物理数据与神经网络协同驱动的混合模型,用于预测无砟轨道在气象变化条件下的膨胀接头变形

《AUTOMATION IN CONSTRUCTION》:Physics-data co-driven hybrid neural network for predicting expansion joint deformation of ballastless track under meteorological variations

【字体: 大 中 小 】 时间:2026年04月30日 来源:AUTOMATION IN CONSTRUCTION 11.5

编辑推荐:

  魏少雷|肖红|王阳|李浩宇|钱忠霞|李兆成 北京交通大学土木工程学院,中国北京100044 **摘要** 高速铁路无砟轨道结构中的纵向伸缩缝在热载荷作用下容易张开,这会损害轨道和路基的防水性能及长期使用性能。本文结合热力学理论、气象数据以及伸缩缝位移的现场测量结果,

  魏少雷|肖红|王阳|李浩宇|钱忠霞|李兆成
北京交通大学土木工程学院,中国北京100044

**摘要**
高速铁路无砟轨道结构中的纵向伸缩缝在热载荷作用下容易张开,这会损害轨道和路基的防水性能及长期使用性能。本文结合热力学理论、气象数据以及伸缩缝位移的现场测量结果,提出了一种混合神经网络架构,该架构将基于物理知识的组件与数据驱动方法紧密结合。该模型在各项评估指标上表现优异,均方根误差(RMSE)低至0.1913毫米,决定系数(R2)高达0.9752,显著优于传统的LSTM和TCN等基线模型。通过改变滑动窗口的数量并进行小样本实验,进一步验证了该模型的可靠性和在数据有限条件下的适用性。该模型能够利用气象监测数据感知底座板伸缩缝的变形,从而便于对轨道结构的服务状态进行大规模评估。

**引言**
高速铁路作为一种快速便捷的运输方式,在全球范围内得到了广泛发展和应用。截至2025年底,中国的高速铁路网络运营长度已超过50,000公里。轨道不仅引导高速列车的运行,还提供了车辆与基础之间的结构连接,在确保高速铁路安全运行中起着关键作用。作为一种重要的轨道形式,无砟轨道因其出色的乘坐质量、均匀的刚度以及较低的运营和维护要求而被广泛采用;实际上,几乎所有时速超过250公里的高速铁路线都采用了无砟轨道。然而,无砟轨道在运行过程中也会出现明显的性能下降[1]。在长期的热载荷和列车荷载作用下[2],轨道结构可能会产生各种类型的缺陷[3],这些缺陷会威胁其长期服务性能。底座板是无砟轨道结构的底部组件,负责支撑并传递来自上层的荷载。在长期循环热载荷作用下,由于整体温度效应,轨道结构会发生明显的纵向膨胀和收缩。

现场调查发现,在环境温度影响下,底座板的接缝填充层会出现脱粘现象,表面也会出现裂缝。作为路基与上层轨道之间的关键荷载传递元件,当伸缩缝位置出现较大开口时,底座板的防水性能会受到影响。一旦接缝填充层脱粘,雨水会通过接缝填充层的缝隙渗入底座板接缝和路基中,可能导致底座板开裂、路基冻胀以及管涌或泥浆沸腾。为了解决这些问题,Yi等人[4]对无砟轨道结构中接缝填充材料的使用进行了系列研究;Su等人[5]系统地研究了高速铁路无砟轨道接缝填充材料的材料特性,并分析了其在高温潮湿等环境条件下的行为变化。现有研究主要集中在无砟轨道结构中的温度梯度效应[6][7]、高原环境中的热载荷影响[8]、早期底座板开裂[9]、热诱导 uplift的影响[10]以及施工和运行过程中的温度效应[11]上。关于CRTS II和CRTS III板轨道的温度响应研究主要分析了轨道板、底座板及相关组件在热载荷下的行为。Wei等人[12]开发了一个精细的有限元仿真模型,并分析了不同底座板长度和热载荷下的伸缩缝位移模式。Zhou等人[13]利用数字孪生技术对一座长跨度悬索桥结构进行了温度场分析,并通过结合实时数据驱动的模型更新与结构热传递分析,实现了对结构温度的准确预测。

