一种铁路车轨桥系统动态响应预测方法、系统及介质与流程

本发明涉及高速铁路桥梁动态响应，尤其涉及一种铁路车轨桥系统动态响应预测方法、系统及介质。

背景技术：

1、车辆荷载是桥梁使用寿命中最重要和最常见的外部荷载之一。不管是公路桥梁还是铁路桥梁，都希望结构能够承受车辆荷载，这些车辆会对桥梁产生大部分静、动荷载效应。随着铁路运输速度和重量的不断提高，列车车辆与桥梁之间的动力相互作用越来越显著，导致桥梁的动力响应越来越大。获得车辆和桥梁的这些响应，对于进一步评估与结构行为和车辆运行稳定性相关的性能具有重要意义。

2、目前主要是通过构建车-轨-桥系统耦合随机分析物理模型来获得桥梁响应，车-轨-桥系统耦合随机分析物理模型可准确模拟车-轨-桥系统的动力响应过程，精度较高，但是，其存在计算量大，动态响应预测的实时性较差的问题。随着人工智能技术的不断发展，人工神经网络（ann）已经被运用于结构动力分析；在预测方面也有相关先例，其中包括基于cnn-lstm的高速铁路地震响应预测方法以及利用ffnn和lstm来进行车桥动力响应预测的方法等等。但目前运用到铁路车轨桥系统中的神经网络预测模型无法均与车-轨-桥物理模型相结合，仅限于构建输入数据到输出数据的简单映射，具有极大的局限性，这就导致了预测精度无法从本质上提升。

技术实现思路

1、本发明提供了一种铁路车轨桥系统动态响应预测方法、系统及介质，以解决目前运用到铁路车轨桥系统中的神经网络预测模型无法均与车轨桥物理模型相结合，导致了预测精度无法从本质上提升的问题。

2、第一方面，提供了一种铁路车轨桥系统动态响应预测方法，包括：

3、s1：获取包含车速及轨道不平顺的样本集；

4、s2：将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型，得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷，并提取车-轨-桥系统的总体刚度矩阵；

5、s3：构建训练样本集，训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷；

6、s4：以车速、轨道不平顺为输入，桥梁动态响应为输出，构建bp神经网络预测模型；

7、s5：构建考虑有效载荷的适应度函数，基于训练样本集采用遗传算法优化bp神经网络预测模型的权值和阈值，利用得到的最优权值和阈值对bp神经网络预测模型进行初始化，并基于训练样本集对初始化后的bp神经网络预测模型进行训练，得到桥梁动态响应预测模型；

8、s6：利用桥梁动态响应预测模型进行桥梁动态响应预测。

9、根据第一方面，在一些可能的实现方式中，s5中，考虑有效载荷的适应度函数表示如下：

10、

11、式中，fitness表示适应度值；表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出预测值，表示第k个训练样本对应的第v个输出实际值；表示训练样本个数，表示桥梁动态响应预测模型输出个数；表示车轨桥系统总体刚度矩阵；表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预测值，表示第k个训练样本对应的有效载荷实际值；当第v个输出为桥梁位移响应时，，当第v个输出为桥梁加速度响应时，；

12、计算染色体的适应度值时，首先使用式[1]计算适应度值，若式[1]所得，其中<mstyle displaystyle="true" mathcolor="#000000"><mi>a</mi><mi>∈</mi><mi>[5,15]</mi></mstyle>，则以式[1]所得结果作为该染色体的适应度值；若式[1]所得，则使用式[2]计算适应度值，并将式[1]和式[2]计算结果的较大值作为该染色体的适应度值。

13、根据第一方面，在一些可能的实现方式中，s5中，采用遗传算法优化bp神经网络预测模型的权值和阈值的过程包括：

14、步骤1：初始化种群，种群中每个染色体由bp神经网络预测模型的权值和阈值编码而成；

15、步骤2：利用适应度函数计算每个染色体的适应度值；

16、步骤3：选择操作，基于染色体的适应度值，选择一定数量的染色体进入下一代；

17、步骤4：交叉操作，根据交叉概率，在选择操作后的染色体中随机选择两个染色体进行交叉，产生新的染色体；

18、步骤5：变异操作，根据变异概率，在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变，产生新的染色体；

