【技术实现步骤摘要】
本专利技术属于路基工程，具体涉及一种基于深度学习的多因素路基沉降预测方法。
技术介绍
1、路基是高速铁路轨道结构和列车的承载主体，为了实现列车运行的高安全性和高速铁路轨道结构的高平顺性，无砟轨道高速铁路路基一般地段的工后沉降不大于20mm，有砟轨道高速铁路路基的一般地段工后沉降不大于50mm，这对岩土工程是一个非常大的挑战，因此，在高速铁路轨道工程施工前，必须进行严格的路基工后沉降评估。
2、目前，高速铁路路基的工后沉降评估是在路基内安装监测设备，通过长时间的观测采集沉降数据，绘制“填土高度-时间-沉降”曲线，基于双曲线法、指数曲线法、asaoka法或灰色理论等方法，对工后沉降数据进行回归拟合，然后预测路基的长期工后沉降，这些方法对高速铁路路基的工后沉降评估起到了重要作用，但是受长期波动的影响较大。实际工程中，路基所处的岩土工程环境复杂多变，沉降受气温、地下水和荷载变化等因素的影响，黄土地区的路基多处于非饱和状态，在干湿循环和冻融循环下易出现工后沉降过大的问题，然而传统的双曲线法、指数曲线法、asaoka法等单因素回归拟合沉降预测模型具有明显的时间依赖性，无法考虑气温、降水等因素的影响，灰色理论法虽然可以弥补贫信息和不确定性的缺点，但是具有波动性。实践证明，单因素回归拟合沉降预测模型对软土路基的工后沉降预测精度较高，对黄土路基工后沉降预测结果还需长期的观测评价，对于高速铁路毫米级的路基沉降控制，路基工后沉降预测方法仍然需要改进，提高其预测精度非常必要。
3、虽然深度学习模型已经用于路基沉降预测，但是考虑环
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于深度学习的多因素路基沉降预测方法。本专利技术旨在解决现有路基沉降预测方法预测准确性差，未考虑环境和岩土工程性质对路基沉降影响的问题。
2、为达到上述目的，本专利技术提供了一种基于深度学习的多因素路基沉降预测方法，包括以下步骤：
3、s1.建立路基沉降观测系统；
4、所述路基沉降观测系统包括静力水准仪、水分计、温度计、数据传输系统和供电系统，所述静力水准仪用于获取地基和路基面沉降数据，所述水分计用于获取地基内部土体含水率，所述温度计用于获取路基附近的环境温度；
5、s2.采集数据，并对数据进行前处理；
6、s3.采用深度学习机器建立多因素am-bi-lstm模型；
7、s4.根据多因素am-bi-lstm模型定义输入数据集，划分训练数据集和测试数据集；
8、s5.数据分割：设定窗口分割长度lc；
9、s6.模型调参；
10、将数据集导入多因素am-bi-lstm模型，开展模型训练，训练过程以均方根误差rmse最小为优化目标，应用adam优化算法更新权重，直到rmse最小；
11、s7.滚动预测；
12、s8.选取评价指标，判别预测值与实测值的偏离程度。
13、进一步，所述步骤s2包括以下子步骤：
14、s2.1通过步骤s1所述的路基沉降观测系统监测工程所在区域的日最低气温、地基土含水率以及路基面和地基的沉降数据；
15、s2.2剔除明显的异常数据；
16、s2.3对数据进行插值补缺和等时距处理；
17、s2.4对数据进行归一化的处理，将原始数据转换统一在[0，1]区间。
18、进一步，所述步骤s2.3中，等时距处理的时距以3天为单位。
19、进一步，所述步骤s2.4中，数据归一化采用min-max标准化方法进行处理，min-max标准化函数的计算表达式如下：
20、
21、式中，x*为标准化的数据；x为原始数据；xmax为原始数据中的最大值，xmin为原始数据的最小值。
22、进一步，所述步骤s4包括以下子步骤：
23、s4.1根据多因素am-bi-lstm模型，定义输入数据集fn；
24、fn＝(x1,x2,…,xt,…xn)
25、xt＝{sct,tt,wt}
26、式中，sct为t时刻的沉降量；tt为t时刻的最低气温；wt为t时刻的地基土含水率；
27、s4.2将经过标准化处理和格式转换后的数据分为训练数据集f’train和测试数据集f’test；
28、f’train＝(x’1,x'2,…,x'm)，
29、f’test＝(x'm+1,x'm+2,…,x'n)
30、其中，f’train为数据处理后的训练集，训练集的窗口长度为总数据的75％；f’train为数据处理后的测试集，测试集的窗口长度为总数据的25％；m为训练样本的因素数量；n为训练和测试样本的总数。
