电阻率数据、未冻水含量数据、温度场数据，InSAR测试得到的路基变形数据，以及动力学参数监测得到的加速度、动应变、动应力数据分为训练数据和验证数据两部分。然后进行数据训练，网络训练的具体步骤如下：
BP网络模型框架下隐藏层各个神经元之间的输入与输出关系可用公式(2)、(3)表述：
式中，vj和Oj分别表示隐藏层各个神经元的输入和输出，xi表示输入层第i个节点的输入，wij表示该节点和隐藏层第j节点的连接权值，θj表示隐藏层第j节点的阈值，f采用的是Sigmoid函数，m表示输入层节点数，i表示输入层的节点序号。
然后通过公式(4)和公式(5)计算所述BP神经网络模型的输出层中各神经元的输入和输出：
yk＝f(sk)＝1/[1-exp(-sk)] (5)；
式中，sk表示输出层各神经元的输入，wjk表示输入层第j节点和隐藏层第k节点的连接权值，oj表示隐藏层各个神经元的输出，θj表示隐藏层第j节点的阈值、ηk表示输出层第k节点的阈值，yk表示输出层各神经元的输出，n表示隐藏层节点数，j表示隐藏层的节点序号。
然后，通过公式(6)计算连接到BP神经网络模型的输入层单元上的权值误差：
δk＝(1+yk)(dk-yk)yk (6)；
式中，δk表示连接到输入层单元上的权值误差，yk表示输出层各神经元的输出，dk表示样本期望值。
然后，通过公式(7)计算连接到BP神经网络模型的隐藏层单元上的权值误差：
式中，σj表示连接到隐藏层单元上的权值误差，oj表示隐藏层各个神经元的输出，δk表示连接到输入层单元上的权值误差，wjk表示隐藏层第j节点和输出层第k节点的连接权值，q表示输出层节点数，k表示输出层的节点序号。
通过公式(8)和公式(9)更新当前连接权值以及阈值：
wjk(N+1)＝wjk(N)+αδkoj (8)；
ηk(N+1)＝ηk(N)-βδk (9)；
式中，wjk(N+1)表示更新之后的隐藏层第j节点和输出层第k节点的连接权值，wjk(N)表示更新之前的隐藏第j节点和输出层第k节点的连接权值，α表示权值调整参数，δk表示连接到输入层单元上的权值误差，oj表示隐藏层各个神经元的输出；ηk(N+1)表示更新之后的输出层第k节点的阈值，ηk(N)表示更新之前的输出层第k节点的阈值，β表示阈值调整参数。
通过公式(10)和公式(11)更新下一个连接权值和阈值：
wij(N+1)＝wij(N)+ασjxi (10)；
θj(N+1)＝θj(N)-βσj (11)；
式中，wij(N+1)表示更新之后的输入层第i节点和隐藏层第j节点的连接权值，wij(N)表示更新之前的输入层第i节点和隐藏层第j节点的连接权值，α表示权值调整参数，σj表示连接到隐藏层单元上的权值误差，xi表示输入层第i个节点的输入；θj(N+1)表示更新之后的隐藏层第j节点的阈值，θj(N)表示更新之前的隐藏层第j节点的阈值，β表示阈值调整参数。
当训练集样本中的所有的样本训练完毕后，计算均方误差，若所述均方误差满足输出条件，则输出新的路基冻胀预测和融沉预测数值。
通过公式(12)计算均方误差：
式中，Et表示均方误差，Ck表示期望输出值，yk表示输出层各神经元的输出，q表示输出层节点数。
当均方误差满足
则均方误差满足输出条件，其中，ε表示学习的精度，t表示训练集样本中的训练样本，z表示训练样本总数。
本发明中，灾变预报预警系统包括长期预报模块、中期预报模块、短期预报模块和自动报警模块，所述长期预报模块、中期预报模块、短期预报模块和自动报警模块作为本发明系统的数据处理与智能分析中枢，将协调感知系统和传感器网络的数据编码、集成和解码进程，其中：所述长期预报模块、中期预报模块、短期预报模块和自动报警模块分别由对应的理论分析方法对数据进行判别。长期预报模块、中期预报模块、短期预报模块和自动报警模块分别表示路基在未来一定时间段内(不同时间)其服役状态将会面临挑战，即表示列车的安全运营受到挑战。灾变预报预警系统依次设计主程序、子程序、子过程，然后定义和调试各个模块之间的输入和输出链接关系，以功能为导向进行具体的模块设计。
本发明提出的上述数据智能分析与处理模型可以输出与路基服役状态相关指标的具体结果，即路基在一定时间内的变形量。分别设计4个不同的预警级别，具体而言，首先根据路基在一定时间的变形量预测轨道不平顺情况，然后评价轨道不平顺状态下行车安全性，若根据模型预测结果计算出在未来一年以后路基安全运营将会面临挑战，则表示系统的长期预报指标阈值已达到，若根据模型预测结果计算出在未来半年以后路基安全运营将会面临挑战，则表示系统的中期预报指标阈值已达到，若根据模型预测结果计算出在未来一个月以后路基安全运营将会面临挑战，则表示系统的短期预报指标阈值已达到，若根据模型预测结果计算出在未来1天以后路基安全运营将会面临挑战，则表示系统的自动报警指标阈值已达到，测试应立刻通知铁路部门停止该线路的运营。上述灾变预报预警系统根据监测数据智能分析与处理模型进行评判和反馈。进一步地，数据传输与分析系统中的数据集成无线传输模块对采集数据进行数据融合，实现各类传感器协同工作后，经数据传输与分析系统远程传输至GPRS终端，再通过公网传输至灾变预报预警系统。上述方法实现流程详见图7。
Claims (5)
1.一种高寒区路基物理力学状态智能感知与预报系统，其特征在于所述系统包括路基灾变信息库、数据传输与分析系统、灾变预报预警系统三部分，其中：
所述路基灾变信息库由静态信息数据库和动态信息库组成；
所述静态信息数据库用于提供路基建设服役期的基础数据信息；
所述动态信息库用于提供物理状态指标和力学状态指标；
所述数据传输与分析系统用于对传感器数据进行近距离整合和远距离无线传输，并基于路基物理力学感知数据进行路基稳定服役指标预测；
所述灾变预报预警系统用于对未来不同时间的路基服役状态进行预报。
2.根据权利要求1所述的高寒区路基物理力学状态智能感知与预报系统，其特征在于所述静态信息数据库包括车况信息库、地理信息库、工程地质信息库、历史病害信息库、室内外试验信息库，其中：
