CN117592382B - 一种铁路车轨桥系统动态响应预测方法、系统及介质 - Google Patents
一种铁路车轨桥系统动态响应预测方法、系统及介质 Download PDFInfo
- Publication number
- CN117592382B CN117592382B CN202410072995.6A CN202410072995A CN117592382B CN 117592382 B CN117592382 B CN 117592382B CN 202410072995 A CN202410072995 A CN 202410072995A CN 117592382 B CN117592382 B CN 117592382B
- Authority
- CN
- China
- Prior art keywords
- bridge
- dynamic response
- prediction model
- track
- neural network
- 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.)
- Active
Links
- 230000004044 response Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000008878 coupling Effects 0.000 claims abstract description 11
- 238000010168 coupling process Methods 0.000 claims abstract description 11
- 238000005859 coupling reaction Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 206010064571 Gene mutation Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种铁路车轨桥系统动态响应预测方法、系统及介质,通过将车速和轨道不平顺样本输入到车‑轨‑桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车‑轨‑桥系统的有效载荷,并提取车‑轨‑桥系统的总体刚度矩阵,进而构建训练样本集;构建考虑有效载荷的适应度函数,然后基于训练样本集采用遗传算法优化BP神经网络预测模型的参数并进行训练,得到桥梁动态响应预测模型,然后利用桥梁动态响应预测模型进行桥梁动态响应预测。通过将车轨桥系统中的有效荷载引入到遗传算法中的适应度函数,实现了神经网络模型与车轨桥物理模型的有机结合,有效提高了预测精度。
Description
技术领域
本发明涉及高速铁路桥梁动态响应技术领域,尤其涉及一种铁路车轨桥系统动态响应预测方法、系统及介质。
背景技术
车辆荷载是桥梁使用寿命中最重要和最常见的外部荷载之一。不管是公路桥梁还是铁路桥梁,都希望结构能够承受车辆荷载,这些车辆会对桥梁产生大部分静、动荷载效应。随着铁路运输速度和重量的不断提高,列车车辆与桥梁之间的动力相互作用越来越显著,导致桥梁的动力响应越来越大。获得车辆和桥梁的这些响应,对于进一步评估与结构行为和车辆运行稳定性相关的性能具有重要意义。
目前主要是通过构建车-轨-桥系统耦合随机分析物理模型来获得桥梁响应,车-轨-桥系统耦合随机分析物理模型可准确模拟车-轨-桥系统的动力响应过程,精度较高,但是,其存在计算量大,动态响应预测的实时性较差的问题。随着人工智能技术的不断发展,人工神经网络(ANN)已经被运用于结构动力分析;在预测方面也有相关先例,其中包括基于CNN-LSTM的高速铁路地震响应预测方法以及利用FFNN和LSTM来进行车桥动力响应预测的方法等等。但目前运用到铁路车轨桥系统中的神经网络预测模型无法均与车-轨-桥物理模型相结合,仅限于构建输入数据到输出数据的简单映射,具有极大的局限性,这就导致了预测精度无法从本质上提升。
发明内容
本发明提供了一种铁路车轨桥系统动态响应预测方法、系统及介质,以解决目前运用到铁路车轨桥系统中的神经网络预测模型无法均与车轨桥物理模型相结合,导致了预测精度无法从本质上提升的问题。
第一方面,提供了一种铁路车轨桥系统动态响应预测方法,包括:
S1:获取包含车速及轨道不平顺的样本集;
S2:将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷,并提取车-轨-桥系统的总体刚度矩阵;
S3:构建训练样本集,训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷;
S4:以车速、轨道不平顺为输入,桥梁动态响应为输出,构建BP神经网络预测模型;
