一种新建铁路限制坡度优化决策方法技术

本发明专利技术公开了一种新建铁路限制坡度优化决策方法，所述优化决策方法包括以下步骤：首先构建深度卷积神经网络模型；然后建立铁路案例数据库，将影响新建铁路限制坡度决策的各项因素表征成灰度图，并融合成多通道图像用于训练网络模型；最后提出一种滑动扫描技术，结合训练完成的深度卷积神经网络模型进行铁路限制坡度决策。与现有技术相比，该方法具有自动化程度高、实用性强、运行效率高且应用前景好等优点。

【技术实现步骤摘要】
一种新建铁路限制坡度优化决策方法
本专利技术涉及铁路设计方法，具体涉及一种新建铁路限制坡度优化决策方法。
技术介绍
限制坡度是一项具有全局意义的铁路主要技术标准，它直接影响线路的运输能力、工程费用、运营费用以及行车安全，甚至可能决定线路走向。随着我国经济的飞速发展，铁路运输需求不断增加，于此同时铁路建设逐渐从东部平原向西部山区转变，艰险山区的复杂环境使得铁路工程建设与日益增长运输需求的矛盾愈加突出：为更好地适应复杂的地形、地质条件，缩短线路长度，节省工程建造费用，采用较大的限制坡度是一种行之有效的手段；然而，线路运输能力同样受最大限制坡度影响，在机车型号相同(即牵引功率相同)的情况下，使用较大的限制坡度会降低机车牵引吨数，进而降低线路运输能力，同时也会增加运营费用以及下坡路段的危险性。此外，限制坡度属于固定设备标准，一旦铁路建成，将很难更改。因此，如何科学合理地决策出与所处自然、经济、社会环境最佳匹配的限制坡度，是目前铁路线路设计面临的一项重大难题。新建铁路限制坡度决策本质上是探索多维影响因素(如：地形条件、运输需求等)与限制坡度的映射规律，从而选出最佳方案。传统的限制坡度优化决策方本文档来自技高网...

【技术保护点】
1.一种新建铁路限制坡度优化决策方法，其特征在于：包括以下步骤：S1：构建用于新建铁路限制坡度优化决策的深度卷积神经网络模型；S2：建立用于训练深度卷积神经网络的训练数据集Dtrain和验证数据集Dvalidate；S2‑1：收集N1条采用不同限制坡度的已建客货共线铁路案例，建立铁路案例数据集D1；S2‑2：基于所述铁路案例数据集D1中各条铁路线路的起、终点位置划分各铁路案例的矩形研究区域，并提取各矩形研究区域内的格网高程数据信息，建立铁路案例高程数据集D2；S2‑3：基于D2中各铁路案例研究区域的格网高程数据信息，绘制各矩形研究区域的高程灰度图Pelevation，建立用于表征各铁路案例研究...