所述车况信息库用于提供运行列车型号、车速、时间车况信息；
所述地理信息库、工程地质信息库用于提供路基工程沿线水文地质概况、气候分布特点、降雨、降水数据；
所述历史病害信息库用于提供定期病害检测结果数据；
所述室内外试验信息库用于提供路基物理状态相关的多场互馈经验模型以及路基力学状态相关的动力学特性演化规律模型。
3.根据权利要求1所述的高寒区路基物理力学状态智能感知与预报系统，其特征在于所述动态信息库包括物理状态感知系统和力学状态感知系统，其中：
所述物理状态感知系统用于表征如下物理状态指标：路基物理状态的电场、水分场、温度场数据；
所述力学状态感知系统用于表征如下力学状态指标：路基力学状态的加速度、动应变、动应力数据。
4.根据权利要求1所述的高寒区路基物理力学状态智能感知与预报系统，其特征在于所述数据传输与分析系统包括数据集成无线传输模块、监测数据预处理模块、数据智能分析与处理模型三部分，其中：
所述数据集成无线传输模块用于监测数据远程传输网络；
所述监测数据预处理模块用于异常数据处理和数据去噪处理；
所述数据智能分析与处理模型用于明确寒区路基物理场信息之间的内在关联和寒区路基动力学参数之间的内在关联。
5.根据权利要求1所述的高寒区路基物理力学状态智能感知与预报系统，其特征在于所述灾变预报预警系统包括长期预报模块、中期预报模块、短期预报模块和自动报警模块，其中：
所述长期预报模块用于对一年以后的路基稳定服役状态进行预报，
所述中期预报模块用于对半年以后的路基稳定服役状态进行预报，
所述短期预报模块用于对一个月以后的路基稳定服役状态进行预报；
所述自动报警模块功能用于对1天以后的路基稳定服役状态进行预报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110982878.XA CN113657041B (zh) | 2021-08-25 | 一种高寒区路基物理力学状态智能感知与预报系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110982878.XA CN113657041B (zh) | 2021-08-25 | 一种高寒区路基物理力学状态智能感知与预报系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657041A true CN113657041A (zh) | 2021-11-16 |
| CN113657041B CN113657041B (zh) | 2024-11-08 |
Family
ID=
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114483068A (zh) * | 2022-03-03 | 2022-05-13 | 北京市轨道交通建设管理有限公司 | 双孔叠落盾构隧道施工控制方法 |
| CN114491781A (zh) * | 2022-04-08 | 2022-05-13 | 西南交通大学 | 一种考虑不确定性的无砟轨道基床损伤预警方法及系统 |
| CN114739450A (zh) * | 2022-03-18 | 2022-07-12 | 哈尔滨工业大学 | 一种适于寒区路基的复合式智能土工格栅及监测预警方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106771082A (zh) * | 2017-01-17 | 2017-05-31 | 西安科技大学 | 基于土体电阻率变化的冻土未冻水含量检测系统及方法 |
| CN106815971A (zh) * | 2016-12-21 | 2017-06-09 | 西安工程大学 | 一种基于rbf神经网络的滑坡灾害预报方法 |
| CN107220755A (zh) * | 2017-05-23 | 2017-09-29 | 大连理工大学 | 高铁拱桥刚性吊杆异常状态快速预警系统及其方法 |
| CN107858883A (zh) * | 2017-11-29 | 2018-03-30 | 北京交通大学 | 一种轨道系统安全状态综合监测及智能分析方法 |
| CN207552827U (zh) * | 2017-11-29 | 2018-06-29 | 北京交通大学 | 一种轨道系统安全状态综合监测及智能分析系统 |
| WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
| WO2021120765A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和系统 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815971A (zh) * | 2016-12-21 | 2017-06-09 | 西安工程大学 | 一种基于rbf神经网络的滑坡灾害预报方法 |
| CN106771082A (zh) * | 2017-01-17 | 2017-05-31 | 西安科技大学 | 基于土体电阻率变化的冻土未冻水含量检测系统及方法 |
| CN107220755A (zh) * | 2017-05-23 | 2017-09-29 | 大连理工大学 | 高铁拱桥刚性吊杆异常状态快速预警系统及其方法 |
| CN107858883A (zh) * | 2017-11-29 | 2018-03-30 | 北京交通大学 | 一种轨道系统安全状态综合监测及智能分析方法 |
| CN207552827U (zh) * | 2017-11-29 | 2018-06-29 | 北京交通大学 | 一种轨道系统安全状态综合监测及智能分析系统 |
| WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
| WO2021120765A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| 孔祥勋，等: "重载铁路高路堤沉降预测及影响因素分析", 北京交通大学学报, vol. 43, no. 3, 31 December 2019 (2019-12-31), pages 26 - 34 * |
| 王怡平，等: "地质灾害监测预警系统的设计与关键技术研究", 信息通信, no. 04, 15 April 2016 (2016-04-15), pages 190 - 191 * |
| 王柯: "电阻率法在冻土未冻水含量测试中的理论及试验研究", 中国优秀硕士学位论文全文数据库, no. 1, 15 January 2020 (2020-01-15), pages 038 - 2423 * |
| 蔡小培，等: "高架站无砟轨道道岔监测数据管理信息系统", 铁道工程学报, no. 01, 15 January 2016 (2016-01-15), pages 52 - 57 * |
| 郭从洁，等: "冻融作用下初始含水率对膨胀土边坡稳定性的影响研究", 西安建筑科技大学学报, vol. 53, no. 1, 28 February 2021 (2021-02-28), pages 69 - 79 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114483068A (zh) * | 2022-03-03 | 2022-05-13 | 北京市轨道交通建设管理有限公司 | 双孔叠落盾构隧道施工控制方法 |
| CN114739450A (zh) * | 2022-03-18 | 2022-07-12 | 哈尔滨工业大学 | 一种适于寒区路基的复合式智能土工格栅及监测预警方法 |
| CN114739450B (zh) * | 2022-03-18 | 2024-05-28 | 哈尔滨工业大学 | 一种适于寒区路基的复合式智能土工格栅及监测预警方法 |
| CN114491781A (zh) * | 2022-04-08 | 2022-05-13 | 西南交通大学 | 一种考虑不确定性的无砟轨道基床损伤预警方法及系统 |
| CN114491781B (zh) * | 2022-04-08 | 2022-07-01 | 西南交通大学 | 一种考虑不确定性的无砟轨道基床损伤预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104850748B (zh) | 一种铁路钢轨折断故障分析预警方法及系统 | |
| CN114169548B (zh) | 一种基于bim的公路桥梁管养phm系统和方法 | |
| CN116227752B (zh) | 一种基于物联网的园区设施管理系统 | |
| CN113177611A (zh) | 基于力学指标和人工神经网络的路面病害快速巡检方法 | |
| CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
| CN115419120B (zh) | 一种公路路基沉降监测预测方法 | |
| CN109886456A (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
| CN116430739B (zh) | 一种基于数字孪生技术的全过程智慧压实系统及管控方法 | |
| CN118503813B (zh) | 一种边坡群安全风险监测评估方法及管理系统 | |
| Zhang et al. | Research of synergy warning system for gas outburst based on entropy-weight Bayesian | |
| CN116502748A (zh) | 融合多影响因素的滑坡空间风险性预警决策机制研究方法 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN117933701B (zh) | 轨道交通工程建设安全风险监控方法及系统 | |
| CN209168369U (zh) | 一种滑坡灾害实时监测装置 | |
| CN117114241B (zh) | 一种用于监测道路灾害的智慧遥感系统 | |
| CN114359003A (zh) | 一种基于云计算的轨道交通网信息化运营管理系统 | |
| CN113657041B (zh) | 一种高寒区路基物理力学状态智能感知与预报系统 | |
| CN113657041A (zh) | 一种高寒区路基物理力学状态智能感知与预报系统 | |
| CN116110210A (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN115339484A (zh) | 一种长距离无源感知的轨道交通健康监测系统及方法 | |
| CN107766630B (zh) | 高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法 | |
| CN117985076B (zh) | 一种高速铁路无砟轨道路基服役性能评价方法及系统 | |
| CN117935491B (zh) | 一种基于时空概率的滑坡降雨阈值预测方法 | |
| CN113408441B (zh) | 基于DRSN和person相关系数的道床故障预警方法 | |
| CN113569491B (zh) | 一种轮对尺寸检测数据的分析和校正方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |