(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211021821.4 (22)申请日 2022.08.24 (71)申请人 郑州大学 地址 450001 河南省郑州市科 学大道100号 (72)发明人 段淑倩　张明焕　熊杰程　曹备　 (74)专利代理 机构 郑州华隆知识产权代理事务 所(普通合伙) 41144 专利代理师 经智勇 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 一种基于神经网络的轨道路基材料疲劳模 型构建方法 (57)摘要 本发明提供了一种基于神经网络的轨道路 基材料疲劳模型构建方法， 包括： 步骤1： 收集轨 道路基材料永久变形与其影 响因素的数据集； 步 骤2： 对数据集进行数据清洗； 步骤3： 确定模型的 输入参数和输 出参数； 步骤4： 对数据集进行归一 化处理； 步骤5： 构建BP神经网络模型； 步骤6： 根 据训练集进行训练且通过验证集测试预测精度； 步骤7： 采用Adam优化算法得到最优的网络 结构； 步骤8： 构建预测轨道路基材料永久应变的疲劳 模型。 本方法通过BP神经网络构建出的疲 劳模型 可以很好的解决轨道路基材料永久应变复杂的 多影响因素耦合的问题， 实现了对轨道路基材料 在长期列车荷载作用下的复杂永久应变快速有 效准确地高精度预测。 权利要求书2页 说明书5页 附图1页 CN 115186365 A 2022.10.14 CN 115186365 A 1.一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特征在于， 所述的构建方 法包括： 步骤1： 收集构建轨道路基材 料疲劳模型 所需的永久应 变和其影响因素 数据集； 步骤2： 对永久应 变影响因素 数据集进行 数据清洗； 步骤3： 确定BP神经网络模型的输入参数 数据集和输出参数 数据集； 步骤4： 将步骤3中输入参数 数据集进行归一 化处理； 步骤5： 将步骤4中归一化处理后的输入参数数据集和输出参数数据集划分为训练集和 验证集； 步骤6： 构建BP神经网络模型； 步骤7： 根据训练集对BP神经网络模型进行训练， 验证集测试BP神经网络模型预测性 能， 得到训练好的BP神经网络模型。 步骤8： 根据最优的BP神经网络结构， 构建轨道路基材 料永久应 变的疲劳模型。 2.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 步骤1中轨道路基材料疲劳模型所需的永久应变影响因素数据集包括轨道路基材 料循环加载次数、 粗颗粒体积含量、 含 水率以及最大偏 应力幅值， 所述永久应变影响因素数 据集作为BP神经网络模型的输入参数数据集， 轨道路基材料永久应变数据作为模型的输出 参数数据集。 3.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 步骤2中对永久应变影响因素数据集通过下采样的方法进 行数据清洗， 其中下采样 方法具体为： 为了使得数据分布相对均匀， 在获取数据时， 从样本多的数据类别中抽取一些 数据， 使得其样本量与少数量样本的数据类别相等。 4.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 步骤4中归一 化处理为最大最小归一 化处理。 5.根据权利要求4所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 步骤4中所述的最大最小归一 化处理具体为： 其中， 为数据集中归一化处理后的输入参数， X为数据集中的输入参数， Xmax和Xmin分 别为输入参数 数据集中的最大值和最小值。 6.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 对于小规模数据集， 为了进一步更准确的反映模型 的效能， 所述步骤5中数据集采 用神经网络中常用的8： 2的划分比例完全随机的划分为训练集和验证集。 7.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 所述 步骤6的具体过程 为： BP神经网络模型包括1个输入层、 3个隐含层和1个输出层； 步骤6‑1： 将输入层神经元个数设置为4个， 3个隐含层神经元个数分别设定为N1,N 2,N  3个， 输出层神经 元设置为1个。 步骤6‑2： 将隐含层的激活函数均设置为tanh进行非线性映射， 输出层的激活函数设置 为ReLU。权　利　要　求　书 1/2 页 2 CN 115186365 A 2步骤6‑3： 对3个隐含层的权重均采用Xavier初始化， 对输出层权重采用He初始化， 隐含 层和输出层的偏置均初始化 为0。 步骤6‑4： 对于规模较小的训练集数据， 采用梯度下降法， 即每次迭代都计算整个数据 集的梯度； 同时， 选用Adam优化算法来自适应地动态调整 学习率并在梯度方向上进 行优化， 设置初始学习率 Lr。 8.根据权利要求7所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 所述 步骤7的具体过程 为： 步骤7‑1： 分别对步骤6 ‑3生成的每个参数(权重和偏置)构成的BP神经网络采用反向传 播法进行训练， 训练采用数据集在步骤5生成的训练集， 其中训练集中的数据全部随机输入 BP神经网络之中； 步骤7‑2： 训练集和验证集均采用 均值平方差作为损失函数优化(BP)神经网络各层的 参数， 以便 于找到(BP神经)网络的最高精度下的参数； 步骤7‑3： 在训练过程中， 计算训练集和验证集的损失函数， 验证集损失函数不再下降 时停止训练， 得到最优的(BP)神经网络结构。 9.根据权利要求8所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 所述损失函数为均值平方差函数， 具体为： 其中yi为训练集和验证集中的轨道路基材料永久应变值， ai为(BP)神经网络预测出的 轨道路基材 料永久应 变值。 10.根据权利要求1所述的一种基于神经网络的轨道路基材料疲劳模型构建方法， 其特 征在于， 所述 步骤8的具体过程 为： 8‑1： 通过(BP)神经网络的最优结构， 得到(BP)神经网络各层的参数； 8‑2： 建立疲劳模型的一般形式， 疲劳模型的一般形式， 具体为： 其中Wi为第i层的权重， bi为第i层的偏置， εp为轨道路基材料永久应变， 为归一化处 理后的输入参数。权　利　要　求　书 2/2 页 3 CN 115186365 A 3