高铁桥梁沉降变形数据处理方法研究

如今桥梁在高速铁路修建中的地位日益提高,因此,处理高铁桥梁沉降变形的观测数据,预测沉降趋势显得更加重要.利用三点法(固结度对数配合法)处理高铁桥梁沉降变形数据,具有稳定性好、回归相关系数较高、预测地误差小、对出现的异常数据很敏感的突出特点.通过实验比较分析,该方法在高铁桥梁沉降变形数据处理中有一定的参考价值.     

高铁桥墩沉降预测方法研究

提出一种自回归模型参数的稳健最小二乘估计方法,分别采用最小二乘和稳健最小二乘的自回归模型、自适应过滤法及灰色预测法对高铁桥墩沉降数据进行模拟与预测,比较每种方法的优缺点及存在的不足,结合工程实际数据表明,本文提出的方法更适用于高铁桥墩沉降预测。     

小波分析法高铁沉降变形预测

针对传统高速铁路沉降变形预测模型未对观测数据采取合适方法进行预处理,从而导致变形量被误差所污染的问题,该文提出了利用小波分析对监测序列进行去噪处理后,再运用自回归模型进行建模预测变形量。通过高铁实测数据验证得出,采用小波去噪后利用自回归模型建模预测的精度更高,更符合实际情况,便于实时掌握高铁变形规律,并进行合理决策。     

Kalman滤波在高铁桥梁变形预测分析中的应用

针对高速铁路桥梁架梁后许多沉降变形点沉降量级较小,变形曲线呈现＂小量级,大波动＂特点,观测数据中可能存在大量的随机噪声,对沉降变形分析产生干扰,影响预测结果的可信度,本文将Kalman滤波引入到高速铁路桥梁变形分析数据预处理中,建立基于Kalman滤波的动态模糊神经网络模型。通过应用实例分析表明,基于Kalman滤波的动态模糊神经网络模型的预测精度有所改善,具有一定的优势。     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

基于混沌时间序列的桥梁沉降预测

混沌的离散情况常常表现为混沌时间序列,而混沌时间序列中蕴含着丰富的系统的动力学信息。本文基于某桥梁的实际观测的沉降时间序列用自相关法求取时间延迟t、用Cao方法求取嵌入维数获得相空间重构参数,然后用最大Lyapunov指数法进行时间序列的混沌特性识别,证明桥梁沉降运动系统具有混沌特性。最后分别使用加权一阶局域预测法、Volterra级数自适应预测法以及RBF神经网络预测模型进行预测,比较了几种方法的预测精度,得到RBF神经网络模型在短期预测中具有较好的性能。     

基于分形插值的桥梁桥墩沉降预测

基于某跨海大桥桥墩的沉降资料,使用重标极差(R/S)分析方法说明桥墩沉降的非线性下隐藏的持续性特征,并计算其分形维数,证明该沉降时间序列具有分形特性。由此通过历史数据建立迭代函数系统,经分形插值方法求取吸引子,并在吸引子基础上进行延拓,建立基于分形插值的预测模型,并将此算法应用于桥墩沉降数据的预测中。算例结果表明,分形插值理论具有较高的预测精度,可满足实际应用要求。     

基于自适应kalman滤波的高铁桥梁变形预测应用研究

针对传统卡尔曼滤波中动态噪声不准或难以确定等原因而导致模型估计值与真实值不符合,甚至滤波发散现象,已不足以满足高铁变形分析要求。本文采用两种自适应滤波方法优化这一问题,即方差分量估计自适应卡尔曼滤波与方差补偿自适应卡尔曼滤波。采用后验差检验法对比分析两模型精度并进行相关系数评估,结合某高铁段实测数据的处理分析,结果表明:方差补偿卡尔曼滤波模型更优于方差分量估计卡尔曼滤波模型。     

遗传小波神经网络在高铁沉降预测中的应用

利用遗传算法的全局寻优特性,与小波神经网络相结合,建立遗传小波神经网络模型,并将其运用于高铁沉降预测,通过与BP神经网络、小波神经网络在高铁沉降预测的实验对比分析,结果表明遗传小波神经网络在高铁沉降预测中的稳定性更好、精度更高。     

改进的灰色模型在高铁沉降预测中的应用

针对目前灰色模型在高速铁路沉降预测中存在的不足之处,该文提出了一种通过改善原始数据序列的光滑度来提高灰色模型预测精度的方法,并结合实例,验证了改进灰色模型在高速铁路沉降预测中的可行性,为今后高速铁路的沉降预测评估提供了更多的参考和借鉴。     

