CN111859724A - 一种混合驱动的无砟轨道疲劳寿命预测方法和系统 - Google Patents

一种混合驱动的无砟轨道疲劳寿命预测方法和系统 Download PDF

Info

Publication number
CN111859724A
CN111859724A CN202010460074.9A CN202010460074A CN111859724A CN 111859724 A CN111859724 A CN 111859724A CN 202010460074 A CN202010460074 A CN 202010460074A CN 111859724 A CN111859724 A CN 111859724A
Authority
CN
China
Prior art keywords
monitoring data
fatigue
model
fatigue life
ballastless track
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010460074.9A
Other languages
English (en)
Other versions
CN111859724B (zh
Inventor
孙立
王森荣
宋文祥
朱彬
李秋义
张政
林超
任西冲
周磊
梅琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202010460074.9A priority Critical patent/CN111859724B/zh
Publication of CN111859724A publication Critical patent/CN111859724A/zh
Application granted granted Critical
Publication of CN111859724B publication Critical patent/CN111859724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种混合驱动的无砟轨道疲劳寿命预测方法，包括：S100.获取无砟轨道现场监测数据，对现场监测数据进行判断，若现场监测数据充足，执行步骤S200；若现场监测数据不足，执行步骤S300‑S400；S200:利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，得到基于数据驱动的轨道结构疲劳预测模型；S300.利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型，利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线；S400.根据所述应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。

