CN113283160B - 多随机变量影响下的铁路高架线环境的振动预测方法 - Google Patents
多随机变量影响下的铁路高架线环境的振动预测方法 Download PDFInfo
- Publication number
- CN113283160B CN113283160B CN202110466579.0A CN202110466579A CN113283160B CN 113283160 B CN113283160 B CN 113283160B CN 202110466579 A CN202110466579 A CN 202110466579A CN 113283160 B CN113283160 B CN 113283160B
- Authority
- CN
- China
- Prior art keywords
- vibration
- soil
- bridge
- field
- foundation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000002689 soil Substances 0.000 claims abstract description 109
- 230000008846 dynamic interplay Effects 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 230000005284 excitation Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000002955 isolation Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种多随机变量影响下的铁路高架线环境的振动预测方法。包括：分析土参数的随机性对场地土振动传播与衰减的影响；基于轨道不平顺随机激励建立车‑线‑桥动力相互作用模型；根据土参数的随机性对场地土振动传播与衰减的影响和车‑线‑桥动力相互作用模型，建立桥梁‑群桩基础‑地基土动力相互作用模型，根据该模型借助计算机机器学习算法构建铁路高架线环境的振动预测体系，利用振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测。本发明能为高架铁路线环境振动的预测、评价和防治提供新思路，推动环境振动预测向智能化和定制化发展，能够为高速铁路高架线的规划及周围结构的减隔振设计提供理论支撑和技术支持。
Description
技术领域
本发明涉及铁路高架线环境振动分析技术领域，尤其涉及一种多随机变量影响下的铁路高架线环境的振动预测方法。
背景技术
随着高速铁路中高架线路的大量建设以及城市的不断发展，高架线越来越靠近城市中密集的居民区、文化中心、古建筑群和高新科技园等振动敏感点，列车以较高速度在桥上运行时引发的周围环境振动问题日益突出。然而，现有的高速铁路高架线周围环境振动的预测方法多基于具体的模型参数进行定值预测，难以反映包括土参数随机性在内的多种随机变量对环境振动的影响。
现有方案将实测轨道不平顺数据作为输入，轮轨动力学响应作为输出，采用三层BP神经网络模型进行轮轨关系的映射，并与有限元蒙特卡洛法联合建模，分析了轨道不平顺对无砟轨道服役的可靠性影响。然而该方案主要集中在轨道结构的可靠性分析上，并没有考虑桥梁结构-基础-土体这一大的环境振动体系，也并没有考虑到包括随机土参数在内的多个随机变量的影响，也并没有对轨道交通环境振动进行智能预测。
尽管国内外学者针对轨道交通环境振动的预测方法开展了大量的研究，但是现有技术存在如下缺点：
(1)不能从波动理论和概率分析的角度探究地基土参数的随机性对高速铁路高架桥周围场地振动的传播和衰减；
(2)不能综合考虑包括轨道不平顺随机激励和场地土参数随机性等多个随机变量对环境振动的影响；
(3)不能通过大数据分析等智能技术对环境振动开展智能预测，不能生成环境振动领域内的场地反应谱曲线。
(4)现有技术的计算方法效率低，计算结果的准确性不高。
发明内容
本发明的实施例提供了一种多随机变量影响下的铁路高架线环境的振动预测方法，以克服现有技术的缺点。
为了实现上述目的，本发明采取了如下技术方案。
一种多随机变量影响下的铁路高架线环境振动智能预测方法，包括：
分析土参数的随机性对场地土振动传播与衰减的影响；
基于轨道不平顺随机激励建立车-线-桥动力相互作用模型；
根据所述土参数的随机性对场地土振动传播与衰减的影响和所述车-线-桥动力相互作用模型，建立桥梁-群桩基础-地基土动力相互作用模型；根据所述桥梁-群桩基础-地基土动力相互作用模型，借助计算机机器学习算法构建铁路高架线环境的振动预测体系，利用所述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测。
优选地，所述的分析土参数的随机性对场地土表面振动传播与衰减的影响，包括：