时域卷积组合模型在桥梁沉降预测中的研究

针对桥梁所承受的动静荷载特性差异问题,该文通过小波分解将垂直位移监测数据分解成低频和高频信号,低频信号稳定性强,主要呈现了静荷载影响特点,而高频信号波动性较大,呈现了动荷载影响特点,因此将低频信号和高频信号分别进行小波重构,重构后的低频信号和高频信号分别使用时域卷积神经网络和BP神经网络进行预测,并进行叠加处理得到最终预测结果。以常泰大桥实际静力水准沉降监测项目为例,将该文模型预测结果分别与小波优化的BP神经网络模型和小波优化的自回归滑动平均模型(ARIMA)预测结果进行对比分析,已有的两种模型预测的平均绝对误差分别为0.61 mm和1.38 mm,而该文模型预测的平均绝对误差为0.46 mm,预测精度的提高,为桥梁的施工和维护提供参考。     

悬挂式水准尺在高铁桥梁沉降观测中的应用

分析了斜尺测量和倒尺测量在高铁桥梁沉降观测中存在的缺陷,提出一种悬挂式水准尺。介绍了其外观设计和采用悬挂式水准尺进行桥梁沉降观测的方法。通过实例进行对比分析,验证了悬挂式水准尺应用于高铁沉降观测的可行性。     

基于改进等维信息灰色模型的高铁隧道沉降预测研究

等维信息灰色模型是对传统灰色模型的改进,但其模型背景值仍设定为0.5,为了使模型的预测性能得到提高,本文提出了基于粒子群PSO算法的等维信息灰色模型来优化模型的背景值,以消除灰色模型本身固有的偏差。根据已有的高铁隧道沉降监测数据,对其进行小波去噪处理,再分别建立传统GM(1,1)模型、等维信息GM(1,1)模型和PSO-等维信息GM(1,1)模型进行拟合预测,并与原始数据进行对比。预测结果表明,改进后的等维信息GM(1,1)模型的预测精度更高。     

组合模型在高铁软土路基沉降预测中的应用

提出以误差平方和为最小和、误差绝对值和为最小的三点法-灰色GM(1,1)模型的组合预测方法,兼顾泊松曲线法和Asaoka法。结合实例,验证了组合模型在软土路基沉降预测中的可行性,为今后高速铁路软土路基沉降预测提供了更多的参考和借鉴。     

一种计算高铁沉降预测常用模型参数的新方法

高速铁路的修建需要对线下构筑物进行沉降观测和沉降评估。本文深入研究了常用的5种预测函数模型及其参数的一般解算方法,并基于Matlab软件的lsqcurvefit函数提出了一种新的参数解算方法,最后通过实际工程数据检验,证明了该方法有较高的可行性和精确度。     

高铁桥墩沉降预测模型的研究及应用

分析高铁的沉降观测数据,评价其安全状况至关重要。采用基因表达式编程(GEP)算法,将某高铁桥墩的沉降观测数据建立预测模型,并与GM(1,1)模型、灰色线性回归模型及BP神经网络模型进行对比分析。结果表明,基于GEP的方法建模更加便捷,预测精度更高,能有效进行变形分析。     

高速铁路桥梁沉降预测模型的对比分析

介绍高速铁路桥梁沉降变形的规律及沉降预测的判定标准,结合某高速铁路桥梁沉降观测资料,分别用规范双曲线法、修正双曲线法、三点法、Asaoka法和GM(1,1)法进行计算分析,通过比较预测沉降量与实测沉降量的残差并计算各模型的曲线回归相关系数,对比得出适用于高速铁路桥梁沉降预测的方法。     

高铁线下工程桥墩沉降观测与分析

以沪昆高铁工程为背景,介绍沪昆高铁桥墩观测标的设置、沉降观测技术要求和观测方法,对沪昆高铁桥墩沉降数据进行了分析,表明桥墩是稳定的。     

基于小波去噪的高铁沉降预测模型研究

以武汉市某高铁的沉降观测数据为基础,对小波去噪前后的观测数据分别采用非线性曲线拟合模型和时间序列分析模型进行建模预测,并与实测数据进行比较分析.结果表明,观测数据经小波去噪后再进行建模分析,两种方法的预测精度都有很大改善,对高铁沉降变形预报有一定的实用价值.