【技术特征摘要】
1.一种新建铁路限制坡度优化决策方法，其特征在于：包括以下步骤：S1：构建用于新建铁路限制坡度优化决策的深度卷积神经网络模型；S2：建立用于训练深度卷积神经网络的训练数据集Dtrain和验证数据集Dvalidate；S2-1：收集N1条采用不同限制坡度的已建客货共线铁路案例，建立铁路案例数据集D1；S2-2：基于所述铁路案例数据集D1中各条铁路线路的起、终点位置划分各铁路案例的矩形研究区域，并提取各矩形研究区域内的格网高程数据信息，建立铁路案例高程数据集D2；S2-3：基于D2中各铁路案例研究区域的格网高程数据信息，绘制各矩形研究区域的高程灰度图Pelevation，建立用于表征各铁路案例研究区域地形高程变化特征的高程灰度图集Delevation；S2-4：基于D2中各铁路案例研究区域的格网高程数据信息，绘制各矩形研究区域的坡度灰度图Pslope，建立用于表征各铁路案例研究区域地形坡度特征的坡度灰度图集Dslope；S2-5：将不同铁路等级表征为灰度值不同的灰度图，根据D1中各条铁路案例的实际等级，绘制与各条铁路案例相对应的铁路等级灰度图Pclassification，建立铁路等级灰度图集Dclassification；S2-6：将不同机车型号表征为灰度值不同的灰度图，根据D1中各条铁路案例所使用的实际机车型号，绘制与各条铁路案例相对应的机车型号灰度图Plocomotive，建立机车型号灰度图集Dlocomotive；S2-7：基于建立的高程灰度图集Delevation、坡度灰度图集Dslope、铁路等级灰度图集Dclassification、机车型号灰度图集Dlocomotive，融合D1中各条铁路案例的高程灰度图Pelevation、坡度灰度图Pslope、铁路等级灰度图Pclassification和机车型号灰度图Plocomotive，形成可表征各条铁路案例信息的四通道图Pmerge，并建立数据集Dmerge；S2-8：将数据集Dmerge中表征各条铁路案例信息的四通道图切割成大小为333×333像素的图片，并赋予标签数据，其标签数据为各条铁路案例所实际使用的限制坡度值；S2-9：将S2-8中所得带标签数据图按4:1的比例划分，建立用于训练深度卷积神经网络的训练数据集Dtrain和验证数据集Dvalidate；S3：采用S2建立的训练数据集Dtrain训练所构建的网络模型，并采用S2建立的验证数据集Dvalidate验证模型精度，得到经过训练和验证的深度卷积神经网络模型；S4：另外收集N2条与数据集D1中不同的已建客货共线铁路案例，并按照步骤S2-2至S2-7生成表征铁路案例信息的四通道图Pmerge，建立测试数据集Dtest；S5：提出一种滑动扫描技术，将训练好的深度卷积神经网络模型按由左向右、由上到下的顺序扫描数据集Dtest中表征各条铁路案例高程信息、坡度信息、铁路等级信息、机车型号信息的四通道图，根据各限制坡度值的输出次数，确定Dtest中各条铁路案例的限制坡度推荐值。2.根据权利要求1所述的新建铁路限制坡度优化决策方法，其特征在于：所述步骤S1中，所述深度卷积神经网络模型包括5个卷积层，3个池化层，2个全连接层和1个Softmax输出层：1)第一个卷积层采用的卷积核大小为33×33×3，步幅大小为4，卷积核个数为96，第一个卷积层后连接修正线性单元作为非线性激活函数，使模型具备非线性特征；2)第一个卷积层经非线性处理后连接第一个池化层，第一个池化层采用的池化核大小为4×4，步幅大小为2；3)第一个池化层后连接第二个卷积层，第二个卷积层采用的卷积核大小为3×3×96，步幅大小为1，卷积核个数为256，第二个卷积层后连接修正线性单元进行非线性处理；4)第二个卷积层经非线性处理后连接第二个池化层，第二个池化层采用的池化核大小为3×3，步幅大小为2；5)第二个池化层后连接第三个卷积层，第三个卷积层采用的卷积核大小为3×3×256，步幅大小为1，卷积核个数为384，第三个卷积层后连接修正线性单元进行非线性处理；6)第三个卷积层经非线性处理后连接第四个卷积层，第四个卷积层采用的卷积核大小为3×3×384，步幅大小为1，卷积核个数为384，第四个卷积层后连接修正线性单元进行非线性处理；7)第四个卷积层经非线性处理后连接第五个卷积层，第五个卷积层采用的卷积核大小为3×3×384，步幅大小为1，卷积核个数为256，第五个卷积层后连接修正线性单元进行非线性处理；8)第五个卷积层经非线性处理后连接第三个池化层，第三个池化层采用的池化核大小为3×3，步幅大小为2；9)第三个池化层后连接第一个全连接层，为防止产生过拟合现象，在第三个池化层到第一个全连接层连接采用dropout函数，第一个全连接层后连接修正线性单元进行非线性处理；10)第一个全连接层经非线性处理后连接第二个全连接层，并采用dropout函数防止...

【专利技术属性】
技术研发人员：蒲浩，张洪，李伟，王雷，宋陶然，李晓明，谢佳，王杰，彭先宝，胡建平，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43