[发明专利]一种高速铁路路基的沉降预测方法

权利要求书

1.一种高速铁路路基的沉降预测方法，其特征在于：包括以下步骤：

步骤一：确定所适用的软土沉降场地，获取研究区域内地质勘察数据、地下水位信息等场地信息；

步骤二：并监测收集该场地在预测之前的沉降量的变化数据、填筑变化数据和填筑时间信息；

步骤三：对收集到的数据进行分析处理，先对已获取的沉降数据进行训练建立模型，再得到重构背景值，最后对需要预测的数据进行沉降外推预测。

2.根据权利要求1所述的一种高速铁路路基的沉降预测方法，其特征在于：所述步骤三中的训练所得数据建立模型的操作考虑了时间变量和填筑高度双变量对于路基沉降量的影响，并运用Matlab程序语言编写二维双层BP神经网络。

3.根据权利要求2所述的一种高速铁路路基的沉降预测方法，其特征在于：实际建立了基于监测数据训练样本的BP学习训练网络net(S_k(t_k，H_k))；取监测得到的数据作为BP网络训练样本，以对应的填筑高度H_k和工程时间t_k组成二维输入向量P＝[t_k；H_k]，以沉降监测值为期望输出T＝[S_k]，根据实际情况设定均方误差mse<10-3或训练次数Epoch超过2000时停止训练，得到第一个关于时间[t_k]，填筑高度[H_k]与沉降量[S_k]关系的学习训练网络net(S_k(t_k，H_k))。

4.根据权利要求2所述的一种高速铁路路基的沉降预测方法，其特征在于：还需要根据样本数据训练得到时间[t_k]与填筑高度[H_k]的一维-双层BP训练网络net(H_k(t_k))，得到等距时间[t_k⁽⁰⁾]对应的填筑高度[H_k⁽⁰⁾]，形成新的二维输入向量P(0)＝[t_k⁽⁰⁾；H_k⁽⁰⁾]。

5.根据权利要求3或4所述的一种高速铁路路基的沉降预测方法，其特征在于：下载学习训练完成的网络net(S_k(t_k，H_k))，对二维输入变量P⁽⁰⁾进行仿真，得到重构背景值[S⁽⁰⁾]。

6.根据权利要求1所述的一种高速铁路路基的沉降预测方法，其特征在于：在预测前需要根据填筑速率和季冻情况对季冻区软土路堤填筑的实际工程进行分段处理。

7.根据权利要求1所述的一种高速铁路路基的沉降预测方法，其特征在于：所述的基于BP神经网络背景值优化的灰色预测建模的步骤如下：

步骤一：由实际监测数据为样本得到原始数据序列：

P＝{t₁，t₂，...，t_k；H₁，H₂，...，H_k}

S＝{S₁，S₂，...，S_k}

式中，t_k为工程时间，单位d；H_k为工程时间t_k对应路堤填筑高度，单位cm；S_k为t_k与H_k对应的沉降量，单位cm；k＝1，2，3...。

步骤二：对于原始数据序列进行BP仿真处理：

S⁽⁰⁾＝{S⁽⁰⁾(1)，S⁽⁰⁾(2)，...，S⁽⁰⁾(k)}

式中，S⁽⁰⁾为上文权利要求第5步得到的经BP仿真处理后的重构背景值，其中，S⁽⁰⁾(k)＝sim(net(S_k(t_k，H_k))，[t_k⁽⁰⁾；H_k⁽⁰⁾])；H_k⁽⁰⁾(K)＝sim(net(H_k(t_k))，t_k⁽⁰⁾)；k＝1，2，3...。

步骤三：继而对背景数据进行恒正凹化处理和cot(x^α)变换：

y⁽⁰⁾＝S⁽⁰⁾+C

x⁽⁰⁾[i]＝cot[{y⁽⁰⁾[i]}^a]＝cot[{y⁽⁰⁾[i]}^a] i＝1，2，…..，n

式中，x⁽⁰⁾[i]为经过恒正凹化和cot(x^α)变换的重构背景值，其中C为常数，使y⁽⁰⁾>0。

步骤四：再进行一次累加生成得到：

X⁽¹⁾＝{x⁽¹⁾[1]，x⁽¹⁾[2]，…，x⁽¹⁾[n]}.

式中：

步骤五：一次生成序列建立模型GM(1，1)，建立白化方程和灰微分方程分别得：

x⁽⁰⁾[k]+az⁽¹⁾[k]＝u

式中：z⁽¹⁾(k)为背景值，

步骤六：求出方程的离散解为：

x(1)[k+1]＝[x(1)[1]-u/a]exp(-ak)+u/a

其中a，u由如下最小二乘解得到：

式中：

Y＝[x⁽⁰⁾[2]，x⁽⁰⁾[3]，…，x⁽⁰⁾[n]]^T.

步骤七：将结果还原到原始序列数据，求出预测值：

x⁽⁰⁾[k+1]＝x⁽¹⁾[k+1]-x⁽¹⁾[k]＝(1-exp a)[x(1)[1]-u/a]exp(-ak)

x⁽⁰⁾[i]＝cot[{y⁽⁰⁾[i]}^a]＝cot[{y⁽⁰⁾[i]}^a]，i＝1，2，.....，n

S⁽⁰⁾(k)＝y⁽⁰⁾(k)-C。

式中，S⁽⁰⁾(k)为经BPGM模型学习运算后得到的沉降量模拟值，单位cm。