S5:构建考虑有效载荷的适应度函数,基于训练样本集采用遗传算法优化BP神经网络预测模型的权值和阈值,利用得到的最优权值和阈值对BP神经网络预测模型进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型;
S6:利用桥梁动态响应预测模型进行桥梁动态响应预测。
根据第一方面,在一些可能的实现方式中,S5中,考虑有效载荷的适应度函数表示如下:
式中,fitness表示适应度值;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出预测值,/>表示第k个训练样本对应的第v个输出实际值;/>表示训练样本个数,/>表示桥梁动态响应预测模型输出个数;/>表示车轨桥系统总体刚度矩阵;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预测值,/>表示第k个训练样本对应的有效载荷实际值;当第v个输出为桥梁位移响应时,,当第v个输出为桥梁加速度响应时,/>;
计算染色体的适应度值时,首先使用式[1]计算适应度值,若式[1]所得,其中,则以式[1]所得结果作为该染色体的适应度值;若式[1]所
得,则使用式[2]计算适应度值,并将式[1]和式[2]计算结果的较大值作为该染
色体的适应度值。
根据第一方面,在一些可能的实现方式中,S5中,采用遗传算法优化BP神经网络预测模型的权值和阈值的过程包括:
步骤1:初始化种群,种群中每个染色体由BP神经网络预测模型的权值和阈值编码而成;
步骤2:利用适应度函数计算每个染色体的适应度值;
步骤3:选择操作,基于染色体的适应度值,选择一定数量的染色体进入下一代;
步骤4:交叉操作,根据交叉概率,在选择操作后的染色体中随机选择两个染色体进行交叉,产生新的染色体;
步骤5:变异操作,根据变异概率,在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变,产生新的染色体;
步骤6:重复步骤2至步骤5,直到达到终止条件,输出BP神经网络预测模型的最优权值和阈值。
根据第一方面,在一些可能的实现方式中,S1中,轨道不平顺利用随机谐和函数构造,其表示如下:
式中,、、分别表示轨向不平顺、水平不平顺和高
低不平顺,其中,表示随机变量点集空间,x表示随机变量代表性点集,,
为随机变量维数;表示轨道不平顺波长的幅值,表示
随机空间频率,表示随机相位,I取y、 、z分别表示轨向、水平向和高低向;q=1,
2,…,npt;对不同轨道不平顺功率谱采用同一随机空间频率和随机相位离散代表点集进行
轨道不平顺激励的构造,假设每一类轨道不平顺激励采用同一随机变量点集来构造轨道不
平顺代表样本激励;N、i分别表示轨道不平顺空间频率及相位角随机向量维数和该向量的
第i维;M、j分别表示结构参数随机变量维数和该向量的第j维;表示轨道不平顺采样点
集总数。
根据第一方面,在一些可能的实现方式中,S1中,车速取值范围为100~350km/h。
第二方面,提供了一种铁路车轨桥系统动态响应预测系统,包括:
车速及轨道不平顺样本获取模块,用于获取包含车速及轨道不平顺的样本集;
物理模型计算模块,用于将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷,并提取车-轨-桥系统的总体刚度矩阵;
训练样本集构建模块,用于构建训练样本集,训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷;
BP神经网络预测模型构建模块,用于以车速、轨道不平顺为输入,桥梁动态响应为输出,构建BP神经网络预测模型;
训练模块,用于构建考虑有效载荷的适应度函数,基于训练样本集采用遗传算法优化BP神经网络预测模型的权值和阈值,利用得到的最优权值和阈值对BP神经网络预测模型进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型;
预测模块,用于利用桥梁动态响应预测模型进行桥梁动态响应预测。
根据第二方面,在一些可能的实现方式中,训练模块中,考虑有效载荷的适应度函数表示如下:
式中,fitness表示适应度值;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出预测值,/>表示第k个训练样本对应的第v个输出实际值;/>表示训练样本个数,/>表示桥梁动态响应预测模型输出个数;/>表示车轨桥系统总体刚度矩阵;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预测值,/>表示第k个训练样本对应的有效载荷实际值;当第v个输出为桥梁位移响应时,,当第v个输出为桥梁加速度响应时,/>;
计算染色体的适应度值时,首先使用式[1]计算适应度值,若式[1]所得,其中,则以式[1]所得结果作为该染色体的适应度值;若式[1]所得,则使用式[2]计算适应度值,并将式[1]和式[2]计算结果的较大值作为该染色
