一种基于神经网络的轨道路基材料疲劳模型构建方法技术

本发明专利技术提供了一种基于神经网络的轨道路基材料疲劳模型构建方法，包括：步骤1：收集轨道路基材料永久变形与其影响因素的数据集；步骤2：对数据集进行数据清洗；步骤3：确定模型的输入参数和输出参数；步骤4：对数据集进行归一化处理；步骤5：构建BP神经网络模型；步骤6：根据训练集进行训练且通过验证集测试预测精度；步骤7：采用Adam优化算法得到最优的网络结构；步骤8：构建预测轨道路基材料永久应变的疲劳模型。本方法通过BP神经网络构建出的疲劳模型可以很好的解决轨道路基材料永久应变复杂的多影响因素耦合的问题，实现了对轨道路基材料在长期列车荷载作用下的复杂永久应变快速有效准确地高精度预测。效准确地高精度预测。效准确地高精度预测。

【技术实现步骤摘要】
一种基于神经网络的轨道路基材料疲劳模型构建方法


[0001]本专利技术涉及岩土工程领域，尤其涉及一种基于神经网络的轨道路基材料疲劳模型构建方法。

技术介绍

[0002]如今，铁路已成为重要的运输手段之一，在国民经济中发挥着重要作用。为了满足日益增长的社会和经济需求，有必要不断提高列车速度、轴重或行驶量。显然，这将对轨道的下部结构产生重大影响。确保列车的正常运行，需要定期进行大量的维护和改进活动。为了此项工作高效地进行，必须深入研究整个铁路下部结构的力学行为，特别是各个层在长期的列车循环影响的永久应变，因此快速准确地建立一个轨道路基材料的疲劳模型十分必要。
[0003]目前，常用的疲劳模型是通过回归分析得出的，但是定义拟合回归模型的参数需要预先指定的关系且目前几乎没有软件能够开发具有两个以上影响因素的非线性模型。因此其需要对一系列线性和非线性方程进行评估，过程十分繁琐。但是简单地疲劳模型又不能反映轨道路基材料永久应变的复杂高度非线性问题。近年来机器学习的分支神经网络在岩土工程中得到了越来越多的应用，如边坡稳定性预测、岩土参数的反分析、高复杂度无粘性土基的沉降估算等。其很强的学习能力和处理高度非线性问题的能力,能以较高的精度解决复杂问题。因此BP神经网络有很高的可能性去建立一个考虑多种影响因素且快速精确的疲劳模型。
[0004]目前利用BP神经网络构建轨道路基材料疲劳模型的技术尚未见报道。因此，专利技术了一种基于BP神经网络的轨道路基材料疲劳模型构建方法，从而为铁路地下结构的轨道路基材料在长期列车荷载作用下的力学响应提供有效依据和参考，这对轨道的运行和维护起到了至关重要的作用。