输入场地土动参数先验概率样本数据，基于具有理想匹配层的薄层法建立表面波的正演理论，进行场地土的多通道表面波测试，提取分层场地土的试验频散曲线，得到场地土试验衰减曲线，根据贝叶斯理论和蒙特卡洛-马尔科夫链算法对场地土参数的后验随机概率分布模型进行反演，获取场地土参数的后验概率分布模型；
将所述场地土参数的后验概率分布模型与场地土理论分析模型进行结合，计算得到场地土的随机振动样本空间，进而利用核密度估计求得场地土随机振动传递函数的概率密度函数，获得具有一定置信度的场地随机振动区间估计，输出场地土动参数的后验概率样本数据、场地振动传递函数的样本数据和区间估计。
优选地，所述的基于轨道不平顺随机激励建立车-线-桥动力相互作用模型，包括：
利用车辆参数、轨道参数、桥梁参数、轨道不平顺功率谱建立列车-轨道-桥梁动力相互作用模型，利用所述列车-轨道-桥梁动力相互作用模型对轨道不平顺随机激励下的车桥***进行随机振动分析，获取列车与轨道之间的轮轨相互作用力的均值、方差、功率谱和样本数据；
以所述列车-轨道-桥梁动力相互作用模型计算出的轮轨相互作用力样本数据作为输入，建立主梁-支座-桥墩动力相互作用模型，采用频域有限元法，计算出桥梁支座动反力的均值、方差、功率谱和样本数据。
优选地，所述的根据所述土参数的随机性对场地土表面振动传播与衰减的影响和所述车-线-桥动力相互作用模型，建立桥梁-群桩基础-地基土动力相互作用模型，包括：
根据所述场地土动参数的后验概率样本数据、场地振动传递函数的样本数据和区间估计，以及所述桥梁支座动反力的均值、方差、功率谱和样本数据建立承台-群桩基础-地基土动力相互作用模型，地基土采用具有理想匹配层的薄层法进行模拟，群桩和地基土的动力相互作用采用容积法来实现，分别获得群桩的阻抗函数、土体剪切模量、土体剪切波波速、材料阻尼比单随机变量和双随机变量影响下的环境振动区间估计，并对环境振动阈值进行分析。
通过试验数据对所述承台-群桩基础-地基土动力相互作用模型进行优化和改进，输出高架线周围场地振动响应样本数据，以及高架线周围环境振动的振级样本数据。
优选地，所述的根据所述桥梁-群桩基础-地基土动力相互作用模型，借助计算机机器学习算法构建铁路高架线环境的振动预测体系，利用所述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测，包括：
根据所述桥梁-群桩基础-地基土动力相互作用模型，通过概率预测模型理论数据和现场振动测试数据建立高架高速铁路周围环境振动样本库，以地基土动参数的后验概率样本数据、场地卓越周期样本数据、高架线周围场地振动响应样本数据、高架线周围环境振动的振级样本数据和现场测试试验数据作为输入数据，以场地振动的位移、速度、加速度、振级、环境振动场地反应谱作为输出数据，借助计算机机器学习算法进行大数据分析，不断进行模型的测试和训练，构建振动预测体系；
借助机器学习算法利用所述振动预测体系对高速铁路高架桥周围场地的环境振动进行区间估计和阈值分析，获得基于机器学习算法的环境振动智能预测模型；
使环境振动各响应的最大值作为输出变量，统计分析生成高架高速铁路周围环境的振动场地反应谱曲线。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例该发明则完全能够解决以上关键问题，不仅能为高架铁路线环境振动的预测、评价、防治提供新思路，推动环境振动预测向智能化和定制化发展，而且能够方便快捷地为高速铁路高架线的规划及周围结构的减隔振设计提供理论支撑和技术支持。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多随机变量影响下的铁路高架线环境的振动预测方法的实现原理图；
图2为本发明实施例提供的一种探讨多个土参数随机变量对场地土振动传播与衰减的影响的实现原理图；
图3为本发明实施例提供的一种借助计算机机器学习算法构建铁路高架线环境的振动预测体系示意图；
图4为本发明实施例提供的一种利用上述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测的示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例提出的一种多随机变量影响下的铁路高架线环境的振动预测方法的处理流程如图1所示，包括如下的处理步骤：
步骤S10、分析土参数的随机性对场地土振动传播与衰减的影响。
本发明实施例提出的一种探讨多个土参数随机变量对场地土振动传播与衰减的影响的示意图如图2所示。
首先，输入场地土动参数先验概率样本数据，基于具有理想匹配层的薄层法(TLM-PML)建立表面波的正演理论；其次进行场地土的多通道表面波测试，提取分层场地土的试验频散曲线，同时根据试验情况对半功率带宽法进行修正，得到准确的场地土试验衰减曲线；然后，根据贝叶斯理论和蒙特卡洛-马尔科夫链Metropolis-Hastings算法对场地土参数的后验随机概率分布模型进行反演，获取场地土参数的后验概率分布模型。
将上述场地土参数的后验概率分布模型与场地土理论分析模型进一步结合，计算得到场地土的随机振动样本空间。进而利用核密度估计求得场地土随机振动传递函数的概率密度函数，获得具有一定置信度的场地随机振动区间估计。探讨多个土参数随机变量对场地土表面振动传播与衰减的影响，输出场地土动参数的后验概率样本数据、场地振动传递函数的样本数据和区间估计。