体的适应度值。
根据第二方面,在一些可能的实现方式中,训练模块中,采用遗传算法优化BP神经网络预测模型的权值和阈值的过程包括:
步骤1:初始化种群,种群中每个染色体由BP神经网络预测模型的权值和阈值编码而成;
步骤2:利用适应度函数计算每个染色体的适应度值;
步骤3:选择操作,基于染色体的适应度值,选择一定数量的染色体进入下一代;
步骤4:交叉操作,根据交叉概率,在选择操作后的染色体中随机选择两个染色体进行交叉,产生新的染色体;
步骤5:变异操作,根据变异概率,在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变,产生新的染色体;
步骤6:重复步骤2至步骤5,直到达到终止条件,输出BP神经网络预测模型的最优权值和阈值。
第三方面,提供了一种铁路车轨桥系统动态响应预测系统,包括:
数据获取模块,用于获取待预测响应的车速及轨道不平顺,并输入至预测模块;
预测模块,其上配置有如第一方面任一项所述的铁路车轨桥系统动态响应预测方法中训练得到的桥梁动态响应预测模型,用于获取将数据获取模块获取的数据输入桥梁动态响应预测模型,预测得到桥梁动态响应。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的铁路车轨桥系统动态响应预测方法。
本发明提出了一种铁路车轨桥系统动态响应预测方法、系统及介质,通过将车轨桥系统中的有效荷载引入到遗传算法中的适应度函数,实现了神经网络模型与车轨桥物理模型的有机结合,找到了两者之间的隐式关系,有效提高了预测精度,解决了现有的预测方法无法考虑车轨桥系统的内部因素,从本质上限制了预测精度的提高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的铁路车轨桥系统动态响应预测方法流程图;
图2是本发明实施例提供的传统GA-BP神经网络预测模型和本发明改进GA-BP神经网络预测模型预测桥梁加速度响应对比图;
图3是本发明实施例提供的传统GA-BP神经网络预测模型和本发明改进GA-BP神经网络预测模型预测桥梁位移响应对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
为了解决现有的预测方法无法考虑车轨桥系统的内部因素,从本质上限制了预测精度的提高的技术问题,本发明提出了一种基于改进遗传算法优化BP神经网络的铁路车轨桥系统动态响应预测方案,通过将车轨桥系统中的引入到遗传算法中的适应度函数,实现了神经网络模型与车轨桥物理模型的有机结合,找到了两者之间的隐式关系,提高了预测精度。下面结合具体实施例对本发明的技术方案做具体说明。
如图1所示,本发明实施例提供了一种铁路车轨桥系统动态响应预测方法,包括:
S1:获取包含车速及轨道不平顺的样本集。
通过随机获取车速样本,本实施例中,车速取值范围为100~350km/h;并利用随机谐和函数法获取轨道不平顺样本,将车速样本和轨道不平顺样本进行成对组合,得到包含车速及轨道不平顺的样本集。
其中,轨道不平顺利用随机谐和函数构造,其表示如下:
式中,、、分别表示轨向不平顺、水平不平顺和高
低不平顺,其中,表示随机变量点集空间,x表示随机变量代表性点集,,
为随机变量维数;表示轨道不平顺波长的幅值,表
示随机空间频率,表示随机相位,I取y、 、z分别表示轨向、水平向和高低向;q=1,
2,…,npt;对不同轨道不平顺功率谱采用同一随机空间频率和随机相位离散代表点集进行
轨道不平顺激励的构造,假设每一类轨道不平顺激励采用同一随机变量点集来构造轨道不
平顺代表样本激励;N、i分别表示轨道不平顺空间频率及相位角随机向量维数和该向量的
第i维;M、j分别表示结构参数随机变量维数和该向量的第j维;表示轨道不平顺采样点
集总数。
由轨道不平顺功率谱的随机谐和函数,知其幅值为:
式中,表示轨道不平顺功率谱,/>表示相邻维数随机空间频率之差。
将上述两式结合得到新的轨道不平顺,轨向不平顺、水平不平顺、高低不平顺依次表示如下:
其中,轨道不平顺功率谱可由下式计算得到:
式中,分别表示轨向不平顺、水平不平顺、高低不平顺的功率谱密度函数,/>均为粗糙度系数,/>均表示截断频率,均表示截断频率,/> ,;/>表示轨道不平顺的空间频率。
S2:将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷,并提取车-轨-桥系统的总体刚度矩阵。
其中,车-轨-桥系统耦合随机分布物理模型为现有技术,在此不另做赘述。每一个包含车速和轨道不平顺的样本输入到车-轨-桥系统耦合随机分布物理模型中,可计算得到对应的桥梁动态响应(作为后续训练时的桥梁动态响应真实值)以及对应的车-轨-桥系统的有效载荷,桥梁动态响应包括位移响应和加速度响应中的至少一种。
S3:构建训练样本集,训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷。
