CN114757365A - 一种基于深度学习的高速铁路路基沉降预测及预警方法 - Google Patents

一种基于深度学习的高速铁路路基沉降预测及预警方法 Download PDF

Info

Publication number
CN114757365A
CN114757365A CN202210659376.8A CN202210659376A CN114757365A CN 114757365 A CN114757365 A CN 114757365A CN 202210659376 A CN202210659376 A CN 202210659376A CN 114757365 A CN114757365 A CN 114757365A
Authority
CN
China
Prior art keywords
settlement
data
speed railway
predicting
early warning
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.)
Pending
Application number
CN202210659376.8A
Other languages
English (en)
Inventor
刘阳阳
邓志兴
刘语涵
张承睿
智海旭
杨东奇
牛云彬
谢康
苏谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210659376.8A priority Critical patent/CN114757365A/zh
Publication of CN114757365A publication Critical patent/CN114757365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D1/00—Investigation of foundation soil in situ
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D1/00—Investigation of foundation soil in situ
    • E02D1/08—Investigation of foundation soil in situ after finishing the foundation structure
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G01C5/04—Hydrostatic levelling, i.e. by flexibly interconnected liquid containers at separated points
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B2/00—General structure of permanent way
    • E01B2/006—Deep foundation of tracks
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C3/00—Foundations for pavings
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D2600/00—Miscellaneous
    • E02D2600/10—Miscellaneous comprising sensor means

Abstract

本发明公开了一种基于深度学习的高速铁路路基沉降预测及预警方法，涉及地质灾害预测预警技术领域，目的是实现复杂自然环境下更精准的路基沉降预测及预警，包括获取监测传感器所测得的数据；对监测传感器所测得的数据进行数据预处理，得到完整且平滑的数据集；建立高速铁路路基沉降预测模型，将完整且平滑的数据集划分成训练集和测试集，并将训练集投入模型中进行训练获取模型的参数矩阵；通过测试集对训练好的高速铁路路基沉降预测模型进行测试；根据测试结果对预测模型进行精度评估；通过预警模型对预测的沉降数据进行判断并给出相应的预警结果；本发明具有预测准确且及时的优点。