步骤S20、基于轨道不平顺随机激励建立车-线-桥动力相互作用模型。
利用车辆参数、轨道参数、桥梁参数、轨道不平顺功率谱建立列车-轨道-桥梁动力相互作用模型，利用该模型对轨道不平顺随机激励下的车桥***进行随机振动分析，获取列车与轨道之间的轮轨相互作用力的均值、方差、功率谱等统计量。
以上述列车-轨道-桥梁动力相互作用模型计算出的轮轨相互作用力样本数据作为输入，建立主梁-支座-桥墩动力相互作用模型，采用频域有限元法，计算出桥梁支座动反力的均值、方差、功率谱和样本数据等统计量。
步骤S30、根据上述土参数的随机性对场地土表面振动传播与衰减的影响和车-线-桥动力相互作用模型，建立桥梁-群桩基础-地基土动力相互作用模型。根据上述步骤S10得到的场地土动参数的后验概率样本数据、场地振动传递函数的样本数据和区间，以及上述步骤S20得到的桥梁支座动反力的均值、方差、功率谱、样本数据建立承台-群桩基础-地基土动力相互作用模型，其中地基土采用具有理想匹配层的薄层法(PML-TLM)进行模拟，而群桩和地基土的动力相互作用采用容积法来实现。上述承台-群桩基础-地基土动力相互作用模型的输入参数不再是确定性的土参数，而是后验概率模型中的独立样本，分别获得群桩的阻抗函数、土体剪切模量、土体剪切波波速、材料阻尼比单随机变量和双随机变量影响下的环境振动区间估计，并对环境振动阈值进行分析。
通过试验数据对承台-群桩基础-地基土动力相互作用模型进行不断的优化和改进，输出高架线周围场地振动响应样本数据，以及高架线周围环境振动的振级样本数据，以达到能够从理论上合理实现高架高速铁路周围环境振动的概率预测。
步骤S40、根据上述桥梁-群桩基础-地基土动力相互作用模型，借助计算机机器学习算法构建铁路高架线环境的振动预测体系，利用上述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测。
据上述桥梁-群桩基础-地基土动力相互作用模型，通过概率预测模型理论数据和现场振动测试数据建立高架高速铁路周围环境振动样本库，以地基土动参数的后验概率样本数据、场地卓越周期样本数据、高架线周围场地振动响应样本数据、高架线周围环境振动的振级样本数据和现场测试试验数据作为输入数据，以场地振动的位移、速度、加速度、振级、环境振动场地反应谱等作为输出数据，借助计算机机器学习算法进行大数据分析，不断进行模型的测试和训练，如图3所示，构建准确度高于传统环境振动预测的振动预测体系。
图4为本发明实施例提供的一种利用上述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测的示意图。借助机器学习算法和上述振动预测体系对环境振动进行区间估计和阈值分析，获得基于机器学习算法的环境振动智能预测模型。
然后，使环境振动各响应的最大值作为输出变量，统计分析生成高架高速铁路周围环境振动场地反应谱曲线。
综上所述，本发明实施例不仅能为高架铁路线环境振动的预测、评价和防治提供新思路，推动环境振动预测向智能化和定制化发展，而且能够方便快捷地为高速铁路高架线的规划及周围结构的减隔振设计提供理论支撑和技术支持。
本发明能够从波动理论和概率分析的角度探究地基土参数的随机性对高速铁路高架桥周围场地振动的传播和衰减；能综合考虑包括轨道不平顺随机激励和场地土参数随机性等多个随机变量对环境振动的影响。
本发明通过大数据分析等智能技术对环境振动开展智能预测，还能进一步生成环境振动领域内的场地反应谱曲线用以指导高速铁路高架线的规划以及周边建筑物的减隔振设计和规划。本发明利用了计算机数据挖掘技术和智能算法，计算效率高，计算结果准确。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种多随机变量影响下的铁路高架线环境振动智能预测方法，其特征在于，包括：
分析土参数的随机性对场地土振动传播与衰减的影响；
基于轨道不平顺随机激励建立车-线-桥动力相互作用模型；
根据所述土参数的随机性对场地土振动传播与衰减的影响和所述车-线-桥动力相互作用模型，建立桥梁-群桩基础-地基土动力相互作用模型；根据所述桥梁-群桩基础-地基土动力相互作用模型，借助计算机机器学习算法构建铁路高架线环境的振动预测体系，利用所述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测；
所述的分析土参数的随机性对场地土振动传播与衰减的影响，包括：
输入场地土动参数先验概率样本数据，基于具有理想匹配层的薄层法建立表面波的正演理论，进行场地土的多通道表面波测试，提取分层场地土的试验频散曲线，得到场地土试验衰减曲线，根据贝叶斯理论和蒙特卡洛-马尔科夫链算法对场地土参数的后验随机概率分布模型进行反演，获取场地土参数的后验概率分布模型；
将所述场地土参数的后验概率分布模型与场地土理论分析模型进行结合，计算得到场地土的随机振动样本空间，进而利用核密度估计求得场地土随机振动传递函数的概率密度函数，获得具有一定置信度的场地随机振动区间估计，输出场地土动参数的后验概率样本数据、场地振动传递函数的样本数据和区间估计。