S4:以车速、轨道不平顺为输入,桥梁动态响应为输出,构建BP神经网络预测模型。BP神经网络是前向网络的核心部分,其结构简单、可调参数多、可训练算法多、操作性好,并具有良好的预测功能,同时在遗传算法的全局优化下可以改善预测精度。
S5:构建考虑有效载荷的适应度函数,基于训练样本集采用遗传算法优化BP神经网络预测模型的权值和阈值,利用得到的最优权值和阈值对BP神经网络预测模型进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型。
具体地,考虑有效载荷的适应度函数表示如下:
式中,fitness表示适应度值;表示第k个训练样本通过桥梁动态响应预测模
型获得的第v个输出预测值,表示第k个训练样本对应的第v个输出实际值;表示训练
样本个数,表示桥梁动态响应预测模型输出个数,当桥梁动态响应为位移响应或加速度
响应时,取1,当桥梁动态响应为位移响应和加速度响应时,即BP神经网络预测模型包含
两个输出,取2;表示车轨桥系统总体刚度矩阵;表示第k个训练样本通过桥梁动
态响应预测模型获得的第v个输出对应的有效载荷预测值,表示第k个训练样本对应的
有效载荷实际值;当第v个输出为桥梁位移响应时,,当第v个输出为桥梁
加速度响应时,。计算染色体的适应度值时,首先使用式[1]计算适应度
值,若式[1]所得,其中,则以式[1]所得结果作为该染色体的适应
度值;若式[1]所得,则使用式[2]计算适应度值,并将式[1]和式[2]计算结果
的较大值作为该染色体的适应度值。
传统遗传算法(GA)的适应度函数仅仅考虑了预测模型的预测值与实际值的误差,这就导致了GA-BP神经网络无法考虑预测对象的本质特征,使得预测模型无法具有良好的鲁棒性。而本实施例中,将车轨桥系统中的引入到遗传算法中的适应度函数,改进后的适应度函数可以综合考虑车轨桥系统的内部参数,为遗传算法提供更多的物理模型数据,为获得BP神经网络预测模型的最优权值与阈值提供便利,实现了神经网络模型与车轨桥物理模型的有机结合,提高了预测模型的鲁棒性和预测精度。
其中,采用遗传算法优化BP神经网络预测模型的权值和阈值的过程包括:
步骤1:初始化种群,种群中每个染色体由BP神经网络预测模型的权值和阈值编码而成;权值和阈值的初始值设定为[-0.5,0.5]之间的随机数;初始化种群规模、进化次数、交叉概率、变异概率等参数。
步骤2:利用上述考虑有效载荷的适应度函数计算每个染色体的适应度值。
步骤3:选择操作,基于染色体的适应度值,利用轮盘赌选择法选择一定数量的染色体进入下一代。
步骤4:交叉操作,根据交叉概率,在选择操作后的染色体中随机选择两个染色体进行交叉,产生新的染色体;对于两个长度为l的染色体A和B,其交叉操作可表示如下:
式中,和/>分别表示交叉后产生的两个新的染色体的第p个基因,/>和/>分别表示染色体A和B的第p个基因,r是[0,1]之间的任意值,/>。
步骤5:变异操作,根据变异概率,在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变,产生新的染色体。
步骤6:重复步骤2至步骤5,直到达到终止条件,输出BP神经网络预测模型的最优权值和阈值。终止条件可以是达到最大进化次数。
得到最优权值和阈值后,将其代入对BP神经网络预测模型的权值和阈值进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型。训练时,设置学习率、收敛误差和最大收敛次数等参数,并以预测误差最小为目标,以车速即轨道不平顺为输入,以桥梁响应为输出进行训练。本实施例中,改进后的遗传算法优化BP神经网络的参数表如下表所示:
。
S6:利用桥梁动态响应预测模型进行桥梁动态响应预测,即获取待预测响应的车速及轨道不平顺,并输入至桥梁动态响应预测模型,预测得到桥梁动态响应。
图2、图3所示分别为传统GA-BP神经网络预测模型和本发明改进GA-BP神经网络预测模型预测桥梁加速度响应和桥梁位移响应的对比图,其中,横坐标为列车运行步数,纵坐标为桥梁对应动态响应,三条曲线分别为实际值、传统GA-BP神经网络预测模型预测值以及本发明改进GA-BP神经网络预测模型预测值。从图中可以看出,本发明改进GA-BP神经网络预测模型的预测值更接近实际值,预测精度更高。
本发明实施例还提供了一种铁路车轨桥系统动态响应预测系统,包括:
车速及轨道不平顺样本获取模块,用于获取包含车速及轨道不平顺的样本集;
物理模型计算模块,用于将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷,并提取车-轨-桥系统的总体刚度矩阵;
训练样本集构建模块,用于构建训练样本集,训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷;
BP神经网络预测模型构建模块,用于以车速、轨道不平顺为输入,桥梁动态响应为输出,构建BP神经网络预测模型;