Description

一种基于深度学习的高速铁路路基沉降预测及预警方法
技术领域
本发明涉及地质灾害预测预警技术领域，更具体的是涉及基于深度学习的高速铁路路基沉降预测及预警方法技术领域。
背景技术
随着我国国民经济建设和轨道交通运输网络的快速发展，截止2020年，我国铁路已开通运营14.63万公里。伴随着高速铁路建设的不断发展，列车行车速度越来越高，因高速铁路线下结构沉降变形而引发的行车安全问题逐渐增加。在列车运行期间掌握高速铁路线下工程的安全状态并做出预警是高速铁路运营维护的一个重要发展方向，高速铁路沉降变形观测及评估是线下工程安全状态预警中的重点，也是确保高速铁路运营期铁路平顺性、稳定性、及运营安全的关键。高速铁路路基沉降控制要求严格,使得提前对高速铁路路基做出沉降预测并进行相应风险等级的预警，成为及时合理选择工程防治措施的关键。
在信息化时代，人工智能为土木工程学科的发展带来新的机遇，人工智能技术深度融合土木工程基础设施规划、设计、建造和养维护的全生命周期，深刻变革土木工程科学、技术与工程的发展。在信息化大潮下，将人工智能方法运用于沉降预测领域无疑是一个重要研究方向。人工智能技术将为结构防灾和行车防灾带来新的思路，将人工智能方法运用于沉降预测，则使高速铁路路基沉降预测更加精准，更好地保障复杂自然环境下高速铁路的服役安全。
发明内容
本发明的目的在于：实现复杂自然环境下更精准的路基沉降预测及预警。为了解决上述技术问题，本发明提供一种基于深度学习的高速铁路路基沉降预测及预警方法。
本发明为了实现上述目的具体采用以下技术方案：
一种基于深度学习的高速铁路路基沉降预测及预警方法，包括以下步骤：
步骤S1：通过监测传感器采集沉降数据，所述沉降数据包括沉降速率V和累计沉降S;
步骤S2：对监测传感器所测得的数据进行数据预处理，得到完整且平滑的数据集；
步骤S3：建立高速铁路路基沉降预测模型，将完整且平滑的数据集划分成训练集和测试集，并将训练集投入模型中进行训练获取模型的参数矩阵；高速铁路路基沉降预测模型包括串联的多个重复结构模块，重复结构模块包括更新门、重置门、记忆体和候选隐藏层;
步骤S4：将测试集输入训练好的高速铁路路基沉降预测模型进行测试，获得沉降速率V和累计沉降S的预测数据及趋势；
步骤S5：根据步骤S4的测试结果对预测模型进行精度评估；若评估通过则进入步骤S6，若评估不通过则返回步骤S3；
步骤S6：通过所述高速铁路路基沉降预测模型预测沉降数据，通过预警模型对预测的沉降数据进行判断并给出相应的预警结果。
优选地，所述步骤S1中所述监测传感器包括全站仪、GNSS、静力水准仪和沉降计。
优选地，所述步骤S2中，所述预处理包括以下步骤：
对数据进行取绝对值处理; 对异常数值进行缺失处理；通过样条算法进行缺失值填充，将数据集缺失部分补充完整;通过滤波器算法对数据集进行滤波降噪处理；对数据集进行归一化处理。
优选地，所述滤波器算法包括：
对实际采集的数据Y进行多项式拟合，Y为所述沉降速率V或累计沉降S，X为对应的观测期次，
Figure 554282DEST_PATH_IMAGE001
;
通过最小二乘法确定拟合参数A：
Figure 950629DEST_PATH_IMAGE002
；
滤波值
Figure 89486DEST_PATH_IMAGE003
为：
Figure 263460DEST_PATH_IMAGE004
。
优选地，所述对数据集进行归一化处理包括以下步骤：
Figure 513175DEST_PATH_IMAGE005
；
其中，x表示归一化处理前的数据，
Figure 29607DEST_PATH_IMAGE006
表示归一化处理后的数据，
Figure 260738DEST_PATH_IMAGE007
表示数据集中最小的数据值，
Figure 737986DEST_PATH_IMAGE008
表示数据集中最大的数据值。
优选地，所述步骤S3中，将完整且平滑的数据集划分成训练集和测试集的划分比例为3:1。