2.根据权利要求1所述的方法，其特征在于，所述的基于轨道不平顺随机激励建立车-线-桥动力相互作用模型，包括：
利用车辆参数、轨道参数、桥梁参数、轨道不平顺功率谱建立列车-轨道-桥梁动力相互作用模型，利用所述列车-轨道-桥梁动力相互作用模型对轨道不平顺随机激励下的车桥***进行随机振动分析，获取列车与轨道之间的轮轨相互作用力的均值、方差、功率谱和样本数据；
以所述列车-轨道-桥梁动力相互作用模型计算出的轮轨相互作用力样本数据作为输入，建立主梁-支座-桥墩动力相互作用模型，采用频域有限元法，计算出桥梁支座动反力的均值、方差、功率谱和样本数据。
3.根据权利要求2所述的方法，其特征在于，所述的根据所述土参数的随机性对场地土表面振动传播与衰减的影响和所述车-线-桥动力相互作用模型，建立桥梁-群桩基础-地基土动力相互作用模型，包括：
根据所述场地土动参数的后验概率样本数据、场地振动传递函数的样本数据和区间估计，以及所述桥梁支座动反力的均值、方差、功率谱和样本数据建立承台-群桩基础-地基土动力相互作用模型，地基土采用具有理想匹配层的薄层法进行模拟，群桩和地基土的动力相互作用采用容积法来实现，分别获得群桩的阻抗函数、土体剪切模量、土体剪切波波速、材料阻尼比单随机变量和双随机变量影响下的环境振动区间估计，并对环境振动阈值进行分析；
通过试验数据对所述承台-群桩基础-地基土动力相互作用模型进行优化和改进，输出高架线周围场地振动响应样本数据，以及高架线周围环境振动的振级样本数据。
4.根据权利要求3所述的方法，其特征在于，所述的根据所述桥梁-群桩基础-地基土动力相互作用模型，借助计算机机器学习算法构建铁路高架线环境的振动预测体系，利用所述振动预测体系对高速铁路高架桥周围场地振动的传播和衰减进行预测，包括：
根据所述桥梁-群桩基础-地基土动力相互作用模型，通过概率预测模型理论数据和现场振动测试数据建立高架高速铁路周围环境振动样本库，以地基土动参数的后验概率样本数据、场地卓越周期样本数据、高架线周围场地振动响应样本数据、高架线周围环境振动的振级样本数据和现场测试试验数据作为输入数据，以场地振动的位移、速度、加速度、振级、环境振动场地反应谱作为输出数据，借助计算机机器学习算法进行大数据分析，不断进行模型的测试和训练，构建振动预测体系；
借助机器学习算法利用所述振动预测体系对高速铁路高架桥周围场地的环境振动进行区间估计和阈值分析，获得基于机器学习算法的环境振动智能预测模型；
使环境振动各响应的最大值作为输出变量，统计分析生成高架高速铁路周围环境的振动场地反应谱曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110466579.0A CN113283160B (zh) | 2021-04-28 | 2021-04-28 | 多随机变量影响下的铁路高架线环境的振动预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110466579.0A CN113283160B (zh) | 2021-04-28 | 2021-04-28 | 多随机变量影响下的铁路高架线环境的振动预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283160A CN113283160A (zh) | 2021-08-20 |
| CN113283160B true CN113283160B (zh) | 2023-12-05 |
Family
ID=77277545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110466579.0A Active CN113283160B (zh) | 2021-04-28 | 2021-04-28 | 多随机变量影响下的铁路高架线环境的振动预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283160B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139381B (zh) * | 2021-12-01 | 2024-07-05 | 北京交通大学 | 一种考虑桩土参数不确定性的桩基础损伤普查和评估方法 |
| CN114036808B (zh) * | 2022-01-10 | 2022-04-29 | 中铁大桥科学研究院有限公司 | 一种高铁大跨斜拉桥无砟轨道疲劳参数智能识别监测方法 |
| CN117172136B (zh) * | 2023-11-02 | 2024-01-05 | 成都理工大学 | 基于ssa-lstm算法的风车桥***振动响应预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150458A (zh) * | 2013-04-01 | 2013-06-12 | 中南大学 | 车辆-轨道-桥梁-地基基础耦合***及其动力分析方法 |