训练模块,用于构建考虑有效载荷的适应度函数,基于训练样本集采用遗传算法优化BP神经网络预测模型的权值和阈值,利用得到的最优权值和阈值对BP神经网络预测模型进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型;
预测模块,用于利用桥梁动态响应预测模型进行桥梁动态响应预测。
具体地,训练模块中,考虑有效载荷的适应度函数表示如下:
式中,fitness表示适应度值;表示第k个训练样本通过桥梁动态响应预测模
型获得的第v个输出预测值,表示第k个训练样本对应的第v个输出实际值;表示训练
样本个数,表示桥梁动态响应预测模型输出个数;表示车轨桥系统总体刚度矩阵;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预
测值,表示第k个训练样本对应的有效载荷实际值;当第v个输出为桥梁位移响应时,,当第v个输出为桥梁加速度响应时,;计算染色体的适应
度值时,首先使用式[1]计算适应度值,若式[1]所得,其中,则以式
[1]所得结果作为该染色体的适应度值;若式[1]所得,则使用式[2]计算适应度
值,并将式[1]和式[2]计算结果的较大值作为该染色体的适应度值。
训练模块中,采用遗传算法优化BP神经网络预测模型的权值和阈值的过程包括:
步骤1:初始化种群,种群中每个染色体由BP神经网络预测模型的权值和阈值编码而成;
步骤2:利用适应度函数计算每个染色体的适应度值;
步骤3:选择操作,基于染色体的适应度值,选择一定数量的染色体进入下一代;
步骤4:交叉操作,根据交叉概率,在选择操作后的染色体中随机选择两个染色体进行交叉,产生新的染色体;
步骤5:变异操作,根据变异概率,在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变,产生新的染色体;
步骤6:重复步骤2至步骤5,直到达到终止条件,输出BP神经网络预测模型的最优权值和阈值。
应当理解,本发明各个实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。本实施例中其他为详尽记载的内容可参见前述实施例中相同或相似部分内容,在此不做赘述。
本发明实施例还提供了一种铁路车轨桥系统动态响应预测系统,包括:
数据获取模块,用于获取待预测响应的车速及轨道不平顺,并输入至预测模块;
预测模块,其上配置有如上述实施例提供的铁路车轨桥系统动态响应预测方法中训练得到的桥梁动态响应预测模型,用于获取将数据获取模块获取的数据输入桥梁动态响应预测模型,预测得到桥梁动态响应。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例提供的铁路车轨桥系统动态响应预测方法。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种铁路车轨桥系统动态响应预测方法,其特征在于,包括:
S1:获取包含车速及轨道不平顺的样本集;
S2:将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷,并提取车-轨-桥系统的总体刚度矩阵;
S3:构建训练样本集,训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷;
S4:以车速、轨道不平顺为输入,桥梁动态响应为输出,构建BP神经网络预测模型;
S5:构建考虑有效载荷的适应度函数,基于训练样本集采用遗传算法优化BP神经网络预测模型的权值和阈值,利用得到的最优权值和阈值对BP神经网络预测模型进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型;
S6:利用桥梁动态响应预测模型进行桥梁动态响应预测;
S5中,考虑有效载荷的适应度函数表示如下:
;
式中,fitness表示适应度值;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出预测值,/>表示第k个训练样本对应的第v个输出实际值;/>表示训练样本个数,/>表示桥梁动态响应预测模型输出个数;/>表示车轨桥系统总体刚度矩阵;/>表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预测值,/>表示第k个训练样本对应的有效载荷实际值;当第v个输出为桥梁位移响应时,,当第v个输出为桥梁加速度响应时,/>;
计算染色体的适应度值时,首先使用式[1]计算适应度值,若式[1]所得,其中/>,则以式[1]所得结果作为该染色体的适应度值;若式[1]所得/>,则使用式[2]计算适应度值,并将式[1]和式[2]计算结果的较大值作为该染色体的适应度值;
S5中,采用遗传算法优化BP神经网络预测模型的权值和阈值的过程包括:
