为了提高高速车辆-道岔复杂动力学响应的仿真计算效率和计算精度,构建了基于长短时记忆(Long Short Term Memory,LSTM)网络的动力学响应预测模型。首先,利用刚柔耦合动力学模型,生成不同水平不平顺状态下的轮轨垂向力样本。然后,将水平...为了提高高速车辆-道岔复杂动力学响应的仿真计算效率和计算精度,构建了基于长短时记忆(Long Short Term Memory,LSTM)网络的动力学响应预测模型。首先,利用刚柔耦合动力学模型,生成不同水平不平顺状态下的轮轨垂向力样本。然后,将水平不平顺幅值作为模型输入,轮轨垂向力作为输出,引入dropout参数,训练LSTM网络并采用均方误差和决定系数来评价模型性能。最后,基于计算结果分析轮重减载率和统计超限概率。结果表明:本文搭建的LSTM网络在训练轮次达到5000次后,均方误差基本稳定在0.00267,测试集的决定系数为0.903,模型具有较高的可靠性,可用于预测不平顺状态下的车辆-道岔动力学响应;与传统动力学模型计算相比,LSTM模型计算效率提高了约26倍,大幅提高了计算效率且计算精度达到要求;水平不平顺幅值达到6 mm时,超限概率达到了9.08%,超过了容许阈值。展开更多
文摘为了提高高速车辆-道岔复杂动力学响应的仿真计算效率和计算精度,构建了基于长短时记忆(Long Short Term Memory,LSTM)网络的动力学响应预测模型。首先,利用刚柔耦合动力学模型,生成不同水平不平顺状态下的轮轨垂向力样本。然后,将水平不平顺幅值作为模型输入,轮轨垂向力作为输出,引入dropout参数,训练LSTM网络并采用均方误差和决定系数来评价模型性能。最后,基于计算结果分析轮重减载率和统计超限概率。结果表明:本文搭建的LSTM网络在训练轮次达到5000次后,均方误差基本稳定在0.00267,测试集的决定系数为0.903,模型具有较高的可靠性,可用于预测不平顺状态下的车辆-道岔动力学响应;与传统动力学模型计算相比,LSTM模型计算效率提高了约26倍,大幅提高了计算效率且计算精度达到要求;水平不平顺幅值达到6 mm时,超限概率达到了9.08%,超过了容许阈值。
