高速铁路接触线的水膜输运建模与底部结冰敏感性评估

《Cold Regions Science and Technology》：Water film transport modeling and bottom icing susceptibility assessment for high-speed railway contact wires

　　

• •
  针对凹槽接触线轮廓开发了一种水膜传输模型。
• •
  量化了周向膜迁移和底部水量输送。
• •
  底部水量定义了一个依赖气象条件的结冰风险边界。
• •
  气候箱测试验证了该模型，最大误差为 9.95%。
• •
  神经网络代理模型预测底部水量，R² = 0.9465。

引言

大气结冰现象在视觉上可能十分显著，且其外观随环境条件而变化 (Poots, 1996)。然而，人类结构的结冰有时可能是危险的。输电线路结冰可能导致导线断裂、绝缘子闪络，最坏情况下会导致铁塔倒塌 (Jiang et al., 2011; Hu et al., 2015; Xu et al., 2019; Yin et al., 2015; Cao et al., 2021)。随着电力动车的发展，接触线结冰引起了越来越多的关注。受电弓 - 接触线系统作为高速铁路 (HSR) 的电源。能量收集和传输的质量直接决定了电力动车的性能和运行安全 (Wu et al., 2022; Yang et al., 2024; Song et al., 2024; Wang et al., 2025; Li et al., 2024)。对于接触线，当冰在下表面形成时，会增加冰阻并可能导致电气故障。2020 年和 2024 年，中国沈阳和武汉铁路网发生的严重结冰事件导致服务中断、限速和牵引电源中断 (Sun et al., 2022; Dong et al., 2022; Ding et al., 2017)。

在寒冷地区，水滴撞击结构表面时可能会反弹或粘附。表面冻结水的比例取决于散热情况。如果热量不能及时释放，结构表面会形成水膜 (Lébatto et al., 2015; Zhang et al., 2017; Han and Jiang, 2021)。由于水膜受到重力和气动剪切力的作用，它会周向迁移并可能积聚在下表面，最终形成冰并威胁电力动车的运行。

大气结冰研究可大致分为解析和半经验积分解、数值模拟以及数据驱动的风险评估。目前，大多数结冰研究集中在电力网络和飞机上 (Farzaneh, 2008)。Imai 提出了一种由温度和风速等参数决定的粗糙透明冰质量增长率 (Imai, 1953)。基于经验数据，Lenhard 得出结论，冰重与降水量成正比 (Lenhard, 1955)。Langmuir 和 Blodgett 对水滴接近圆柱体的轨迹进行了开创性工作，旨在研究飞机机翼上的云中结冰 (Langmuir and Blodgett, 1946)。虽然它是解析推导的，但它为现代数值模拟奠定了基础。为了预测冰积聚，Messinger 引入了热平衡并开发了热力学模型 (Messinger, 1953)。在他的模型中，冰质量率由一个考虑冻结分数的解析公式给出。随着计算机技术的发展，提出了数值模型。Lozowski 等人计算了非旋转光滑圆柱体上的时间依赖性雾凇和透明冰积聚 (Lozowski et al., 1983)。为了考察冰表面粗糙度对结冰的影响，Makkonen 提出了粗糙圆柱体的边界层模型 (Makkonen, 1984; Makkonen, 1985)。Jones 提出了更详细的热平衡模型，包括冻雨中的热通量并允许径流水积聚 (Jones, 1998)。Myers 和 Fu 开发了考虑基底表面水流的二维冰积聚模型 (Myers, 2001; Myers and Charpin, 2004; Fu et al., 2006)。

铁路接触线具有凹槽截面，由圆柱形下半部分和两条纵向夹持凹槽组成，提供机械夹持和电气接触。Liu 从系统角度回顾了接触线结冰和防结冰 (Liu et al., 2012)；Nilsson 使用规定的结冰边界条件模拟了电阻防结冰 (Nilsson et al., 2019)；并且 Liu 模拟了凹槽接触线截面上的结冰 (Liu et al., 2025)。常用的圆柱形轮廓无法捕捉凹槽和几何不对称对气流和水膜分布的影响，且大多数现有模型关注总冰量或厚度，而不是与接触失效最相关的底部表面水膜状态。关于数据驱动的风险评估，Zarnani 应用支持向量机对数值天气预报输出进行处理，以预测输电线路上的冰载荷 (Zarnani et al., 2012)。Huang 将数值结冰模拟与机器学习耦合，以评估山区输电线路的风险，提供了一个结合数值模拟与代理模型的代表性框架 (Huang et al., 2023)。Li 将数值结冰模拟与卷积神经网络 - 长短期记忆 (CNN-LSTM) 模型耦合，以预测接触线冰量，但其预测目标是总冰量，未区分下表面状态 (Li et al., 2025)。Wang 等人进一步开发了一种城市轨道交通接触网的在线热除冰方法 (Wang et al., 2021)。

本文研究了在役高速铁路接触线上的水膜迁移和底部水量输送。针对实际凹槽接触线轮廓建立了一种水膜传输模型，以描述周向水膜传输，并使用气候箱实验评估了其质量分配预测。基于该模型，系统研究了气象参数对水膜分布和累积底部水量 M_b 的影响。随后构建了一个基于 M_b 的特定研究参考等值线，以映射不同气象条件对底部水积聚及后续结冰的相对敏感性。最后，开发了一种机器学习代理模型，以在研究的参数空间上快速预测 M_b。

章节片段

建模框架

• 1)
  几何与离散化：本研究调查的几何形状是 CTMH150，这是一种在中国高速铁路中广泛使用的在役凹槽接触线，如图 1(a) 所示。其截面是不对称的，上侧具有一对纵向夹持凹槽，下侧光滑并与受电弓碳滑板滑动接触。

所有表面平衡都是沿周边上的有限控制元素制定的。如图 1(b) 所示，周边是

水膜的分布与流动

• 1)
  水膜初始分布：初始水膜反映了液滴供应（由局部收集效率 β₁ 设定）与相变局部消耗（由冻结分数 β₃ 设定）之间的平衡。当 β₃ = 1 时，所有冲击水在接触时冻结（干增长）。否则，液膜积聚，当 0 < β₃ < 1 时发生湿增长。因此，初始膜仅占据冲击区域的湿增长子集。

图 4 显示了初始膜分布

数据集与代理架构

第 2 节的多物理场模型每个案例需要大约两小时。为了实现快速评估，本节开发了一种神经网络代理模型，用于快速预测 M_b，将 (T, V_∞, LWC, MVD) 映射到 M_b，实现毫秒级的推理。

训练数据集通过对表 2 中给出的参数范围进行全因子扫描生成，总共产生 4000 个样本，其中约 22% 的样本 M_b = 0，其余样本连续跨越至大约 54 g/m。数据被划分

结论

本文研究了寒冷潮湿条件下高速铁路接触线上的水膜迁移、累积底部水量输送和底部结冰敏感性。主要结论如下：

• 1)
  在不对称凹槽 CTMH150 轮廓上建立了一种水膜传输模型，以解决代表性接触线截面上的周向膜分布问题。单位长度公式提供了平均到质量分配区段的描述

CRediT 作者贡献声明

Wenxuan Zhou: 撰写 – 初稿，方法论。 Yuheng Zhang: 调查。 Li Qi: 形式化分析。 Hui Li: 项目管理。 Fanghui Yin: 监督。

资助

本工作受国家自然科学基金资助，批准号52077119。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能被认为会影响本文报告的工作。

Wenxuan Zhou|Yuheng Zhang|Li Qi|Hui Li|Fanghui Yin