《Applied Sciences》：Data-Driven Reduction of Rail Pad Dynamic Stiffness Testing: Benchmarking a cGAN Against Gaussian Process Kriging
编辑推荐：
全因子表征轨下垫板动态刚度成本高昂，因为每种扣压力（toe load）、荷载幅值（load amplitude）和频率（frequency）的运行组合都必须在每种实验条件下逐一测试。本研究评估数据驱动重建能否支撑缩减测试方案，通过故意 withheld 运行组
全因子表征轨下垫板动态刚度成本高昂，因为每种扣压力（toe load）、荷载幅值（load amplitude）和频率（frequency）的运行组合都必须在每种实验条件下逐一测试。本研究评估数据驱动重建能否支撑缩减测试方案，通过故意 withheld 运行组合，并将一种网格感知的条件生成对抗网络（conditional generative adversarial network，cGAN）与高斯过程（Gaussian process，GP）克里金法及其他重建方法进行基准对比。隐藏格协议（hidden-cell protocol）应用于一块EPDM垫板在十种实验条件下的360次测量，并独立复现于另外两块垫板。在主要25%遮蔽水平下，cGAN和合并GP（pooled GP）的重复级中位绝对百分比误差（median absolute percentage error）均值分别为4.8%和1.0%，尽管无限制随机遮蔽平均仅使90个 withheld 观测中的39个保持插值性。在S1-R中，遮蔽选择先验地基于保持名义几何支撑进行条件设定，仅使用名义设计坐标并保留全部八个顶点。随后，全部90个 withheld 观测均在其实际坐标处进行评估；cGAN的重复级中位误差中位数为4.38%，合并GP为1.23%，分别有80.89%和99.78%的预测落在10%误差以内。GP还提供了校准更优的不确定性（95%覆盖率：96.2%对84.8%），其优越精度在另外两块垫板上同样得到复现。总体而言，研究结果支持在名义支撑保持设计下，测试运行组合缩减25%的事后可行性，其中合并GP克里金法提供了最准确且最稳健的重建。
论文解读
一、研究背景与问题
轨道交通凭借低能耗、低土地利用和低温室气体排放等优势，在全球可持续交通体系中占据重要地位。铁路承担约7%的客运周转量和6%的货运周转量，却仅贡献约1%的交通相关排放。轨道结构是一个多层力学系统，垂向刚度在轮轨相互作用、动荷载传递及轨道长期退化演变中发挥关键作用。刚度不足或沿轨道方向的空间刚度不均会加速退化过程并增加维护需求，尤其是在高速线路、过渡段或支撑条件异质的区段。
轨下垫板（rail pad）作为钢轨与轨枕或板式轨道支撑之间的弹性元件，是铁路上部结构最重要的弹性部件之一，承担冲击衰减、振动阻尼、电气绝缘、保护轨座及降低传递至轨枕和支撑层的应力等功能。轨下垫板通常由聚合物材料制成，其力学行为呈非线性、耗散性且高度依赖运行条件。实验研究表明，垫板的静、动态刚度不仅取决于材料和几何形状，还受扣压力、荷载幅值、激励频率和温度等变量影响。此外，长期服役暴露会改变其力学响应：机械疲劳、紫外线辐射、碳氢化合物及其他环境因素均可改变聚合物轨道部件的刚度与阻尼行为。
由此产生的实际后果是实验工作量的组合爆炸。单块垫板的完整动态表征需要在多种扣压力、幅值和频率下开展实验，且需针对每种感兴趣的实验条件重复进行；标准化测试程序将每种组合转化为独立的实验室测试。这一问题属于数据驱动材料科学中更广泛的局限性范畴：许多材料属性必须从小型实验数据库建模，这些数据在受控但成本高昂的条件下获得，观测数据的质量、覆盖度和信息量可能比数据集的原始规模更具决定性。
二、研究内容与核心发现
本研究将研究问题重新表述为：条件生成模型能否在刻意 withheld 的训练点上可靠重建作为扣压力、荷载幅值、激励频率和实验条件函数的连续动态刚度响应面。评估聚焦于实验设计内的插值：在S1中，插值性根据实际坐标判定；S1-R则在名义网格上先验保持插值性。这一表述对实验设计具有直接意义：若 withheld 组合的动态刚度能在预定容许公差内重建，则可缩减实验方案并随后估计被省略的响应。
研究基于PANDROL提供的商用轨下垫板动态刚度测试数据库。主分析对象为一块EPDM轨下垫板（该研究中的垫板B），包含360次动态刚度观测，组织为同一垫板的10种实验条件，每种条件具有相同的名义实验设计：4个扣压力水平（1、9、18和25 kN）×3个荷载幅值水平（15.5、21和31.5 kN）×3个频率水平（5、10和20 Hz），即每种条件36个运行组合。为评估结论对垫板材料和几何的稳健性，完整协议还在另外两块垫板上独立复现：垫板A（同为EPDM但几何不同）和垫板C（EVA材质）。目标变量为动态刚度kdyn（kN/mm），由力-位移响应计算为动态测试最后循环期间平均荷载范围与平均位移范围之比。
研究预先设定了四项假设、工程公差、校准带、主要终点及多重性校正比较族。主要终点为S1场景25%遮蔽水平下插值性隐藏观测的重复级中位APE均值。H1（可靠性）要求主要估计量≤10%；H2（校准）要求cGAN的95%预测区间经验覆盖率落在[88%，99%]接受带内；H3（跨条件信息价值）要求网格感知cGAN在10次重复中优于局部逐条件cGAN；H4（与基准模型比较）将cGAN与合并GP和合并梯度提升进行配对比较。