| CN108052958A (zh) * | 2017-11-09 | 2018-05-18 | 同济大学 | 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法 |
| CN109214123A (zh) * | 2018-10-18 | 2019-01-15 | 大连海事大学 | 一种基于饱和虚土桩模型的浮承桩纵向振动分析方法 |
| CN111553115A (zh) * | 2020-04-10 | 2020-08-18 | 东南大学 | 基于数据驱动的台风作用下大跨度桥梁振动响应预测方法 |
| JP2020166819A (ja) * | 2019-12-24 | 2020-10-08 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
| WO2021056977A1 (zh) * | 2019-09-24 | 2021-04-01 | 重庆美的通用制冷设备有限公司 | 管路振动控制方法、计算机设备、存储介质及管路*** |
-
2021
- 2021-04-28 CN CN202110466579.0A patent/CN113283160B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150458A (zh) * | 2013-04-01 | 2013-06-12 | 中南大学 | 车辆-轨道-桥梁-地基基础耦合***及其动力分析方法 |
| CN108052958A (zh) * | 2017-11-09 | 2018-05-18 | 同济大学 | 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法 |
| CN109214123A (zh) * | 2018-10-18 | 2019-01-15 | 大连海事大学 | 一种基于饱和虚土桩模型的浮承桩纵向振动分析方法 |
| WO2021056977A1 (zh) * | 2019-09-24 | 2021-04-01 | 重庆美的通用制冷设备有限公司 | 管路振动控制方法、计算机设备、存储介质及管路*** |
| JP2020166819A (ja) * | 2019-12-24 | 2020-10-08 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
| CN111553115A (zh) * | 2020-04-10 | 2020-08-18 | 东南大学 | 基于数据驱动的台风作用下大跨度桥梁振动响应预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283160A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283160B (zh) | 多随机变量影响下的铁路高架线环境的振动预测方法 | |
| Sheng | A review on modelling ground vibrations generated by underground trains | |
| Connolly et al. | Numerical modelling of ground borne vibrations from high speed rail lines on embankments | |
| Kouroussis et al. | Railway ground vibrations induced by wheel and rail singular defects | |
| Costa et al. | Track–ground vibrations induced by railway traffic: In-situ measurements and validation of a 2.5 D FEM-BEM model | |
| Olivier et al. | The effect of embankment on high speed rail ground vibrations | |
| Sheng et al. | Modelling ground vibration from railways using wavenumber finite-and boundary-element methods | |
| Kouroussis et al. | On the interest of integrating vehicle dynamics for the ground propagation of vibrations: the case of urban railway traffic | |
| Li et al. | Structure-borne noise of railway composite bridge: Numerical simulation and experimental validation | |