步骤1:初始化种群,种群中每个染色体由BP神经网络预测模型的权值和阈值编码而成;
步骤2:利用适应度函数计算每个染色体的适应度值;
步骤3:选择操作,基于染色体的适应度值,选择一定数量的染色体进入下一代;
步骤4:交叉操作,根据交叉概率,在选择操作后的染色体中随机选择两个染色体进行交叉,产生新的染色体;
步骤5:变异操作,根据变异概率,在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变,产生新的染色体;
步骤6:重复步骤2至步骤5,直到达到终止条件,输出BP神经网络预测模型的最优权值和阈值。
2.根据权利要求1所述的铁路车轨桥系统动态响应预测方法,其特征在于,S1中,轨道不平顺利用随机谐和函数构造,其表示如下:
;
式中,、/>、/>分别表示轨向不平顺、水平不平顺和高低不平顺,其中,/>表示随机变量点集空间,x表示随机变量代表性点集;/>表示轨道不平顺波长的幅值,/>表示随机空间频率,/>表示随机相位,I取y、 />、z分别表示轨向、水平向和高低向;q=1,2,…,npt;N、i分别表示轨道不平顺空间频率及相位角随机向量维数和该向量的第i维;M、j分别表示结构参数随机变量维数和该向量的第j维;/>表示轨道不平顺采样点集总数。
3.根据权利要求1所述的铁路车轨桥系统动态响应预测方法,其特征在于,S1中,车速取值范围为100~350km/h。
4.一种铁路车轨桥系统动态响应预测系统,其特征在于,包括:
车速及轨道不平顺样本获取模块,用于获取包含车速及轨道不平顺的样本集;
物理模型计算模块,用于将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型,得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷,并提取车-轨-桥系统的总体刚度矩阵;
训练样本集构建模块,用于构建训练样本集,训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷;
BP神经网络预测模型构建模块,用于以车速、轨道不平顺为输入,桥梁动态响应为输出,构建BP神经网络预测模型;
训练模块,用于构建考虑有效载荷的适应度函数,基于训练样本集采用遗传算法优化BP神经网络预测模型的权值和阈值,利用得到的最优权值和阈值对BP神经网络预测模型进行初始化,并基于训练样本集对初始化后的BP神经网络预测模型进行训练,得到桥梁动态响应预测模型;
预测模块,用于利用桥梁动态响应预测模型进行桥梁动态响应预测;
训练模块中,考虑有效载荷的适应度函数表示如下:
;
式中,fitness表示适应度值;表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出预测值,/>表示第k个训练样本对应的第v个输出实际值;/>表示训练样本个数,/>表示桥梁动态响应预测模型输出个数;/>表示车轨桥系统总体刚度矩阵;/>表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预测值,/>表示第k个训练样本对应的有效载荷实际值;当第v个输出为桥梁位移响应时,,当第v个输出为桥梁加速度响应时,/>;
计算染色体的适应度值时,首先使用式[1]计算适应度值,若式[1]所得,其中/>,则以式[1]所得结果作为该染色体的适应度值;若式[1]所得/>,则使用式[2]计算适应度值,并将式[1]和式[2]计算结果的较大值作为该染色体的适应度值;
训练模块中,采用遗传算法优化BP神经网络预测模型的权值和阈值的过程包括:
步骤1:初始化种群,种群中每个染色体由BP神经网络预测模型的权值和阈值编码而成;
步骤2:利用适应度函数计算每个染色体的适应度值;
步骤3:选择操作,基于染色体的适应度值,选择一定数量的染色体进入下一代;
步骤4:交叉操作,根据交叉概率,在选择操作后的染色体中随机选择两个染色体进行交叉,产生新的染色体;
步骤5:变异操作,根据变异概率,在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变,产生新的染色体;
步骤6:重复步骤2至步骤5,直到达到终止条件,输出BP神经网络预测模型的最优权值和阈值。
5.一种铁路车轨桥系统动态响应预测系统,其特征在于,包括:
数据获取模块,用于获取待预测响应的车速及轨道不平顺,并输入至预测模块;
