一种基于深度学习的多因素路基沉降预测方法技术

本发明专利技术提出了一种基于深度学习的多因素路基沉降预测方法，基于注意力机制优化的多因素双向长短时记忆神经网络模型(AM‑BI‑LSTM)，对高速铁路路基进行多因素路基工后沉降预测，通过AM对BI‑LSTM模型输出值进行权重计算，通过分配环境和岩土工程性质对路基工后沉降的关注度，提高路基工后沉降的精度，为高速铁路路基沉降评估提供更为准确的数据，同时提升了路基工后沉降的评估效率。

【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...

【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：