[发明专利]一种高速铁路路基的沉降预测方法

说明书

一种高速铁路路基的沉降预测方法，本发明基于BP神经网络背景值优化的灰色预测模型，通过误差反向传导的模式最大程度的提高模型的拟合精度，并建立2个BP训练网络来获得等时距的重构背景值。本发明区别于以往预测模型只能带入填筑时间这一单一变量的缺陷，同时考虑填筑时间t以及填筑高度H对于沉降值的影响，为研究多因素主导的沉降预测问题提供一定参考思路。同时BPGM模型通过灰色模型的灰盒性，可以避免由于软土的特殊性质以及季冻情况对于预测结果的不良影响。而且通过带入具体工程中，经验算，BPGM模型在实际应用中拟合预测精度优于沉降变形理论计算模型、传统的Lagrange插值‑灰色预测模型和普通二维‑双隐层的BP神经网络预测模型。

技术领域

本发明涉及软土路基沉降预测，尤其是针对于季冻区草炭土路基复杂的 沉降情况，提供一种高速铁路路基的沉降预测方法。

背景技术

公路行业规范对软土地基定义是指强度低,压缩量较高的软弱土层，多数 含有一定的有机物质。而路基是承受路面及车辆荷载的基础，所以研究软土 沉降的意义就在于避免或者减少软土对人类生产生活的影响和危害。从太沙 基根据固结理论提出曲线拟合法来进行软土地基沉降预测开始，软土地基沉 降预测方法开始多种多样起来，主要可分为数学方法和根据地基测量参数的 反演，具体而论，包括双曲线法、泊松曲线法、反分析法、组合预测法、Asaoka 法和遗传算法等。

发明内容

为了克服以往软土路基沉降预测往往只能带入单一变量的缺陷，也为了 进一步探索优化软土路基沉降预测的方式。本发明提供了一种高速铁路路基 的沉降预测方法。运用组合预测的方法，将BP人工神经网络和灰色理论两种 数值处理思想纳入考虑，为研究多因素主导的沉降预测问题提供一定参考思 路，同时也实现了预测精度的提高。

由于BP神经网络，对多因素主导的问题，具有高拟合度的自适应学习能 力，本发明以长白山季冻区软土公路路基沉降监测数据预测预报为例，运用 Matlab程序语言编写二维双层BP神经网络，考虑时间变量和填筑高度双变量 对于路基沉降量的影响，并结合恒正凹化处理和函数cot(x^α)变换对背景值进 行重构，建立新的灰色预测模型。

传统灰色预测模型通常基于插值函数进行等时距处理，如线性插值，拉 格朗日插值以及三次样条插值等方法来进行背景值等时距处理。此类模型都 仅考虑了工程时间与变形量之间的关系，不能反映停筑期间路基土体回弹等 内部效应对沉降结果的影响。同时，由于拉格朗日等插值函数的拟合精度取 决于函数训练数据的组数，对于分级填筑的实际工程，分段预测必引起数据 组数减少，导致模型适用范围和精度降低。针对以上不足，基于BP神经网络 背景值优化的灰色预测模型，通过误差反向传导的模式最大程度的提高模型 的拟合精度，并建立2个BP训练网络来获得等时距的重构背景值。

首先，建立基于监测数据训练样本的BP学习训练网络net(Sk(tk,Hk))。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Hk和工程时间tk 组成二维输入向量P＝[tk；Hk]，以沉降监测值为期望输出T＝[Sk]，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[tk]，填筑高度[Hk]与沉降量[Sk]关系的学习训练网络 net(Sk(tk,Hk))。

其次，根据样本数据训练得到时间[tk]与填筑高度[Hk]的一维-双层BP训 练网络net(Hk(tk))，得到等距时间[tk(0)]对应的填筑高度[Hk(0)],形成新的二维 输入向量P(0)＝[tk(0)；Hk(0)]。下载学习训练完成的网络net(Sk(tk,Hk))，对二 维输入变量P(0)进行仿真，得到重构背景值[Sk(0)]。

本发明基于之前研究人员在研究季冻区软土变形沉降的过程中提出的分 级加荷的固结度理论，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。

一种高速铁路路基的沉降预测方法，如图1所示，包括以下步骤：