预测模块,其上配置有如权利要求1至3任一项所述的铁路车轨桥系统动态响应预测方法中训练得到的桥梁动态响应预测模型,用于获取将数据获取模块获取的数据输入桥梁动态响应预测模型,预测得到桥梁动态响应。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的铁路车轨桥系统动态响应预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410072995.6A CN117592382B (zh) | 2024-01-18 | 2024-01-18 | 一种铁路车轨桥系统动态响应预测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410072995.6A CN117592382B (zh) | 2024-01-18 | 2024-01-18 | 一种铁路车轨桥系统动态响应预测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592382A CN117592382A (zh) | 2024-02-23 |
CN117592382B true CN117592382B (zh) | 2024-04-26 |
Family
ID=89913716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410072995.6A Active CN117592382B (zh) | 2024-01-18 | 2024-01-18 | 一种铁路车轨桥系统动态响应预测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592382B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
KR102332188B1 (ko) * | 2021-07-14 | 2021-12-02 | 이채규 | 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법 |
WO2022064209A2 (en) * | 2020-09-24 | 2022-03-31 | Academy of Robotics | Method and system for training a neural network |
CN114357577A (zh) * | 2021-12-27 | 2022-04-15 | 浙江交工宏途交通建设有限公司 | 一种独塔单索面斜拉桥桥塔锚固区环向预应力束配置与优化方法 |
CN115948964A (zh) * | 2022-12-16 | 2023-04-11 | 东南大学 | 一种基于ga-bp神经网络的路面平整度预测方法 |
CN116956744A (zh) * | 2023-08-11 | 2023-10-27 | 国网上海市电力公司 | 基于改进粒子群算法的多回路沟槽电缆稳态温升预测方法 |
CN117252085A (zh) * | 2023-08-07 | 2023-12-19 | 华北水利水电大学 | 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统 |
CN117371282A (zh) * | 2023-10-18 | 2024-01-09 | 长安大学 | 桥梁病害桩基剩余承载力的预测方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
CN113392451B (zh) * | 2021-06-09 | 2022-05-17 | 哈尔滨工业大学 | 基于车-桥梁耦合作用力修正的桥梁模型更新方法、系统、存储介质及设备 |
-
2024
- 2024-01-18 CN CN202410072995.6A patent/CN117592382B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
WO2022064209A2 (en) * | 2020-09-24 | 2022-03-31 | Academy of Robotics | Method and system for training a neural network |
KR102332188B1 (ko) * | 2021-07-14 | 2021-12-02 | 이채규 | 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법 |
CN114357577A (zh) * | 2021-12-27 | 2022-04-15 | 浙江交工宏途交通建设有限公司 | 一种独塔单索面斜拉桥桥塔锚固区环向预应力束配置与优化方法 |
CN115948964A (zh) * | 2022-12-16 | 2023-04-11 | 东南大学 | 一种基于ga-bp神经网络的路面平整度预测方法 |
CN117252085A (zh) * | 2023-08-07 | 2023-12-19 | 华北水利水电大学 | 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统 |