优选地，所述步骤S3中，所述更新门、重置门、记忆体和候选隐藏层分别为：
更新门：
Figure 791393DEST_PATH_IMAGE009
；
重置门：
Figure 427911DEST_PATH_IMAGE010
；
记忆体：
Figure 564363DEST_PATH_IMAGE011
；
候选隐藏层：
Figure 856804DEST_PATH_IMAGE012
；
其中，
Figure 386005DEST_PATH_IMAGE013
表示当前时刻的输入，
Figure 80292DEST_PATH_IMAGE014
表示上一时刻的短期记忆，
Figure 528591DEST_PATH_IMAGE015
、
Figure 747476DEST_PATH_IMAGE016
、W是待训练的所述参数矩阵，
Figure 814789DEST_PATH_IMAGE017
和tanh分别为一种激活函数。
优选地，所述步骤S5中，根据测试结果对预测模型进行精度评估的方法包括：通过均方误差和/或均方根误差和/或平均绝对误差和/或平均绝对百分比误差，若结果在阈值内则评估通过，否则为不通过。
优选地，所述步骤S6中，所述预警模型为：
Figure 894741DEST_PATH_IMAGE018
其中，Z表示综合风险指数，V表示当日沉降速率V，X表示累计沉降S，m、n是沉降速率V与累计沉降S对应的影响系数。
优选地，所述m的值为30，所述n的值为0.1。
本发明的有益效果如下：
本方法解决了传统路基沉降中预测不精确不稳定的问题，在信息化时代，基于实测数据驱动的人工智能沉降预测方法，适用于在线实时分析计算，能够有效快速识别路基结构变形的发生发展，并开展路基结构沉降预测分析，准确评价和预测其稳定状态；本方法学习算法构建自主设计的沉降预测模型，对已有数据进行训练测试获得预测数据，进行相应的预警等级评估，基于现场数据的训练与测试，该预测方法的误差较小、精度较高，可运用于现场实时监测结果的预测与预警，可为铁路路基病害的整治及运营维护提供实时监测与评估服务；本发明除了对于路基结构安全状态预警、路基防护等具有现实和深远的意义，同时还对于其他同类型地质灾害的预测预警具有通用性。
附图说明
图1是本发明的流程示意图；
图2是实施例1中数据预处理的流程示意图;
图3是实施例1中实现精度评估的流程示意图；
图4是实施例1中高速铁路路基沉降预测模型的结构示意图；
图5是实施例1中高速铁路路基沉降预测模型的重复模块结构示意图；
图6为实施例2中预处理前的数据和进行缺失值填充以后的数据对比图；
图7为实施例2中滤波后的平滑数据图；
图8为实施例2中累计沉降S的预测结果图；
图9为实施例2中沉降速率V的预测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1到5所示，本实施例提供一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，包括以下步骤：
步骤S1：通过监测传感器采集沉降数据，所述沉降数据包括沉降速率V和累计沉降S;
步骤S2：对监测传感器所测得的数据进行数据预处理，得到完整且平滑的数据集；
步骤S3：建立高速铁路路基沉降预测模型，将完整且平滑的数据集划分成训练集和测试集，并将训练集投入模型中进行训练获取模型的参数矩阵；高速铁路路基沉降预测模型包括串联的多个重复结构模块，重复结构模块包括更新门、重置门、记忆体和候选隐藏层;
步骤S4：将测试集输入训练好的高速铁路路基沉降预测模型进行测试，获得沉降速率V和累计沉降S的预测数据及趋势；
步骤S5：根据步骤S4的测试结果对预测模型进行精度评估；若评估通过则进入步骤S6，若评估不通过则返回步骤S3；
步骤S6：通过所述高速铁路路基沉降预测模型预测沉降数据，通过预警模型对预测的沉降数据进行判断并给出相应的预警结果。
首先，所述步骤S1中所述通过监测传感器采集沉降数据的方法可以包括通过全站仪、GNSS、静力水准仪、沉降计等设备进行数据采集。
作为本实施例的优选方案，所述步骤S2中，所述预处理包括以下步骤：
对数据进行取绝对值处理，在实际监测的数据中，大部分数据呈现负值状态，也即向下产生了位移，在预测过程中对数据取绝对值能够使沉降数据更便于神经网络的计算与训练; 对异常数值进行缺失处理，忽略掉异常数值，异常数值可能是测量等误差造成，本实施例中选择忽略沉降速率V大于3mm/d的数据；通过样条算法进行缺失值填充，将数据集缺失部分补充完整;通过滤波器算法对数据集进行滤波降噪处理，使之成为平滑的数据集；对数据集进行归一化处理，便于进行训练。
进一步地，所述滤波器算法包括：
对实际采集的数据Y进行多项式拟合，Y为所述沉降速率V或累计沉降S，X为对应的观测期次，
Figure 904154DEST_PATH_IMAGE001
;
通过最小二乘法确定拟合参数A：
Figure 577712DEST_PATH_IMAGE019
；
滤波值
Figure 776612DEST_PATH_IMAGE003
为：
Figure 976649DEST_PATH_IMAGE020
。
另一方面，所述对数据集进行归一化处理包括以下步骤：
Figure 235592DEST_PATH_IMAGE005
；
其中，x表示归一化处理前的数据，
Figure 911293DEST_PATH_IMAGE006
表示归一化处理后的数据，
Figure 648305DEST_PATH_IMAGE007
表示数据集中最小的数据值，
Figure 578215DEST_PATH_IMAGE008
表示数据集中最大的数据值。
在本实施例中，所述步骤S3中，将完整且平滑的数据集划分成训练集和测试集的划分比例为3:1。
具体地，所述步骤S3中，所述更新门、重置门、记忆体和候选隐藏层分别为：
更新门：
Figure 804797DEST_PATH_IMAGE021
；
重置门：
Figure 780843DEST_PATH_IMAGE010
；
记忆体：
Figure 974408DEST_PATH_IMAGE011
；
候选隐藏层：
Figure 289983DEST_PATH_IMAGE012
；
其中，
Figure 625149DEST_PATH_IMAGE013
表示当前时刻的输入，
Figure 885229DEST_PATH_IMAGE014
表示上一时刻的短期记忆，
Figure 885415DEST_PATH_IMAGE015
、
Figure 55497DEST_PATH_IMAGE016
、W是待训练的所述参数矩阵，
Figure 14094DEST_PATH_IMAGE017
和tanh分别为一种激活函数。
在常用的算法中，决策树预测能力较弱，无法和其高性能的拟合能力相匹配；SVR算法误差相对较大，难以满足所研究的高速铁路路基沉降预测方法对误差精度的要求；RNN所存在的主要问题是梯度消失，在实际操作中，由于为解决长期依赖的问题所需的训练参数设计过于复杂，故而自主设计了高速铁路路基沉降预测模型，获取精度更高的预测。
另一方面，本实施例在步骤S5中，根据测试结果对预测模型进行精度评估的方法包括：通过均方误差和/或均方根误差和/或平均绝对误差和/或平均绝对百分比误差，可以求取其中至少一种参数进行评估，若结果在阈值内则评估通过，否则为不通过，具体参数计算方法的相关公式如下：
均方误差：
Figure 761470DEST_PATH_IMAGE022
均方根误差：
Figure 316080DEST_PATH_IMAGE023
平均绝对误差：
Figure 232345DEST_PATH_IMAGE024
平均绝对百分比误差：
Figure 581418DEST_PATH_IMAGE025
上述四个误差评估指标，均为模型误差越大，其值越大，且其中，
Figure 816090DEST_PATH_IMAGE026
表示预测值，
Figure 158079DEST_PATH_IMAGE027
表示实际值，n为数据