随着人工智能的快速发展,针对高速铁路的智能检测和监测方法的研究也有所增加[14][15]。Cai等人[16]利用改进的BiLSTM和高斯过程回归从车辆响应中估计了道岔不规则性,以车辆的垂直和横向加速度作为输入获得点估计值。Ren等人[17][18]采用车辆动态响应特征和1D-CNN结合PSO-SVM来检测无砟轨道中的差异性路基沉降,识别出车体垂直加速度作为一个敏感特征。Tang等人[19]提出了一种基于车辆动态响应和轨道不规则数据的无监督学习框架,用于诊断高速无砟轨道宽窄接缝处的热 uplift;该方法结合了完全无监督模块和小样本微调方案。Wang等人[20]将自监督表示学习应用于地铁内部噪声和振动数据,使用变分自编码器和深度嵌入聚类进行轨道起伏识别,并进一步提出了轨道打磨的决策支持模型[21][22]。Ma等人[23][24]将CNN与经验模态分解和连续小波变换相结合,用于检测无砟轨道中的热 uplift。Chen等人[25]采用统一的时频方法从预测的轨道不规则性中识别沉降位置和波长。针对层间脱粘和空洞等局部刚度异常,Miao等人[26][27]利用多变量车辆动态响应和深度学习方法检测无砟轨道中的这些局部缺陷。

在纯数据驱动的时间序列研究领域,研究者们基于LSTM、GRU和TCN等网络架构开展了一系列研究。Lea等人[28]提出了一种时间卷积神经网络,该网络使用层次化的时间卷积滤波器来捕捉长距离模式,从而克服了早期模型的局限性。Hewage等人[29]利用时间卷积网络(TCN)从时间序列数据中进行天气预报,展示了基于卷积的模型捕捉时间依赖性的能力。Yu等人[30]注意到时间信号中包含的时频物理信息,提出了一种时频注意力模块,并将残差神经网络应用于风速预测,表明显式建模时频特征可以提高预测性能。Band等人[31]提出了一种基于经验小波变换和深度强化学习的混合风速建模方法:通过将原始风速序列分解为集中的独立模式和残差序列,并优化各组件的模型权重,提高了预测精度。Zhang等人[32]开发了一个分析框架,将自适应噪声增强的完整集合经验模态分解与深度学习相结合,用于研究温度引起的悬索桥和板轨道变形对列车动态响应的影响。该框架利用变形分量的IMFs分析信号变化,并以车体加速度作为预测目标,表明可以从车辆响应中推断出温度驱动的结构变形。Hasani等人[33]提出了一种基于AI的自动化集成结构健康监测框架,适用于不同的环境和运行条件,使用协方差驱动的随机子空间识别和高斯混合模型聚类进行自动模态识别;该框架进一步结合了自编码器神经网络和数据驱动的阈值范围,以实现连续的健康监测。Zar等人[34]引入了一种方法,将传感器响应数据与多头注意力增强的卷积神经网络融合,并将其与时间卷积网络结合,以捕捉时间序列中的长距离依赖性,并从结构响应反演到地震激励,展示了基于注意力的架构在学习结构系统中的复杂输入输出映射方面的潜力。

在纯数据驱动的研究中,数据特征的复杂性往往导致预测结果的可解释性较弱。近年来,越来越多地开发了嵌入物理知识的神经网络。自Raissi[35]提出物理信息神经网络(PINNs)的基本框架以来,相关研究和应用得到了广泛扩展。Lawal等人[36]提出了一种结合PINNs和LSTM的精确波浪预测方法;通过将线性波动方程嵌入模型,提高了时间序列预测的准确性。Deng等人[37]开发了一个由多层线性层组成的通用物理驱动机器学习框架,用于物理信息预测电池的剩余使用寿命。Ren等人[38]提出了一种基于物理的长期短期记忆网络,用于非侵入式评估BLDC电机定子健康状况;通过优化PINN架构和损失函数,他们利用了神经网络和物理模型的互补优势来提高预测能力。Zhang等人[39][40]在深度学习网络中嵌入了物理约束,以实现地震载荷下结构动态响应的高效预测。Zhang等人[41]提出了一种基于物理约束的层次训练策略,根据物理定律构建网络损失以约束解空间,并将其应用于路径依赖的土壤行为。Guo等人[42]引入了一种物理引导的混合深度学习框架,用于实时双向地震结构响应预测,与有限元仿真相比实现了显著的计算效率提升。Bao等人[43]提出了一种基于Transformer的地震响应预测模型,将位移和加速度响应定律的物理知识嵌入模型损失中。Mahar等人[44]开发了一种基于PINN的注意力增强LSTM,用于结构健康监测,无需先验状态数据即可估计系统参数,从而提高了可行性。Wu等人[45]建立了一个受本构模型约束的PINN框架,将非线性本构约束纳入损失函数以提高准确性和物理可解释性。Wang等人[46]提出了一种物理保守的神经网络,有效整合了物理知识,无需依赖标记数据即可准确快速地计算复杂系统动态。