CN116956744A (zh) * | 2023-08-11 | 2023-10-27 | 国网上海市电力公司 | 基于改进粒子群算法的多回路沟槽电缆稳态温升预测方法 |
CN117371282A (zh) * | 2023-10-18 | 2024-01-09 | 长安大学 | 桥梁病害桩基剩余承载力的预测方法、系统、设备及介质 |
Non-Patent Citations (7)
Title |
---|
A stochastic dynamic model of train-track-bridge coupled system based on probability density evolution method;Mao Jian-feng;Applied Mathematical Modelling;20181128;正文 * |
An optimizing BP neural network algorithm based on genetic algorithm;Shifei Ding;springer;20110218;正文 * |
基于BP神经网络的桥上移动荷载分阶段识别方法;李忠献;陈锋;王波;;工程力学;20080915(第09期);正文 * |
基于遗传算法的BP神经网络在桥梁安全评估中的应用;程高 等;世界桥梁;20120928;正文 * |
程高 等.基于遗传算法的BP神经网络在桥梁安全评估中的应用.世界桥梁.2012,正文. * |
车桥竖向随机振动的概率密度演化分析;余志武;毛建锋;谈遂;曾志平;;中南大学学报(自然科学版);20150426(第04期);正文 * |
遗传优化神经网络方法在桥梁震害预测中的应用;柳春光;张利华;;地震工程与工程振动;20080215(第01期);正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592382A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Applying genetic algorithm and ant colony optimization algorithm into marine investigation path planning model | |
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
CN112257341B (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
CN104765916B (zh) | 一种高速列车动力学性能参数优化方法 | |
CN109829577B (zh) | 基于深度神经网络结构模型的轨道列车运行状态预测方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN114997027B (zh) | 一种智能求解车桥系统随机信号的方法 | |
CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 | |
CN104678988A (zh) | 发动机电控单元ecu电路故障诊断方法 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
Jiang et al. | A systematic optimization design method for complex mechatronic products design and development | |
CN113537580A (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN113505477A (zh) | 一种基于svae-wgan的过程工业软测量数据补充方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN117592382B (zh) | 一种铁路车轨桥系统动态响应预测方法、系统及介质 | |
CN112632706B (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN115456135A (zh) | 一种基于改进gwo-dbn轨检车检测数据的道床偏差预测方法 | |
CN114648178A (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
CN113743003A (zh) | 考虑温度、湿度影响的高压线路对地电场强度计算方法 | |
CN102043870A (zh) | 电力机车最优布线路径的评价选择方法 |
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 | ||
GR01 | Patent grant |