基于机器学习的高速铁路级配碎石压实质量主控特征与预测研究

来源：振动与冲击杂志2024年第21期北京时间：

作者：肖宪普，李新志，谢康，郝哲睿，邓志兴，李泰灃

单位：1.石家庄铁道大学土木工程学院，石家庄050043；2.中南大学土木工程学院，长沙410075；3.中国铁道科学研究院集团有限公司铁道建筑研究所，北京100081

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Krb曲线“拐点”对应的压实时间Tlp为级配碎石最佳振动时间，进一步通过Tlp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dmax，级配参数b、m，扁平细长颗粒Qe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：Artificial Neural Network(ANN)模型(1.8797)、Support Vector Regression(SVR)模型(2.9646)、Random Forest(RF)模型(4.5040)、Ridge Regression(Ridge)模型(6.2394)和Decision Tree(DT)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。<br>

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