19、步骤6：重复步骤2至步骤5，直到达到终止条件，输出bp神经网络预测模型的最优权值和阈值。

20、根据第一方面，在一些可能的实现方式中，s1中，轨道不平顺利用随机谐和函数构造，其表示如下：

21、

22、式中，、、分别表示轨向不平顺、水平不平顺和高低不平顺，其中，表示随机变量点集空间，x表示随机变量代表性点集，，

23、为随机变量维数；表示轨道不平顺波长的幅值，表示随机空间频率，表示随机相位，i取y、 、z分别表示轨向、水平向和高低向；q=1,2,…,npt；对不同轨道不平顺功率谱采用同一随机空间频率和随机相位离散代表点集进行轨道不平顺激励的构造，假设每一类轨道不平顺激励采用同一随机变量点集来构造轨道不平顺代表样本激励；n、i分别表示轨道不平顺空间频率及相位角随机向量维数和该向量的第i维；m、j分别表示结构参数随机变量维数和该向量的第j维；表示轨道不平顺采样点集总数。

24、根据第一方面，在一些可能的实现方式中，s1中，车速取值范围为100~350km/h。

25、第二方面，提供了一种铁路车轨桥系统动态响应预测系统，包括：

26、车速及轨道不平顺样本获取模块，用于获取包含车速及轨道不平顺的样本集；

27、物理模型计算模块，用于将样本集中的样本依次输入到车-轨-桥系统耦合随机分布物理模型，得到对应的桥梁动态响应以及车-轨-桥系统的有效载荷，并提取车-轨-桥系统的总体刚度矩阵；

28、训练样本集构建模块，用于构建训练样本集，训练样本集中每个训练样本包含车速、轨道不平顺及对应的桥梁动态响应和车-轨-桥系统的有效载荷；

29、bp神经网络预测模型构建模块，用于以车速、轨道不平顺为输入，桥梁动态响应为输出，构建bp神经网络预测模型；

30、训练模块，用于构建考虑有效载荷的适应度函数，基于训练样本集采用遗传算法优化bp神经网络预测模型的权值和阈值，利用得到的最优权值和阈值对bp神经网络预测模型进行初始化，并基于训练样本集对初始化后的bp神经网络预测模型进行训练，得到桥梁动态响应预测模型；

31、预测模块，用于利用桥梁动态响应预测模型进行桥梁动态响应预测。

32、根据第二方面，在一些可能的实现方式中，训练模块中，考虑有效载荷的适应度函数表示如下：

33、

34、式中，fitness表示适应度值；表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出预测值，表示第k个训练样本对应的第v个输出实际值；表示训练样本个数，表示桥梁动态响应预测模型输出个数；表示车轨桥系统总体刚度矩阵；表示第k个训练样本通过桥梁动态响应预测模型获得的第v个输出对应的有效载荷预测值，表示第k个训练样本对应的有效载荷实际值；当第v个输出为桥梁位移响应时，，当第v个输出为桥梁加速度响应时，；

35、计算染色体的适应度值时，首先使用式[1]计算适应度值，若式[1]所得，其中<mstyle displaystyle="true" mathcolor="#000000"><mi>a</mi><mi>∈</mi><mi>[5,15]</mi></mstyle>，则以式[1]所得结果作为该染色体的适应度值；若式[1]所得，则使用式[2]计算适应度值，并将式[1]和式[2]计算结果的较大值作为该染色体的适应度值。

36、根据第二方面，在一些可能的实现方式中，训练模块中，采用遗传算法优化bp神经网络预测模型的权值和阈值的过程包括：

37、步骤1：初始化种群，种群中每个染色体由bp神经网络预测模型的权值和阈值编码而成；

38、步骤2：利用适应度函数计算每个染色体的适应度值；

39、步骤3：选择操作，基于染色体的适应度值，选择一定数量的染色体进入下一代；

40、步骤4：交叉操作，根据交叉概率，在选择操作后的染色体中随机选择两个染色体进行交叉，产生新的染色体；

41、步骤5：变异操作，根据变异概率，在交叉操作后的染色体中随机选择一个染色体进行一个或多个基因突变，产生新的染色体；

42、步骤6：重复步骤2至步骤5，直到达到终止条件，输出bp神经网络预测模型的最优权值和阈值。

43、第三方面，提供了一种铁路车轨桥系统动态响应预测系统，包括：

44、数据获取模块，用于获取待预测响应的车速及轨道不平顺，并输入至预测模块；

45、预测模块，其上配置有如第一方面任一项所述的铁路车轨桥系统动态响应预测方法中训练得到的桥梁动态响应预测模型，用于获取将数据获取模块获取的数据输入桥梁动态响应预测模型，预测得到桥梁动态响应。

46、第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的铁路车轨桥系统动态响应预测方法。

47、本发明提出了一种铁路车轨桥系统动态响应预测方法、系统及介质，通过将车轨桥系统中的有效荷载引入到遗传算法中的适应度函数，实现了神经网络模型与车轨桥物理模型的有机结合，找到了两者之间的隐式关系，有效提高了预测精度，解决了现有的预测方法无法考虑车轨桥系统的内部因素，从本质上限制了预测精度的提高的技术问题。