[發(fā)明專利]一種無砟軌道溫度場預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201410150079.6
• 申請日: 2014-04-15
• 公開（公告）號: CN103942426A
• 公開（公告）日: 2014-07-23
• 發(fā)明（設(shè)計(jì)）人: 閆斌;戴公連;蘇海霆
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 南昌新天下專利商標(biāo)代理有限公司 36115
• 代理人: 謝德珍

技術(shù)領(lǐng)域

本發(fā)明涉及混凝土溫度場預(yù)測技術(shù)，尤其是一種無砟軌道溫度場預(yù)測方法。

背景技術(shù)

在太陽輻射、對流換熱和輻射熱交換的作用下，無砟軌道結(jié)構(gòu)中存在著非線性溫度場，在該非線性溫度場作用下軌道板的反復(fù)翹曲變形是導(dǎo)致砂漿層產(chǎn)生離縫的主要原因，嚴(yán)重影響軌道結(jié)構(gòu)耐久性，威脅高速列車運(yùn)行安全。無砟軌道溫度場模擬或預(yù)測是控制軌道板溫度變形的關(guān)鍵。

目前，通常采用熱力學(xué)方法研究混凝土結(jié)構(gòu)的非線性溫度場分布情況，但由于算法假設(shè)過多、大氣透明度和表面吸收率等計(jì)算參數(shù)難以確定，分析結(jié)果與實(shí)際存在較大差別；其計(jì)算效率低下，難以應(yīng)用于工程實(shí)際。在高速鐵路無砟軌道設(shè)計(jì)過程中，往往不考慮或采用假定溫度梯度來分析無砟軌道溫度場對軌道變形的影響，不符合實(shí)際情況，導(dǎo)致設(shè)計(jì)存在安全隱患。

目前亟需提供一種計(jì)算簡便、準(zhǔn)確性較高的無砟軌道溫度場預(yù)測方法。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是克服現(xiàn)有技術(shù)存在的不足，提供一種計(jì)算簡便、準(zhǔn)確性較高的無砟軌道溫度場預(yù)測方法。

為解決上述技術(shù)問題，本發(fā)明提出一種無砟軌道溫度場預(yù)測方法，包括以下步驟：

（1）通過氣象數(shù)據(jù)和實(shí)測溫度數(shù)據(jù)形成訓(xùn)練樣本和測試樣本；

（2）建立人工神經(jīng)網(wǎng)絡(luò)；

（3）采用訓(xùn)練樣本對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用測試樣本驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)對無砟軌道溫度場預(yù)測的準(zhǔn)確性；

（4）通過輸入新的氣象數(shù)據(jù)，預(yù)測未來無砟軌道溫度場非線性分布情況。

優(yōu)選地，步驟（1）中的氣象數(shù)據(jù)包括日最高氣溫、日最低氣溫、日平均風(fēng)速、日照時(shí)數(shù)，以上氣象數(shù)據(jù)與時(shí)刻數(shù)一起構(gòu)成輸入?yún)?shù)，實(shí)測溫度數(shù)據(jù)包括軌道板上緣溫度、軌道板下緣溫度、底座板溫度，該實(shí)測數(shù)據(jù)按照日期和時(shí)間順序排列形成導(dǎo)師信號，輸入?yún)?shù)與導(dǎo)師信號組合形成訓(xùn)練樣本和測試樣本。

優(yōu)選地，輸入?yún)?shù)與導(dǎo)師信號組合后，隨機(jī)打亂順序，將前80%記錄作為訓(xùn)練樣本，后20%記錄為測試樣本。

優(yōu)選地，步驟（1）中的氣象數(shù)據(jù)來源于既有氣象資料。

優(yōu)選地，既有氣象資料來源于“中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)”。

優(yōu)選地，步驟（2）中的人工神經(jīng)網(wǎng)絡(luò)為包含雙隱含層的人工神經(jīng)網(wǎng)絡(luò)。

優(yōu)選地，步驟（2）中的人工神經(jīng)網(wǎng)絡(luò)為雙隱含層的誤差反向傳播算法人工神經(jīng)網(wǎng)絡(luò)，將第一和第二隱含層神經(jīng)元數(shù)量均設(shè)為16，各神經(jīng)元采用如下計(jì)算方法：

式中，表示訓(xùn)練樣本和神經(jīng)元之間的連接權(quán)值，表示神經(jīng)元的閾值，為神經(jīng)元激勵(lì)函數(shù)（選用Sigmoid函數(shù)），初始權(quán)值設(shè)為動(dòng)態(tài)分布隨機(jī)數(shù)。

優(yōu)選地，步驟（3）中的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，學(xué)習(xí)函數(shù)采用附加動(dòng)量因子的梯度下降權(quán)值學(xué)習(xí)函數(shù)，訓(xùn)練目標(biāo)誤差取0.001，初始學(xué)習(xí)率為0.0001，誤差反向傳播算法選用Powell-Beale共軛梯度法，誤差性能函數(shù)選用均方誤差，迭代次數(shù)設(shè)為700次。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

1、以氣象數(shù)據(jù)和實(shí)測溫度數(shù)據(jù)為樣本，采用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測，預(yù)測過程快速便捷，準(zhǔn)確性高；

2、氣象數(shù)據(jù)來源于既有氣象資料，易于取得，簡單實(shí)用；

3、采用包含雙隱含層的人工神經(jīng)網(wǎng)絡(luò)，特別是雙隱含層的誤差反向傳播算法人工神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確性高，非常適合本發(fā)明無砟軌道溫度場的預(yù)測。

附圖說明

圖1是本發(fā)明實(shí)施例中無砟軌道溫度場測點(diǎn)分布情況示意圖。

圖2是本發(fā)明實(shí)施例無砟軌道溫度場預(yù)測方法實(shí)現(xiàn)步驟示意圖。

圖3是本發(fā)明實(shí)施例中需要輸入的訓(xùn)練樣本示意圖（節(jié)選）。

圖4是本發(fā)明實(shí)施例中所建立的無砟軌道溫度場預(yù)測的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型示意圖。

圖5是采用本發(fā)明實(shí)施例所述預(yù)測方法得到的A點(diǎn)溫度與實(shí)測結(jié)果對比圖。

具體實(shí)施方式

以下結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。

如圖2所示，本實(shí)施例無砟軌道溫度場預(yù)測方法包括如下步驟。

步驟一：對無砟軌道實(shí)測數(shù)據(jù)對應(yīng)的氣象資料進(jìn)行整理，形成輸入?yún)?shù)。

本實(shí)施例中氣象數(shù)據(jù)來源于“中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)”（http://cdc.cma.gov.cn）。提取實(shí)測數(shù)據(jù)日期范圍內(nèi)，當(dāng)?shù)厝兆罡邭鉁兀▎挝唬骸妫⑷兆畹蜌鉁兀▎挝唬骸妫掌骄L(fēng)速（單位：m/s），日照時(shí)數(shù)（單位：h）。以上氣象數(shù)據(jù)與時(shí)刻數(shù)（單位：h，以0~23.5數(shù)字表示）一起，構(gòu)成輸入?yún)?shù)。

步驟二：將實(shí)測資料進(jìn)行整理，形成導(dǎo)師信號（期望輸出）。