基于地铁点云数据调线调坡的深度学习研究

发布时间：2024-03-01 05:13

　　已建成的隧道与原始的设计隧道之间的偏差信息对于地铁线路的安全调整非常重要。然而,目前还没有明确的数学公式能够准确地描述和度量这个偏差。目前主流的做法是通过人工测量具有相同间隔的截面的侵限值,并对这些侵限值进行累加求和,最终得到该偏差。这种方式存在几个缺点,比如耗时、误差大、成本高等。为了解决这些问题,本文提出了两种新颖的基于深度神经网络的偏差表示方法,其能够基于点云大数据学习到设计线路的参数与侵限值之间的内在联系,进而预测出能够使得侵限值的和最小的参数,这些参数可以被用来辅助地铁线路的安全调整。方案一将传统神经网络学习模型应用于地铁调线调坡优化问题。用一个一维的向量表示设计线路中的平、纵断面参数,此向量可以确定一条设计线路,然后结合点云大数据,便可计算出这条设计线路的侵限值。按照设计规范要求对一维向量中的任一分量进行扰动,可以形成多组包含侵限值的设计线路参数的数据集。用此数据集训练神经网络,使网络学习设计线路与隧道偏差间的函数关系,以获取最优的调线调坡方案。实验显示,方案一的最终结果明显要优于传统的人工调整,但神经网络在训练过程中需要耗费大量的时间,无法做到实时的反馈,于是,本文进一步...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图1点云文件展示

基于地铁点云数据调线调坡的深度学习研究第11页共56页图1点云文件展示2.3点云数据的分块处理高密度的点云大数据降低了抽取特定点云数据的效率。在空间中给定平面，需要在所有点云大数据中抽取属于该平面的点云切片，抽取过程需要耗费大量计算资源以及时间，并且可能会导致计算机因运算内存不足....

图2点云切片处理

基于地铁点云数据调线调坡的深度学习研究第14页共56页第3章调线调坡的建模与侵限值计算3.1调线建模3.1.1平面参数组成平面图的参数文件是后缀为.txt的文件，如图4，平面图的参数包括平面交点坐标、缓和曲线长度、圆弧半径等参数。其中的坐标点需要精确到小数点后三位，而圆弧半径以及....

图4:平面参数

基于地铁点云数据调线调坡的深度学习研究第16页共56页图5平面局部线路图图6坐标轴旋转平移变换3.2调坡建模3.2.1纵断面参数组成纵面图的参数文件是后缀为.txt的文件，如图7，纵面图包括交点坐标、圆弧半径等参数。纵断面由于圆弧半径较大而且坡度较小，一般坡度不会超过千分之三，所....

图5平面局部线路图

基于地铁点云数据调线调坡的深度学习研究第16页共56页图5平面局部线路图图6坐标轴旋转平移变换3.2调坡建模3.2.1纵断面参数组成纵面图的参数文件是后缀为.txt的文件，如图7，纵面图包括交点坐标、圆弧半径等参数。纵断面由于圆弧半径较大而且坡度较小，一般坡度不会超过千分之三，所....

本文编号：3915474