一种无砟轨道温度场预测方法技术

本发明专利技术公开了一种无砟轨道温度场预测方法，包括以下步骤：（1）通过气象数据和实测温度数据形成训练样本和测试样本；（2）建立人工神经网络；（3）采用训练样本对人工神经网络进行训练，采用测试样本验证人工神经网络对无砟轨道温度场预测的准确性；（4）通过输入新的气象数据，预测未来无砟轨道温度场非线性分布情况。相对现有技术，本发明专利技术以气象数据和实测温度数据为训练样本，采用人工神经网络来预测无砟轨道温度场分布，预测过程快速便捷，准确性高。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，包括以下步骤：（1）通过气象数据和实测温度数据形成训练样本和测试样本；（2）建立人工神经网络；（3）采用训练样本对人工神经网络进行训练，采用测试样本验证人工神经网络对无砟轨道温度场预测的准确性；（4）通过输入新的气象数据，预测未来无砟轨道温度场非线性分布情况。相对现有技术，本专利技术以气象数据和实测温度数据为训练样本，采用人工神经网络来预测无砟轨道温度场分布，预测过程快速便捷，准确性高。【专利说明】
本专利技术涉及混凝土温度场预测技术，尤其是。
技术介绍
在太阳辐射、对流换热和辐射热交换的作用下，无砟轨道结构中存在着非线性温度场，在该非线性温度场作用下轨道板的反复翘曲变形是导致砂浆层产生离缝的主要原因，严重影响轨道结构耐久性，威胁高速列车运行安全。无砟轨道温度场模拟或预测是控制轨道板温度变形的关键。目前，通常采用热力学方法研究混凝土结构的非线性温度场分布情况，但由于算法假设过多、大气透明度和表面吸收率等计算参数难以确定，分析结果与实际存在较大差别；其计算效率低下，难以应用于工程实际。在高速铁路无砟轨道设计过程中，往往不考虑或采用假定温度梯度来分析无砟轨道温度场对轨道变形的影响，不符合实际情况，导致设计存在安全隐患。目前亟需提供一种计算简便、准确性较高的无砟轨道温度场预测方法。
技术实现思路
本专利技术要解决的技术问题是克服现有技术存在的不足，提供一种计算简便、准确性较高的无砟轨道温度场预测方法。为解决上述技术问题，本专利技术提出，包括以下步骤: (1)通过气象数据和实测温度数据形成训练样本和测试样本； (2)建立人工神经网络； (3)采用训练样本对人工神经网络进行训练，采用测试样本验证人工神经网络对无砟轨道温度场预测的准确性； (4)通过输入新的气象数据，预测未来无砟轨道温度场非线性分布情况。优选地，步骤(I)中的气象数据包括日最高气温、日最低气温、日平均风速、日照时数，以上气象数据与时刻数一起构成输入参数，实测温度数据包括轨道板上缘温度、轨道板下缘温度、底座板温度，该实测数据按照日期和时间顺序排列形成导师信号，输入参数与导师信号组合形成训练样本和测试样本。优选地，输入参数与导师信号组合后，随机打乱顺序，将前80%记录作为训练样本,后20%记录为测试样本。优选地，步骤(I)中的气象数据来源于既有气象资料。优选地，既有气象资料来源于“中国气象科学数据共享服务网”。优选地，步骤(2)中的人工神经网络为包含双隐含层的人工神经网络。优选地，步骤(2)中的人工神经网络为双隐含层的误差反向传播算法人工神经网络，将第一和第二隐含层神经元数量均设为16，各神经元采用如下计算方法:【权利要求】1.，其特征在于，包括以下步骤: (1)通过气象数据和实测温度数据形成训练样本和测试样本； (2)建立人工神经网络； (3)采用训练样本对人工神经网络进行训练，采用测试样本验证人工神经网络对无砟轨道温度场预测的准确性； (4)通过输入新的气象数据，预测未来无砟轨道温度场非线性分布情况。2.根据权利要求1所述的无砟轨道温度场预测方法，其特征在于:步骤(1)中的气象数据包括日最高气温、日最低气温、日平均风速、日照时数，以上气象数据与时刻数一起构成输入参数，实测温度数据包括轨道板上缘温度、轨道板下缘温度、底座板温度，该实测数据按照日期和时间顺序排列形成导师信号，输入参数与导师信号组合形成训练样本和测试样本。3.根据权利要求2所述的无砟轨道温度场预测方法，其特征在于:输入参数与导师信号组合后，随机打乱顺序，将前80%记录作为训练样本,后20%记录为测试样本。4.根据权利要求1至3中任一所述的无砟轨道温度场预测方法，其特征在于:步骤(1)中的气象数据来源于既有气象资料。5.根据权利要求4所述的无砟轨道温度场预测方法，其特征在于:既有气象资料来源于“中国气象科学数据共享服务网”。6.根据权利要求1所述的无砟轨道温度场预测方法，其特征在于:步骤(2)中的人工神经网络为包含双隐含层的人工神经网络。7.根据权利要求1所述的无砟轨道温度场预测方法，其特征在于:步骤(2)中的人工神经网络为双隐含层的误差反向传播算法人工神经网络，将第一和第二隐含层神经元数量均设为16，各神经元采用如下计算方法: 8.根据权利要求1所述的无砟轨道温度场预测方法，其特征在于:步骤(3)中的人工神经网络训练中，学习函数采用附加动量因子的梯度下降权值学习函数，训练目标误差取.0.001，初始学习率为0.0001，误差反向传播算法选用Powell-Beale共轭梯度法，误差性能函数选用均方误差，迭代次数设为700次。【文档编号】G06F19/00GK103942426SQ201410150079【公开日】2014年7月23日 申请日期:2014年4月15日 优先权日:2014年4月15日 【专利技术者】闫斌, 戴公连, 苏海霆 申请人:中南大学本文档来自技高网...

【技术保护点】
一种无砟轨道温度场预测方法，其特征在于，包括以下步骤：（1）通过气象数据和实测温度数据形成训练样本和测试样本；（2）建立人工神经网络；（3）采用训练样本对人工神经网络进行训练，采用测试样本验证人工神经网络对无砟轨道温度场预测的准确性；（4）通过输入新的气象数据，预测未来无砟轨道温度场非线性分布情况。

【技术特征摘要】

【专利技术属性】
技术研发人员：闫斌，戴公连，苏海霆，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43