【技术实现步骤摘要】
本专利技术涉及智能算法，特别涉及机器学习模型预测。具体是一种基于机器学习的高铁级配碎石压实质量主控特征与预测研究方法。
技术介绍
1、高铁路基压实质量控制是影响路基服役性能的关键因素。压实质量控制不足易导致运营期间产生不均匀沉降、轨道不平顺等路基病害问题，同时，针对压实质量智能预测的研究较少，制约着路基智能施工的发展。因此，基于压实质量的多参数评价方法，实现压实质量的智能预测分析，对提高高铁路基服役性能具有重要指导意义。
2、压实系数k是高铁路基基床填料压实的主要控制指标，可由现场干密度与室内试验填料最大干密度ρdmax的比值得到，故常通过振动压实试验所得ρdmax评估现场压实质量。在振动压实试验中，压实时间是影响干密度的重要因素，但是现阶段的研究在确定rdmax的最佳振动压实时间上仍没有达成共识，同时，干密度与填料力学特性的关系也尚未明确。因此，有必要结合级配碎石力学特性确定填料最优振动压实时间进而得出填料ρdmax，以控制路基压实质量。
3、随着智能压实技术的发展，对ρdmax的预测精度提出了更高的要求。将影响ρdmax的主控特征作为预测模型的输入特征，可降低样本空间维度，提高模型预测性能，进一步提高压实效率。近年来，由于机器学习(machine learning,ml)具有强大的非线性映射能力，为振动压实各项参数的非线性预测提供了有效的手段。目前各学者针对ml模型的预测性能展开了大量研究，但仍缺乏粗粒土性能特征的系统表征与影响填料ρdmax主控特征方面的研究。另外，振动压实参数预测的ml模型种类繁多
4、综上，有必要结合级配碎石力学特性确定填料最优振动压实时间进而得出填料ρdmax，并基于ml建立ρdmax的预测模型，提出一种多层次综合评价ml模型预测性能的方法以控制路基压实质量，以期实现高铁级配碎石压实质量主控特征与预测研究。此方法具有较好的预测精度和泛化能力，为高铁级配碎石压实质量主控特征与预测研究提供一条新的思路。因此，亟需研发一种基于机器学习的高铁级配碎石压实质量主控特征与预测研究方法。
技术实现思路
1、有鉴于此，为了解决
技术介绍
中的问题，本专利技术提出了一种基于机器学习的高铁级配碎石压实质量主控特征与预测研究方法，此方法具有较好的预测精度和泛化能力，为高铁级配碎石压实质量主控特征与预测研究提供一条新的思路。
2、本专利技术的技术方案总流程如图1所示：
3、1)结合级配碎石力学特性动刚度krb“拐点”确定级配碎石最优振动压实时间进而得出ρdmax，以控制路基压实质量；
4、2)基于灰色关联度分析算法(grey relation analysis,gra)与皮尔逊(pearson)算法分析ρdmax主控特征；
5、3)采用典型机器学习(machine learning，ml)算法建立最大干密度预测模型；
6、4)采用机器学习模型预测性能三层次评价方法确定最优最大干密度预测模型。
7、进一步的，上述的步骤1)中，结合级配碎石力学特性动刚度krb“拐点”确定级配碎石最优振动压实时间进而得出ρdmax，以控制路基压实质量的方法主要可分为三步：
8、a1.采用大型智能振动压实仪开展振动压实试验，如图2所示，得到级配碎石干密度ρd与动刚度krb随时间的变化曲线，计算公式如式(1)、(2)。
9、a2.观察krb随着时间的变化规律，选取曲线图中的拐点所对应的振动时间作为级配碎石最优振动压实时间，将该时间对应的干密度值作为ρdmax。
10、a3.压实系数k由现场干密度ρd(sand-replace)与室内试验所得填料最大干密度rdmax相除得到，是高铁路基基床填料的主要压实控制指标，可反映级配碎石在振动压实作用下的密实程度以及颗粒的排列紧密程度。因此由实验室振动压实法所得的rdmax来评估现场的压实质量。压实系数的计算公式如式(3)。
11、进一步的，上述的步骤2)中：基于gra与pearson算法分析ρdmax主控特征的主要思路是在执行ρdmax预测任务时，若将ρdmax众多特征指标输入到预测模型中，可能会掩盖主控特征的作用，并增加模型训练难度。因此，有必要结合gra与pearson算法分析ρdmax主控特征，主要可分为三步：
12、b1.结合gra算法根据曲线几何形状的相似程度来表征每个特征与ρdmax的相关程度，ρdmax的影响特征包括不均匀系数(cu)、曲率系数(cc)、填料最大粒径(dmax)、三种典型粒径(粒径d≤0.5mm、d＝0.5–1.7mm、d≥1.7mm)，洛杉矶磨耗(laa)、扁平细长颗粒(qe)、粗骨料吸水率(wac)、细集料吸水率(waf)、细骨料液限(ll)和细集料塑限(pl)等，采用由大到小的方式针对各影响特征进行排序，计算公式如式(6)、(7)、(9)。式中，p一般取0.1～1.0，本专利技术取0.5,并选择γ(y0,xi)大于0.6的指标为强相关特征。
13、b2.通过皮尔逊相关性分析公式计算皮尔逊相关系数，度量ρdmax和每个特征之间的相关性，如式(8)所示。式中，r的取值范围为-1≤r≤1，r＞0，代表x和y之间呈正相关；r＝0，代表x和y之间没有线性关系；r<0，代表x和y之间呈负相关，r的绝对值越大，表明相关性越强；r的绝对值越小，表示相关性越弱。将pearson算法的运算结果作为辅助验证，判断步骤a)所得的强相关特征在pearson算法中是否也排名靠前。
14、b3.综合gra和pearson算法的运算结果，选取在两种算法中排名均靠前，且关联度大于0.6的影响特征作为ρdmax的主控特征。
15、进一步的，上述的步骤3)中：采用典型机器学习(ml)算法预测ρdmax，引入pso算法优化各模型的超参数，基于最优超参数训练各ml模型，主要可分为三步：
16、e1.基于步骤2)所得的主控特征构建ρdmax数据集，通过分析不同级配填料的ρdmax与主控特征的关系，建立ρdmax数据集其中xρ为预测模型的输入特征，由主控特征组成，输出特征yρ由ρdmax组成。
17、e2.将数据集按照7：3的比例划分为训练集和测试集，其中训练集用于建立ml模型，测试集用于测试ml模型的性能。
18、e3.建立基于训练集ttrain的机器学习模型。具体步骤如下：
19、a)采用人工神经网络(artificial neural network,ann)、支持向量回归机(support vector machine,svr)、随机森林(random forest,rf)、决策树(decision tree,dt)、岭回归(ridge regression,ridge)这5种典型ml预测算法，开展ρdmax的本文档来自技高网...
【技术保护点】
1.一种基于机器学习的高铁级配碎石压实质量主控特征与预测研究方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤1)中的压实质量评估方法包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，所述步骤A1中，所述级配碎石干密度ρdt计算公式如下：
4.根据权利要求2所述的方法，其特征在于，所述步骤A3中基于ρdmax评估现场压实质量方法如下：
5.根据权利要求1所述的方法，其特征在于，所述步骤2)中的压实质量主控特征分析方法包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，所述步骤B1中各影响特征与最大干密度ρdmax之间的关联度分析方法包括以下步骤：
7.根据权利要求5所述的方法，其特征在于：所述步骤B2中各影响特征与最大干密度ρdmax之间的皮尔逊相关性分析公式如下：
8.根据权利要求5所述的方法，其特征在于：所述步骤B3中结合灰色关联度算法和皮尔逊算法确定压实质量主控特征分析方法包括以下步骤：
9.根据权利要求1所述的方法，其特征在于，所述步骤3)中
10.根据权利要求9所述的方法，其特征在于，所述步骤E3中基于训练集的机器学习模型建立方法包括以下步骤：
11.根据权利要求1所述的方法，其特征在于，所述步骤4)中确定最优最大干密度预测模型的方法包括以下步骤：
12.根据权利要求11所述的方法，其特征在于，所述步骤G1中从机器学习模型的预测精度及误差层次进行评估包括以下步骤：
13.根据权利要求11所述的方法，其特征在于，所述步骤G2中从机器学习模型的预测结果不确定性层次进行评估包括以下步骤：
14.根据权利要求11所述的方法，其特征在于：所述步骤G3中从机器学习模型的预测稳健性层次进行评估包括以下步骤:
15.根据权利要求11所述的方法，其特征在于：所述步骤G4中综合三个层次的结果提出综合评价指标的方法包括以下步骤:
...【技术特征摘要】
1.一种基于机器学习的高铁级配碎石压实质量主控特征与预测研究方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤1)中的压实质量评估方法包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，所述步骤a1中，所述级配碎石干密度ρdt计算公式如下：
4.根据权利要求2所述的方法，其特征在于，所述步骤a3中基于ρdmax评估现场压实质量方法如下：
5.根据权利要求1所述的方法，其特征在于，所述步骤2)中的压实质量主控特征分析方法包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，所述步骤b1中各影响特征与最大干密度ρdmax之间的关联度分析方法包括以下步骤：
7.根据权利要求5所述的方法，其特征在于：所述步骤b2中各影响特征与最大干密度ρdmax之间的皮尔逊相关性分析公式如下：
8.根据权利要求5所述的方法，其特征在于：所述步骤b3中结合灰色关联度算法和皮尔逊算法确定压实质量主控特...
【专利技术属性】
技术研发人员：郝哲睿，陈晓斌，谢康，尧俊凯，李泰灃，肖宪普，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。