期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于经验约束神经网络的高速铁路路基累积变形预测研究 被引量：1
1
作者 邓志兴 徐林荣 +2 位作者 李永威 王武斌 苏谦 《铁道科学与工程学报》 北大核心 2025年第2期469-484,共16页
掌握高速铁路路基变形发展对变形病害的控制与运营管理意义重大。目前,机器学习方法被广泛应用于累积变形预测,而传统机器学习路基累积变形预测模型存在时间分布外泛化性差的弊端。因此,提出一种基于经验约束神经网络(ECNN)的高速铁路... 掌握高速铁路路基变形发展对变形病害的控制与运营管理意义重大。目前,机器学习方法被广泛应用于累积变形预测,而传统机器学习路基累积变形预测模型存在时间分布外泛化性差的弊端。因此,提出一种基于经验约束神经网络(ECNN)的高速铁路路基累积变形预测方法。首先,基于工程现场或室内试验数据构建路基累积变形预测数据集,并划分为训练集和测试集;其次,基于训练集建立神经网络模型,综合测试集上的预测精度与误差、预测不确定性2个层次结果,确定最优神经网络预测模型;最后,利用最优神经网络模型驱动路基累积变形的数据信息,并以损失函数修正的方式嵌入累积塑性应变关系曲线(经验信息),实现对最优神经网络模型参数和损失函数的约束,完成ECNN模型构建。案例分析表明:双向门控循环单元(Bi-GRU)模型为最优的神经网络预测模型,拟合优度R~2达到0.972 59,扩展不确定性U_(95)和标准化平均差f_(smd)仅为0.015 6、0.181 09;相较于Bi-GRU模型,ECNN模型在预测精度与误差、预测不确定性2个层次均更优,表明考虑经验信息约束的ECNN模型具备更强的预测性能;ECNN模型相较于Bi-GRU模型具有优异的时间分布外泛化性能,当训练集覆盖的时间跨度较小时,可有效提高累积变形的预测精度。研究成果可为高速铁路路基累积变形预测提供新参考。 展开更多
关键词 高速铁路 累积变形预测 经验约束神经网络 神经网络 累积塑性应变关系
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部