| Lopes et al. | Influence of soil stiffness on building vibrations due to railway traffic in tunnels: Numerical study | |
| Li et al. | Dynamic response prediction of vehicle-bridge interaction system using feedforward neural network and deep long short-term memory network | |
| Su et al. | Vibration of reinforced concrete viaducts under high-speed train passage: measurement and prediction including train–viaduct interaction | |
| Lai et al. | Lateral girder displacement effect on the safety and comfortability of the high-speed rail train operation | |
| Li et al. | Building coupling loss measurement and prediction due to train-induced vertical vibrations | |
| Di Mino et al. | Assessing the open trenches in screening railway ground-borne vibrations by means of artificial neural network | |
| Zhu et al. | Sensor deploying for damage identification of vibration isolator in floating-slab track using deep residual network | |
| Shi et al. | Subway‐Induced Vibration Measurement and Evaluation of the Structure on a Construction Site at Curved Section of Metro Line | |
| Yan et al. | Modeling and parameter optimization of dynamic characteristic variables of ballast bed during operation for dynamic track stabilizer | |
| Chen et al. | Prediction methodology for ground vibration induced by passing trains on bridge structures | |
| Yao et al. | Building vibration prediction induced by moving train with random forest | |
| Yuan et al. | Analytical layer element with a circular cavity and its application in predicting ground vibrations from surface and underground moving sources | |
| Hu et al. | Train-induced vibration attenuation measurements and prediction from ground soil to building column | |
| Qu et al. | Numerical analysis of engineered metabarrier effect on ground vibration induced by underground high-speed train | |
| Hu et al. | Floor vibration predictions based on train-track-building coupling model | |
| Li et al. | Prediction of ground-borne vibration from random traffic flow and road roughness: Theoretical model and experimental validation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |