重点推荐应用
本研究探讨了如何利用模拟的轨道状况数据来辅助评估易受冲刷影响的铁路桥梁的状况。桥梁级别的分类可判断其状态是正常还是已受冲刷，而支撑结构的分类则能识别出最可能受到影响的支撑部分，从而有助于确定检查的重点。该研究通过模拟案例展示了这一评估流程，但并未验证实际的早期预警系统功能。
摘要
桥梁冲刷会威胁桥梁的安全性与使用性能，然而尽管机器学习技术得到了广泛应用，目前仍缺乏关于感知数据、学习任务及验证方法如何影响监测效果的统一认识。本文通过整理53项基于机器学习的桥梁冲刷研究，并结合一个基于模拟的铁路案例研究，来弥补这一空白。该案例研究了在冲刷检测及支撑结构定位方面，那些较少被关注的基于位移数据的监测方法。研究数据集包含2924组模拟的桥梁与列车运行场景，涉及四种桥梁模型和三种列车类型，其中桥梁冲刷状况通过垂直支撑刚度的下降来体现。研究采用了全桥分析及以支撑结构为分析对象的离散小波变换、带外部输入的自回归马尔可夫特征提取方法，进而训练人工神经网络、随机森林和支撑向量机分类器，并通过嵌套交叉验证进行性能测试。批量输入数据会整合连续多组模拟场景的信息。在性能最优的检测方案中，采用31组数据且安装在桥梁后部的随机森林分类器，对受冲刷桥梁和正常桥梁的识别准确率分别达到了0.990，F1值分别为0.994和0.977。而在定位精度方面，采用7组数据且安装在桥梁前部的随机森林分类器，识别准确率为0.968，两项F1值均约为0.97。虽然这些模拟结果无法证明该方法在真实桥梁或实际已确认存在冲刷情况的场景中的适用性，但仍显示出其在桥梁状况评估及有针对性检查方面的潜力。
