关键词:
高速铁路
级配碎石
最大干密度
机器学习
三层次评估模型
摘要:
完善高速铁路路基级配碎石压实标准对实现振动压实质量高精度智能预测具有重要意义。首先,开展振动压实试验,基于多参数协同测试方法,探究级配碎石最大干密度ρdmax确定方法;其次,在大量试验数据基础上建立级配碎石特征与ρdmax之间的关系,并采用灰色关联度分析算法明晰影响ρdmax的主控特征;最后,将级配碎石主控特征作为输入特征建立预测ρdmax的机器学习(machine learning,ML)模型,并基于ML模型预测性能三层次评价方法确定最优ML模型。结果表明:力学参数动刚度K rb曲线“拐点”对应的压实时间T lp为级配碎石最佳振动时间,进一步通过T lp确定级配碎石ρdmax;明晰影响级配碎石ρdmax的主控特征为最大粒径d max,级配参数b、m,扁平细长颗粒Q e以及洛杉矶磨耗LAA;综合三层次优选结果,各ML模型综合评价指标CEI由小到大分别为:ANN(artificial neural network)模型(1.8797)、SVR(support vector regression)模型(2.9646)、RF(random rorest)模型(4.5040)、Ridge(ridge regression)模型(6.2394)和DT(decision tree)模型(7.1319),ANN模型预测性能最优。研究成果可为高速铁路路基压实质量控制提供新标准,并对路基智能施工提供理论指导。