关键词:
高铁级配碎石
振动压实
主控特征
机器学习
消融分析
摘要:
为实现高铁路基级配碎石填料最优压实参数快速准确的确定,对填料的最优压实参数及其智能预测展开研究。首先,基于共振作用下振动压实参数确定方法,综合压实物理和力学指标得到级配碎石填料最优压实状态下的最优频率f_(op)和最优含水率w_(op);其次,通过填料性能试验建立级配碎石填料特征与f_(op)和w_(op)的关系,并采用灰色关联度分析算法明确影响f_(op)和w_(op)的主控特征;最后,将主控特征作为输入特征建立预测f_(op)和w_(op)的3种典型机器学习(Machine Learning,ML)模型,并融合Ada Boost算法解决基础ML算法的不足,建立PSO-ML-Ada Boost模型。结合三层次预测模型评价体系确定最优预测模型,并基于消融分析进一步验证最优预测模型的可靠性。结果表明:取w_(op)为临界含水率,f_(op)为填料的固有频率,可获得级配碎石填料压实状态最优的试样;揭示影响f_(op)和w_(op)的主控特征为最大粒径d_(max)、级配参数b和m,粗骨料细长比Ei、洛杉矶磨耗L_(aa)、吸水率W_(ac)和W_(af);综合三层次评价结果,得到PSO-BPNN-Ada Boost模型的综合评价指标Cei(f_(op)/w_(op))值为12.2645/1.8382,低于其他ML融合算法,为最优预测模型;结合消融分析结果发现,PSO-BPNN-Ada Boost模型的输入参数对于f_(op)和w_(op)预测结果的影响程度与灰色关联度分析算法所得结果一致,进一步说明最优预测模型预测结果的可靠性。研究成果可为路基填料最优压实参数的确定提供新思路,并对高铁路基的压实质量智能评估提供理论指导。