温度载荷下的结构变形会影响运行服务条件,缩短轨道结构的使用寿命并导致结构病害。分析无砟轨道结构在温度载荷下的纵向变形是研究层间缺陷和结构损伤的基础。然而,现有文献缺乏基于监测数据的有效变形预测方法,当前方法仍依赖于现场监测数据,导致监测和运营成本较高。此外,物理知识与数据驱动方法的结合在铁路基础设施检测和监测中仍处于发展阶段。在这个热变形耦合问题中,轨道结构的热膨胀和收缩与环境及结构中的温度场变化密切相关。因此,可以利用热传导理论和结构热变形分析方法,结合热流场环境监测数据并考虑结构温度场变化,准确分析温度引起的结构变形。因此,本文提出了一种结合气象监测数据、物理信息神经网络和残差校正的预测方法,实现了对底座板伸缩缝变形的精确预测。

本文的结构如下:第2节详细描述了所提出的变形预测方法,包括热传导理论、物理信息深度学习理论以及分析中涉及的Mabma架构,并介绍了用于模型训练的网络架构。第3节基于中国北方的一条高速铁路线路,报告了伸缩缝位移的长期监测结果,并分析了时域、频域和数据相关性特征,以支持后续的变形预测。第4节描述了所提出的基于物理的底座板伸缩缝预测模型,并详细介绍了模型训练过程。第5节将所提出的模型与几种深度学习方法进行了比较,考虑了输入参数和小样本数据条件的影响,以验证所提方法的有效性。第6节总结了研究结果。

**分析方法**
本节介绍了一种混合神经网络架构,并建立了无砟轨道热变形的评估方法。基本的热力学原理构成了物理信息框架的基础,使得可以推导出底座板的膨胀和收缩行为。在此基础上,物理信息神经网络架构与Mamba模块结合,建立了用于预测底座板变形的具体网络架构。

**测量点布局和数据分析**
本节对一条运营中的高速铁路现场的底座板伸缩缝变形进行了监测分析,提供了测量点配置和数据采集方法的详细信息。通过对现场测量的时域和频域分析,提取了伸缩缝行为的周期性变化和统计分布特性。具体而言,通过开发时滞滚动相关热图,揭示了时变滞后现象。

**基于物理的底座板变形预测**
本节详细介绍了应用于现场测量的系统预处理和标准化程序,以构建用于预测建模的最终数据集。关键模型配置参数得到了详尽的描述,同时介绍了用于缓解过拟合的具体技术、模型架构规格、评估指标以及数据分区分配方法。结果与讨论:本节使用之前描述的数据集、混合神经网络架构和模型训练参数,对基础板伸缩缝的预测进行了展示。通过与其他模型的对比分析,验证了所提出的混合神经网络的性能。随后通过优化滑动窗口长度提高了预测精度,增强了模型的实际应用能力。此外,还考虑了现场数据不足这一常见限制因素。

结论:基于无砟轨道基础板伸缩缝处的现场位移测量结果以及热力学原理,本文开发了一种利用物理信息驱动的神经网络(嵌入在Mamba网络架构中并加入残差校正)来预测基础板伸缩缝位移的方法。主要结论如下:1) 温度与伸缩缝位移之间存在显著的负相关关系。

作者贡献声明:
魏少雷:方法论研究、资金申请、形式化分析、概念构建。
肖红:撰写与审稿、监督、项目管理。
王洋:监督、项目管理、概念构建。
李浩宇:软件开发、数据整理。
钱中霞:方法论研究、形式化分析。
李兆成:验证工作、软件开发、形式化分析、数据整理。

利益冲突声明:作者声明不存在可能影响本文研究工作的已知财务利益冲突或个人关系。

致谢:作者衷心感谢国家自然科学基金(项目编号:U2468231)和中国国家重点研发计划(项目编号:2023YFB2604302)对本研究的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号