技术实现思路

[0005]本专利技术的目的就是为了克服现有技术存在的问题而提供一种精度高、准确率高、快速的基于BP神经网络的轨道路基材料疲劳模型构建方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]本专利技术具有以下有益效果：
[0008]一、精度高：本专利技术中的轨道路基材料疲劳模型的构建方法选用BP神经网络来替代现有技术中的回归分析，在简化构建疲劳模型过程的同时还能保证高精度；
[0009]二、效率高：本专利技术中的基于BP神经网络的轨道路基材料疲劳模型的构建方法采用Adam算法相比于RMSprop、Insofar等优化算法，能自适应动态调整学习率并在梯度方向进行优化网络参数，有很高的计算效率和较低的内存需求。同时，算法梯度的对角缩放具有不变性，因此很适合求解路基材料疲劳模型中带有较小规模数据或参数的问题，节约了建模与计算时间，具有更高的建模效率。
[0010]三、准确性高，本专利技术针对疲劳模型的多个影响因素高度复杂的耦合效应，综合考虑其对长期列车荷载作用下的永久应变的影响，相比于传统方法的考虑单一影响因素，模型更加符合实际情况，因此，模型能达到更高的准确度。
附图说明
[0011]图1为本专利技术中基于神经网络的轨道路基材料疲劳模型构建的流程示意图；
[0012]图2为神经网络正反向传播的结构示意图。
具体实施方式
[0013]下面将结合附图对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]一种基于神经网络的轨道路基材料疲劳模型构建方法,其流程如图1所示，分为数据处理、模型构建、模型训练、测试模型预测性能以及建立疲劳模型，具体包括8个步骤，分别为S1即步骤1，S2即步骤2、S3即步骤3、S4即步骤4、S5即步骤5、S6即步骤6、S7即步骤7和S8即步骤8，具体过程如下：
[0015]步骤1：收集构建轨道路基材料疲劳模型所需的永久应变和其影响因素的数据集；影响因素包括轨道路基材料循环加载次数、粗颗粒体积含量、含水率、最大偏应力幅值。
[0016]步骤2：对永久应变影响因素数据集通过下采样的方法进行数据清洗，使得数据集分布均衡；
[0017]步骤3：确定BP神经网络模型的输入参数和输出参数；其中轨道路基材料永久应变的影响因素作为BP神经网络模型的输入参数，包括土体循环加载次数、粗颗粒体积含量、含水率、最大偏应力幅值，轨道路基材料永久应变作为BP神经网络模型的输出参数；
[0018]步骤4：将步骤3中输入参数数据集进行最大最小归一化处理；
[0019]最大最小归一化处理具体为：
[0020][0021]其中，X为数据集中的输入参数，X
max
和X
min
分别为输入参数的最大值和最小值；步骤5：将归一化处理后的输入参数数据集和输出参数数据集划分为训练集和验证集；其中数据集按照8：2的比例完全随机的划分为训练集和验证集；
[0022]步骤6：构建BP神经网络模型，所述的BP神经网络模型包括1个输入层、3个隐含层和1个输出层；
[0023]步骤6
‑
1：将输入层神经元个数设置为4个，3个隐含层神经元个数分别设定为N1,N2,N3个，输出层神经元设置为1个；
[0024]步骤6
‑
2：将隐含层的激活函数均设置为tanh进行非线性映射，输出层的激活函数设置为ReLU；
[0025]步骤6
‑
3：为了使每个神经元的输入和输出的方差一致，且反向传播过程中误差信号不被放大和缩小，对3个隐含层的权重均采用Xavier初始化，对输出层权重采用He初始化，隐含层和输出层的偏置均初始化为0；
[0026]步骤6
‑
4：对于规模较小的训练集数据，采用梯度下降法，即每次迭代都计算整个数据集的梯度。同时，选用Adam优化算法来自适应地动态调整学习率并在梯度方向上进行优化，设置初始学习率Lr，本专利技术中规模较小的训练集数据指的是几万量级及以下训练集数据；
[0027]步骤7：根据训练集对BP神经网络模型进行训练，验证集测试模型预测性能，得到训练好的模型；
[0028]步骤7
‑
1：分别对步骤6
‑
3生成的每个参数(权重和偏置)构成的神经网络采用反向传播法进行训练，训练采用的数据集在步骤5生成的归一化后的训练集中全部随机输入；
[0029]步骤7
‑
2：训练集和验证集均采用均值平方差作为损失函数优化(BP)神经网络各层的参数，以便于找到(BP神经)网络的最高精度下的参数；
[0030]步骤7
‑
3：在训练过程中，计算训练集和验证集的损失函数，验证集损失函数不再下降时停止训练，得到最优的(BP)神经网络结构；
[0031]神经网络损失函数为均值平方差函数为：
[0032][0033]其中y
i
为训练集和验证集中的轨道路基材料永久应变值，a
i
为(BP)神经网络预测出的轨道路基材料永本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，所述的构建方法包括：步骤1：收集构建轨道路基材料疲劳模型所需的永久应变和其影响因素数据集；步骤2：对永久应变影响因素数据集进行数据清洗；步骤3：确定BP神经网络模型的输入参数数据集和输出参数数据集；步骤4：将步骤3中输入参数数据集进行归一化处理；步骤5：将步骤4中归一化处理后的输入参数数据集和输出参数数据集划分为训练集和验证集；步骤6：构建BP神经网络模型；步骤7：根据训练集对BP神经网络模型进行训练，验证集测试BP神经网络模型预测性能，得到训练好的BP神经网络模型。步骤8：根据最优的BP神经网络结构，构建轨道路基材料永久应变的疲劳模型。2.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，步骤1中轨道路基材料疲劳模型所需的永久应变影响因素数据集包括轨道路基材料循环加载次数、粗颗粒体积含量、含水率以及最大偏应力幅值，所述永久应变影响因素数据集作为BP神经网络模型的输入参数数据集，轨道路基材料永久应变数据作为模型的输出参数数据集。3.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，步骤2中对永久应变影响因素数据集通过下采样的方法进行数据清洗，其中下采样方法具体为：为了使得数据分布相对均匀，在获取数据时，从样本多的数据类别中抽取一些数据，使得其样本量与少数量样本的数据类别相等。4.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，步骤4中归一化处理为最大最小归一化处理。5.根据权利要求4所述的一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，步骤4中所述的最大最小归一化处理具体为：其中，为数据集中归一化处理后的输入参数，X为数据集中的输入参数，X
max
和X
min
分别为输入参数数据集中的最大值和最小值。6.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，对于小规模数据集，为了进一步更准确的反映模型的效能，所述步骤5中数据集采用神经网络中常用的8：2的划分比例完全随机的划分为训练集和验证集。7.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法，其特征在于，所述步骤6的具体过程为：BP神经网络模型包括1个输入层、3个隐含层和1个输出层；步骤6
‑
...

【专利技术属性】
技术研发人员：段淑倩，张明焕，熊杰程，曹备，
申请(专利权)人：郑州大学，
类型：发明
国别省市：