Figure 833911DEST_PATH_IMAGE028
的总数量。
最后，所述步骤S6中，所述预警模型为：
Figure 681781DEST_PATH_IMAGE018
其中，Z表示综合风险指数，V表示当日沉降速率V，X表示累计沉降S，m、n是沉降速率V与累计沉降S对应的影响系数。
在本实施例中， m=30，n=0.1，具体综合风险指数对应的预警等级评估表参阅表1：
表1 综合风险指数对应的预警等级评估表
Figure 955416DEST_PATH_IMAGE029
实施例2
本实施例中，从物联网端、web端或其他端口获取监测传感器所测得的断面K13+527左侧的沉降速率V与累计沉降S部分值参阅以下表2：
表2 监测传感器所测得的数据
Figure 710882DEST_PATH_IMAGE030
首先对采集的数据做预处理，包括：对数据进行取绝对值处理; 对异常数值进行缺失处理；通过样条算法进行缺失值填充，将数据集缺失部分补充完整;通过滤波器算法对数据集进行滤波降噪处理；对数据集进行归一化处理。
例如，本实施例中预处理前的数据和通过样条算法进行缺失值填充以后的数据对比图参见图6，图6中左边为真实测得的部分数据的图，右边为通过样条算法进行缺失值填充后的数据图，其横坐标为观测期次，纵坐标的沉降的数值代表累积沉降，这里沉降的数值单位为毫米；基于滤波器算法的数据滤波降噪后得到的平滑数据见图7，其横坐标为观测期次，纵坐标的沉降的数值代表累积沉降，这里沉降的数值单位为毫米。
特别说明的是本实施例中，第12期次的累计沉降S原本为0.71，这里视为缺失进行测试，进行拟合以后得到值0.7285，和原测试值差距不大，所以该实施例的预处理中缺失值填充可靠。
建立高速铁路路基沉降预测模型，将经过预处理的数据集按照3:1的比例划分成训练集和测试集，投入模型中进行训练，将训练好的模型进行测试，获得该断面高速铁路路基沉降预测数据，累计沉降S和沉降速率V的预测值和实际值的对比图分别参见图8和图9，图8和图9的横坐标对应为以天(d)为单位的时间，具体也可以理解为观测期次，图8的纵坐标为累计沉降的数值，以毫米(mm)为单位，图9的纵坐标为沉降速率的数值，以毫米/天(mm/d)为单位；
以沉降速率V为例，其中的记忆体和候选隐藏层为：
记忆体：
Figure 37958DEST_PATH_IMAGE031
；
候选隐藏层：
Figure 243681DEST_PATH_IMAGE032
；
其中，
Figure 328311DEST_PATH_IMAGE033
表示当前时刻的沉降速率，
Figure 90731DEST_PATH_IMAGE034
表示上一时刻的对沉降速率与时间关系信息的短期记忆， 是待训练的所述参数矩阵，通过上一时刻的沉降速率与时间的关系与当前时刻的沉降速率结合，更新训练矩阵 得到新的时刻的沉降速率与时间的关系函数。
将本实施例的结果与采用LSTM模型进行训练的预测结果作对比：
根据本实施例的结果具体还可以得出测试精度为：累计沉降S：MSE=0.786826 MAE=0.706130，沉降速率V：MSE=0.003480，MAE=0.020838。同时，将相同的训练集和测试集带入LSTM模型进行训练和测试，得到了测试结果如图9所示，测试精度为：累计沉降S：MSE=5.279940， MAE=1.928314，沉降速率V：MSE=0.003962，MAE=0.028521。对比可知，本实施例的预测误差低于LSTM模型的结果，测试精度优于传统的LSTM模型，可以更好的适用于高速铁路路基沉降预测领域。
根据模型预测数据，依据相关规范，通过预警等级评估规则，进行判断并给出相应的预警结果：根据预测，例如，下一日路基的累计沉降S将达到30.662544cm，沉降速率V达到0.40498152mm/d，代入模型进行计算得到综合风险指数Z=30*0.40498152+0.1*30.662544=9.7372668，根据实施例1提供的判断标准可判断其为黄色预警，使用者应及时做好防护及应对措施。