三、主要技术方法
研究采用隐藏格验证协议，从所有实验条件中同时移除选定的运行组合，模型仅在可见格上训练并预测隐藏观测。核心模型为网格感知条件生成对抗网络（cGAN），其生成器接收标准化运行变量、实验条件的可学习嵌入及随机噪声向量，返回合成动态刚度值；判别器学习区分真实实验观测与合成值。关键设计决策包括：通过可学习嵌入实现完整条件化、跨实验条件的合并训练（pooled training）以及网格感知评估。基准模型包括高斯过程克里金法（GP，以log(kdyn)为目标）、梯度提升集成、经典插值器及消融/增强臂。评估指标以中位绝对百分比误差（median APE）为主要指标，辅以RMSE、MAE、R2、平均符号偏差、预测区间覆盖率（PICP80、PICP95）及连续排序概率分数（CRPS）。
四、研究结果
4.1 跨遮蔽分数的精度表现
在S1场景中，10%、25%和40%遮蔽分数下，cGAN的重复级中位APE均值分别为4.2%、4.8%和4.7%，精度随遮蔽分数增加几乎不退化。合并GP在整个遮蔽范围内明显更优，中位APE为1.0–1.2%，约为cGAN的五分之一。局部cGAN退化严重（中位APE 20–24%），证实跨实验条件联合学习的关键作用。在S1-R中，cGAN的中位APE中位数为4.38%，合并GP为1.23%，分别有80.89%和99.78%的预测落在10%误差内。
4.2 可靠性与校准（H1与H2）
H1以较大余量达成：cGAN在主要终点处的重复级中位APE均值为4.8%，95%自助置信区间[3.8%，6.0%]完全低于10%公差。H2未达成：cGAN的95%生成区间经验覆盖率为84.8%，低于预定接受带[88%，99%]，生成不确定性呈现欠覆盖。合并GP覆盖率为96.2%，处于接受带内，且预测区间宽度约为cGAN的一半，CRPS显著更低。
4.3 跨条件信息消融（H3）
H3明确达成。网格感知cGAN大幅优于局部逐条件cGAN，中位APE均值降低17.1个百分点（4.8%对21.9%），优势在全部10次遮蔽重复中一致出现。结果表明跨实验条件的合并训练是模型的关键组成部分。
4.4 与基准模型比较（H4）
与合并GP相比，cGAN在全部10次重复中均处于劣势，平均中位APE劣势为3.9个百分点（Holm校正p=0.0039）。与合并梯度提升相比，cGAN数值上略优（平均优势1.25个百分点），但多重性校正后差异未达统计显著性（p=0.1055）。在结构化水平抑制场景S2中，树集成模型急剧退化（18 kN扣压力遮蔽时中位APE达38%），而cGAN和合并GP保持相对稳定的重建能力。
4.5 分层分析（次要）
cGAN在十种实验条件下表现相对均匀，中位APE介于2.8%至7.8%，始终低于10%工程阈值。按名义几何格类型分层显示性能变化适中，名义网格边界附近误差略高。S2场景中，cGAN平均中位APE为6.1%，合并GP为3.8%；最具挑战性的情况为遮蔽18 kN扣压力水平，两者均达7.6%中位APE。
4.6 探索性校准扩展
分裂保形校准将PICP95从84.8%提高至97.8%，但平均区间宽度几乎翻倍（从23.5增至47.2 kN/mm）。生成器深度集成将中位APE从4.8%降至4.1%，覆盖率提高至97.5%，但差异未达统计显著性（p=0.0645）。信息性分析显示cGAN的区间宽度与绝对误差间Spearman相关系数均值为+0.31，合并GP为+0.48，表明GP的不确定性信号更清晰可靠。
4.7 垫板A与C上的协议复现
完整协议在垫板A和C上独立复现。H1在两种垫板上均达成（中位APE分别为2.4%和2.1%），H3同样确认（网格感知cGAN分别优于局部cGAN 4.3和3.8个百分点）。合并GP在两种垫板的全部10次重复中均优于cGAN。生成区间欠覆盖在三种垫板上均复现。结论不依赖于特定垫板，而归于合并重建协议本身。
4.8 解释、意义与局限
总体而言，生成式表面补全作为可行但非竞争性的替代方案，合并GP在精度、校准和区间经济性上全面占优。研究支持在名义支撑保持设计下选择性缩减25%运行组合的事后可行性。局限包括：每个隐藏观测仅与单一实测值比较，无法区分模型误差与实验变异性；生成器未纳入显式物理约束，物理信息正则化是自然未来方向。
五、结论总结
本研究通过预先定义的隐藏格验证协议，评估了条件生成对抗网络在刻意未测试运行点可靠重建动态刚度表面的能力，并与高斯过程克里金法和树集成方法进行比较。主要结论为：cGAN在插值域内的全局未测试观测上实现低中位重建误差（主要场景中位APE均值4.8%，95% CI：3.8–6.0%，p=0.0010）；跨实验条件的联合学习是cGAN良好性能的决定性因素（网格感知变体将误差降低17.1个百分点）；合并GP克里金法为最优基准模型，中位APE约1.0%，约为cGAN的五分之一，并提供校准更优的不确定性（95%覆盖率96.2%对84.8%）；生成不确定性可通过分裂保形校准部分修正（覆盖率提高至97.8%），但区间宽度约翻倍；从实用角度推荐合并GP作为缩减实验方案下补全垫板刚度表面的主要工具，支持名义支撑保持设计下缩减25%运行组合的事后可行性；上述结论不依赖特定垫板，在EPDM（不同几何）和EVA垫板上均得到独立复现。
