详情

原文传递基于深度学习的地铁列车引起环境振动的快速预测及不确定性量化研究

论文题名：	基于深度学习的地铁列车引起环境振动的快速预测及不确定性量化研究
关键词：	地铁列车;环境振动;深度学习;贝叶斯理论;不确定性量化
摘要：	近十余年来，我国地铁交通事业迅猛发展，这种交通基础设施在给居民生活带来便利的同时，列车运行引起的环境振动影响问题日益突出。而在地铁建设和运营的不同阶段对列车环境振动进行高效准确的预测，是地铁选线、减振设计、运营管理、养护维修等工作的迫切需求。针对地铁列车环境振动的预测问题，目前已经形成了包含经验预测法、数值预测法、试验预测法及混合预测法的完整方法体系。但近年来研究发现，涉及“列车-轨道-隧道-地层-建筑物”这一复杂系统的列车环境振动预测中存在较强的不确定性，而目前的绝大多数预测方法均为确定性预测方法。在不考虑不确定性的情况下，现有的预测方法在工程应用中无法对预测的准确度和误差范围给出科学的评价和保证，从而可能造成工程决策的失误或资源的浪费。另外，现有预测方法的准确度和预测效率之间通常存在矛盾，其难以实现高效准确的列车环境振动预测。　　在上述背景下，本文依托国家自然科学基金面上项目“考虑不确定性的地铁列车振动引起环境影响的概率预测模型研究（No.52178404）”、“列车环境振动预测的准确度与可靠性研究（No.51778049）”，提出了基于深度学习的列车环境振动快速预测及不确定性量化方法。本文主要研究工作、成果和主要创新点概括如下：　　（1）在现有的基于物理信息嵌入的神经网络（PINN）研究的基础上，提出了PINN频域法（PINNFD法），该方法解决了传统PINN法在逼近高频或多尺度函数时存在的谱偏差问题。相比于传统PINN法，本文提出的PINNFD法在复杂的多频荷载作用下的弹性动力学问题上能够实现更准确的计算。并且，在列车动荷载作用下弹性动力学问题的求解上，本文提出的PINNFD法计算得到的列车环境振动响应与解析解吻合良好，证明了PINNFD法在地铁列车环境振动模拟上的可行性。　　（2）提出了基于深度学习的地铁列车环境振动信号智能识别方法，在不同的环境振动监测方案下建立了具有不同功能的深度学习模型，利用研究团队积累的大量环境振动监测数据对识别模型进行训练，并对识别效果进行了测试。测试结果表明本文针对不同振动监测方案提出的两种识别模型均能实现较高的振动识别效果，利用该方法可以大大提高列车环境振动评估及分析中振动信号处理的效率。　　（3）提出了基于迁移学习的地铁列车环境振动快速预测方法，该方法解决了传统方法中模型训练样本数量少或准确性差的不足。利用“车辆-轨道”耦合解析模型与“隧道-地层”有限元模型计算得到了大量的列车振动模拟数据，利用这些振动模拟数据对神经网络模型进行预训练，并利用在北京地铁沿线实测得到的列车环境振动测试数据对模型进行再训练。然后，利用实测的列车环境振动对模型预测效果进行了测试。测试结果表明了本文提出的预测方法能够实现比传统深度学习模型更高的预测准确率。　　（4）开展了地铁列车振动测试研究，对一天内测量得到的所有列车运行引起的隧道内振动响应以及地表振动响应进行了统计分析。利用Kolmogorov-Smirnov检验方法对实测列车环境振动样本的分布形式进行了检验。基于研究团队积累的列车振动源强数据库，利用Pearson和Spearman相关性分析对列车振动源强不确定性统计参数的确定方法进行了研究，并提出了车辆差异引起的列车振动源强不确定性的量化方法。　　（5）提出了基于贝叶斯理论的地铁列车环境振动预测的不确定性量化方法，利用该方法可以对振动预测中的统计不确定性和模型不确定性进行量化，从而在预测结果中给出考虑不确定性的置信区间。在预训练的神经网络模型的基础上，基于贝叶斯理论利用振动测试数据对预测模型进行再训练，并利用振动测试数据对模型预测的不确定性量化的结果进行了测试。测试结果证明了本文提出的考虑不确定性的列车环境振动预测方法的可行性。　　（6）提出了一种考虑不确定性的地铁列车环境振动快速预测方法，该方法能够快速地实现对各种工况条件下的列车环境振动的预测，并且可以考虑车辆差异引起的振动源强不确定性以及模型预测中的统计不确定性和模型不确定性，实现考虑不确定性的列车环境振动预测。其可以在预测中给出各种概率条件下预测的置信区间，进而可以计算敏感目标处预测振动的超限概率。并且，围绕某拟建地铁线路区间对周边敏感目标的振动影响开展案例研究，展示了所提出方法的预测流程以及预测效果。
作者：	梁瑞华
专业：	土木工程
导师：	刘卫丰
授予学位：	博士
授予学位单位：	北京交通大学
学位年度：	2023