Claims (10)

1.一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，包括以下步骤：
步骤S1：通过监测传感器采集沉降数据，所述沉降数据包括沉降速率V和累计沉降S;
步骤S2：对监测传感器所测得的数据进行数据预处理，得到完整且平滑的数据集；
步骤S3：建立高速铁路路基沉降预测模型，将完整且平滑的数据集划分成训练集和测试集，并将训练集投入模型中进行训练获取模型的参数矩阵；高速铁路路基沉降预测模型包括串联的多个重复结构模块，所述重复结构模块包括更新门、重置门、记忆体和候选隐藏层;
步骤S4：将测试集输入训练好的高速铁路路基沉降预测模型进行测试，获得沉降速率V和累计沉降S的预测数据及趋势；
步骤S5：根据步骤S4的测试结果对预测模型进行精度评估；若评估通过则进入步骤S6，若评估不通过则返回步骤S3；
步骤S6：通过所述高速铁路路基沉降预测模型预测沉降数据，通过预警模型对预测的沉降数据进行判断并给出相应的预警结果。
2.根据权利要求1所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述步骤S1中所述监测传感器包括全站仪、GNSS、静力水准仪和沉降计。
3.根据权利要求1所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述步骤S2中，所述预处理包括以下步骤：
对数据进行取绝对值处理;对异常数值进行缺失处理；通过样条算法进行缺失值填充，将数据集缺失部分补充完整;通过滤波器算法对数据集进行滤波降噪处理；对数据集进行归一化处理。
4.根据权利要求3所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述滤波器算法包括：
对实际采集的数据Y进行多项式拟合，Y为所述沉降速率V或累计沉降S，X为对应的观测期次，
Figure 516552DEST_PATH_IMAGE001
;
通过最小二乘法确定拟合参数A：
Figure 168113DEST_PATH_IMAGE002
；
滤波值
Figure 292058DEST_PATH_IMAGE003
为：
Figure 421688DEST_PATH_IMAGE004
。
5.根据权利要求3所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述对数据集进行归一化处理包括以下步骤：
Figure 970481DEST_PATH_IMAGE005
；
其中，x表示归一化处理前的数据，
Figure 527365DEST_PATH_IMAGE006
表示归一化处理后的数据，
Figure 653452DEST_PATH_IMAGE007
表示数据集中最小的数据值，
Figure 586773DEST_PATH_IMAGE008
表示数据集中最大的数据值。
6.根据权利要求1所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述步骤S3中，将完整且平滑的数据集划分成训练集和测试集的划分比例为3:1。
7.根据权利要求1所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述步骤S3中，所述更新门、重置门、记忆体和候选隐藏层分别为：
更新门：
Figure 724494DEST_PATH_IMAGE009
；
重置门：
Figure 327644DEST_PATH_IMAGE010
；
记忆体：
Figure 816395DEST_PATH_IMAGE012
；
候选隐藏层：
Figure 287827DEST_PATH_IMAGE014
；
其中，
Figure 545633DEST_PATH_IMAGE016
表示当前时刻的输入，
Figure 834532DEST_PATH_IMAGE018
表示上一时刻的短期记忆，
Figure 810578DEST_PATH_IMAGE020
、
Figure 820123DEST_PATH_IMAGE022
、W是待训练的所述参数矩阵，
Figure 198014DEST_PATH_IMAGE024
和tanh分别为一种激活函数。
8.根据权利要求1所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述步骤S5中，根据测试结果对预测模型进行精度评估的方法包括：通过均方误差和/或均方根误差和/或平均绝对误差和/或平均绝对百分比误差进行精度评估，若结果在阈值内则评估通过，否则为不通过。
9.根据权利要求1所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述步骤S6中，所述预警模型为：
Figure DEST_PATH_IMAGE025
；
其中，Z表示综合风险指数，V表示当日沉降速率V，X表示累计沉降S，m、n是沉降速率V与累计沉降S对应的影响系数。
10.根据权利要求9所述的一种基于深度学习的高速铁路路基沉降预测及预警方法，其特征在于，所述m的值为30，所述n的值为0.1。
CN202210659376.8A 2022-06-13 2022-06-13 一种基于深度学习的高速铁路路基沉降预测及预警方法 Pending CN114757365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659376.8A CN114757365A (zh) 2022-06-13 2022-06-13 一种基于深度学习的高速铁路路基沉降预测及预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659376.8A CN114757365A (zh) 2022-06-13 2022-06-13 一种基于深度学习的高速铁路路基沉降预测及预警方法