31、进一步，所述多因素am-bi-lstm模型的计算过程如下：
32、i.根据分割窗口长度lc，将数据集输入多因素am-bi-lstm模型的隐藏层；
33、输入隐含层的数据集为：x＝(x1,x2,xt…,xlc)，xt＝(x’t,x’t+1,…,x'm-lc+t-1)；
34、隐含层的理论输出为：
35、ii.将yt输入至am层计算对应的权值，用计算的权值对编码向量进行加权作为解码器decoder的输入；
36、iii.经过解码器得到的实际输出为：
37、iv.最终am-bi-lstm模型的实际输出为：ht＝am-bi-lstm(xt,ct-1,ht-1)。
38、进一步，所述步骤s6中，均方根误差rmse的计算表达式如下：
39、
40、式中，pi为解码器的实际输出；yi为隐藏层的理论输出。
41、进一步，所述步骤s7包括以下子步骤：
42、s7.1输入时序样本数据集fn，得到沉降量预测集yi；
43、s7.2将yi与对应时刻tt、wt组成下一个时序样本集fn1，经多因素am-bi-lstm模型训练和运行后，得到对应时刻的沉降量预测值yi1；
44、s7.3重复步骤s7.2，每次向前迭代一个窗口长度，直至沉降量发展趋势稳定或达到规定时间。
45、进一步，所述步骤s8中，评价指标包括平均绝对误差mae和均方根误差rmse；
46、
47、
48、式中，为预测值，st为实测值。
49、有益效果：
50、1、本专利技术提供了一种基于深度学习的多因素路基沉降预测方法，利用路基沉降观测系统，获取路基沉降值、最低气温和地基土含水率3个因素，建立多因素am-bi-lstm模型，输入参数包括：路基沉降值、最低气温和地基土含水率，输出本文档来自技高网...
【技术保护点】
1.一种基于深度学习的多因素路基沉降预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于：所述步骤S2包括以下子步骤：
3.根据权利要求2所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于：所述步骤S2.3中，等时距处理的时距以3天为单位。
4.根据权利要求2所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于，所述步骤S2.4中，数据归一化采用min-max标准化方法进行处理，min-max标准化函数的计算表达式如下：
5.根据权利要求1所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于，所述步骤S4包括以下子步骤：
6.根据权利要求5所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于，所述多因素AM-BI-LSTM模型的计算过程如下：
7.根据权利要求6所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于，所述步骤S6中，均方根误差RMSE的计算表达式如下：
8.根据权利要求7所述的一种基于深度学
9.根据权利要求8所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于，所述步骤S8中，评价指标包括平均绝对误差MAE和均方根误差RMSE；
...【技术特征摘要】
1.一种基于深度学习的多因素路基沉降预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于：所述步骤s2包括以下子步骤：
3.根据权利要求2所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于：所述步骤s2.3中，等时距处理的时距以3天为单位。
4.根据权利要求2所述的一种基于深度学习的多因素路基沉降预测方法，其特征在于，所述步骤s2.4中，数据归一化采用min-max标准化方法进行处理，min-max标准化函数的计算表达式如下：
5.根据权利要求1所述的一种基于深度学习的多因素路基沉降预测方...
【专利技术属性】
技术研发人员：杲斐，王文芳，洪涛，吕擎峰，吴建国，赵彦旭，程选生，
申请(专利权)人：中铁二十一局集团有限公司，
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。