Publications (1)

Publication Number Publication Date
CN114757365A true CN114757365A (zh) 2022-07-15

Family

ID=82337139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659376.8A Pending CN114757365A (zh) 2022-06-13 2022-06-13 一种基于深度学习的高速铁路路基沉降预测及预警方法

Country Status (1)

Country Link
CN (1) CN114757365A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266929A (zh) * 2022-08-09 2022-11-01 成都工业职业技术学院(成都市工业职业技术学校) 一种基于深度学习的高铁路基共振预警方法及系统
CN117249803A (zh) * 2023-08-09 2023-12-19 中交第四航务工程局有限公司 一种深基坑支护立柱沉降监测与预警方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409744A (zh) * 2018-10-26 2019-03-01 浙江科技学院 用于城市高密集区地铁运营期地面长期沉降的预警方法
CN110593018A (zh) * 2019-06-28 2019-12-20 吉林大学 一种高速铁路路基的沉降预测方法
CN111209708A (zh) * 2020-04-22 2020-05-29 西南交通大学 基于机器学习的桩-土相互作用预测分析方法
CN111475948A (zh) * 2020-04-07 2020-07-31 青岛理工大学 一种基于lstm网络的地铁隧道施工时沉降新型预测方法
CN112330079A (zh) * 2021-01-07 2021-02-05 四川大汇大数据服务有限公司 地表信息预测方法及装置
CN113886917A (zh) * 2021-09-30 2022-01-04 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409744A (zh) * 2018-10-26 2019-03-01 浙江科技学院 用于城市高密集区地铁运营期地面长期沉降的预警方法
CN110593018A (zh) * 2019-06-28 2019-12-20 吉林大学 一种高速铁路路基的沉降预测方法
CN111475948A (zh) * 2020-04-07 2020-07-31 青岛理工大学 一种基于lstm网络的地铁隧道施工时沉降新型预测方法
CN111209708A (zh) * 2020-04-22 2020-05-29 西南交通大学 基于机器学习的桩-土相互作用预测分析方法
CN112330079A (zh) * 2021-01-07 2021-02-05 四川大汇大数据服务有限公司 地表信息预测方法及装置
CN113886917A (zh) * 2021-09-30 2022-01-04 电子科技大学 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIJFRANK: "GRU是什么？RNN、LSTM分别是什么？", 《HTTPS://BLOG.CSDN.NET/FRANK_LJIANG/ARTICLE/DETAILS/103142557》 *
容静: "基于ARIMA与IGWO-SVM优化模型的高铁沉降变形预测研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
相智博: "移动最小二乘法矿山地面沉降监测数据同化和预测模型", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
赵团芝 等: "宁波市地面沉降管理区划及防治对策研究", 《浙江国土资源》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266929A (zh) * 2022-08-09 2022-11-01 成都工业职业技术学院(成都市工业职业技术学校) 一种基于深度学习的高铁路基共振预警方法及系统
CN117249803A (zh) * 2023-08-09 2023-12-19 中交第四航务工程局有限公司 一种深基坑支护立柱沉降监测与预警方法

Similar Documents

Publication Publication Date Title
CN107941537B (zh) 一种机械设备健康状态评估方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN102789545B (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN114757365A (zh) 一种基于深度学习的高速铁路路基沉降预测及预警方法
CN108197648A (zh) 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN110555230B (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN108584592A (zh) 一种基于时间序列预测模型的电梯轿厢振动异常预警方法
CN113305645B (zh) 一种基于混合神经模型的数控机床刀具剩余寿命预测方法
CN105571645A (zh) 一种大坝自动化监测方法
CN104675380B (zh) 石油钻井钻柱在线监测系统及故障诊断方法
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN114519923A (zh) 一种电厂智能诊断预警方法和系统
CN114330096B (zh) 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN105760658A (zh) 一种区间神经网络的高速列车噪声预测方法
CN113987905A (zh) 一种基于深度信念网络的自动扶梯制动力智能诊断系统
CN117238113A (zh) 一种基于概率函数的水电机组分工况测值的预警方法
CN116430164A (zh) 一种基于分布式测温和故障波形分析的电缆在线监测方法
CN110378045A (zh) 一种基于深度学习的导轨精度预维护方法
Qian et al. A diagnosis method for diesel engine wear fault based on grey rough set and SOM neural network
CN112906793B (zh) 一种用于桥梁健康监测系统的监测数据修补方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220715

RJ01 Rejection of invention patent application after publication