Description

一种混合驱动的无砟轨道疲劳寿命预测方法和系统
技术领域
本发明属于轨道的疲劳寿命预测技术领域，特别是一种混合驱动的无砟轨道疲劳寿命预测方法和系统。
背景技术
目前，我国已成为世界上高铁里程最长、运输密度最高的国家。无砟轨道由于具有平顺性好、养护维修工作量小等优点，近年来已成为我国高速铁路最重要的轨道结构型式。无砟轨道主要组成部件为钢筋混凝土结构。现场调研表明，在列车动载、温度循环荷载等作用下，部分地段的无砟轨道出现了一定程度的疲劳损伤。在外界复杂荷载的持续作用下，疲劳损伤不断累积，就会产生微小的裂纹，随着裂纹的不断扩大，最终引发无砟轨道结构破坏及失效，影响了无砟轨道的正常服役性能，有的地段甚至已经危及行车安全。为保证线路安全长久运营，无砟轨道的疲劳寿命分析显得极为重要。
在目前研究无砟轨道疲劳寿命的相关技术中，主要采用经验法、试制样品试验法以及从有限元理论计算分析的角度进行评估。经验法主要根据以前成熟的结构进行适当少量的结构优化和修改，通过静力分析来进行简单的校核对比和修正；试制样品试验主要通过自制试验试件进行长时间的疲劳实验来验证试件的疲劳寿命情况；有限元理论计算分析主要依据疲劳损伤理论采用疲劳分析软件对轨道结构疲劳寿命进行评估。疲劳寿命分析的案例虽已存在，但均存在一定局限性，如经验法受人为因素影响较大，且十分依赖以往已经成熟的结构，利用经验或者静力强度校核的方法来评估产品的疲劳寿命，具有很大的不准确性。试制样品试验主要从试验的角度对疲劳寿命进行分析，一般通过在敏感位置以一定的加载频率施加一定大小的荷载或进一步改进的移动荷载，反复进行足够次数的荷载作用，以此考察轨道结构部件的疲劳寿命情况，但疲劳试验需要花费大量的时间和人力成本，耗时费力，周期很长，同时也需要大量的资金支持；由于试验所花时间较长，导致不能实时反映轨道结构的疲劳寿命情况。有限元计算分析疲劳寿命的方法往往采用纯理论的方式进行研究，不能结合现场实际情况，所得到的结果无法反映轨道结构现场实际情况，说服力和实用性较差。因此十分有必要发明一种新的用于无砟轨道结构疲劳寿命预测分析的方法，以解决上述问题。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种混合驱动的无砟轨道疲劳寿命预测方法和系统。
一种混合驱动的无砟轨道疲劳寿命预测方法，包括：
S100.获取无砟轨道现场监测数据，对现场监测数据进行判断，若现场监测数据充足，执行步骤S200；若现场监测数据不足，执行步骤S300-S400；
S200.利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，不断调节模型参数和训练模型，得到基于数据驱动的轨道结构疲劳预测模型，利用基于数据驱动的轨道结构疲劳预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的；
S300.利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型；对静力分析模型和动力分析模型进行计算求解，并结合现场的监测数据，对静力分析模型和动力分析模型模型进行调整和验证；利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线；
S400.根据温度和列车疲劳荷载作用下的轨道结构应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。
进一步地，S200包括：
S201.对现场实测的轨道结构各部件应力应变、温度、位移、裂缝监测数据进行异常值的识别、剔除、修正等，得到可用的监测数据；
S202.采用小波处理分析方法对与轨道结构疲劳寿命密切相关的监测数据进行特征分析，得到轨道结构应力应变、裂缝等监测数据的频域、时域、幅值、波长等分布特征；
S203.将步骤S202处理得到的监测数据分布特征作为输入层输入到卷积神经网络等算法中，建立疲劳寿命预测模型；
S204.将轨道结构处于不同应力水平或裂缝不同尺寸下轨道结构的疲劳寿命作为预测模型的输出层，通过对预测模型进行不断的训练以及参数调整和验证，完成对疲劳寿命预测的训练，得到基于监测数据驱动的轨道结构疲劳寿命预测模型；
S205.利用基于监测数据驱动的轨道结构疲劳寿命预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的。
进一步地，S300中，有限元分析模型构建过程为：利用有限元分析软件，按照现场轨道结构实际尺寸和材料参数建立无砟轨道三维几何分析模型，对三维几何分析模型进行网格划分，生成有限元分析模型。
进一步地，S400包括：
S401.利用雨流计数法和变均值法，将将温度或列车动载作用下的无砟轨道各部件的应力时程曲线转化为对应的二维疲劳应力谱；
S402.利用古德曼曲线将二维疲劳应力谱转化为一维疲劳应力谱；
S403.结合结构疲劳参数和混凝土的S-N本构曲线材料疲劳参数，将一维疲劳应力谱和疲劳参数输入到疲劳分析软件，利用线性累积损伤理论对单次循环荷载作用下的轨道结构疲劳损伤进行求解；
S404.通过疲劳分析软件的求解得到单次循环荷载作用下的轨道结构疲劳损伤值，得到疲劳荷载作用下的可循环次数，最后将可循环次数转化为疲劳寿命，得到轨道结构在温度荷载或列车动载作用下的疲劳寿命。
进一步地，无砟轨道现场监测数据包括温度监测数据，至少包括大气温度、无砟轨道各结构层温度；应力应变监测数据，至少包括钢轨、轨道结构内部钢筋和混凝土的应力应变；位移监测数据，至少包括钢轨、轨道各结构层之间相对位移；裂缝和界面离缝监测数据，至少包括裂缝和离缝的数量、结合尺寸、间距。
进一步地，利用振弦式监测技术、光纤光栅监测技术、视频感知图像识别技术以及激光测量技术对无砟轨道现场数据进行监测。
进一步地，静力分析模型构建方法为：结合轨道结构的实际参数，根据气象局气象数据，至少包括平均风速、平均气温、日照时数、日最高、最低低气温、总辐射日总量，利用有限元软件建立无砟轨道温度场分析模型，对模型施加上述气象边界条件，并求解，结合无砟轨道现场温度监测数据，调整模型参数，确保模型的可靠性。
进一步地，动力分析模型构建过程为：利用有限元软件建立高速列车-无轨道-下部基础空间耦合动力分析有限元模型，对无砟轨道结构各部件施加边界条件和荷载，对空间耦合动力分析模型进行动力仿真计算，结合部分监测结果，对所建立的有限元模型进行验证。
本发明还公开了一种混合驱动的无砟轨道疲劳寿命预测系统，包括：监测数据判断模块、监测数据智能学习模块、有限元理论数值仿真分析模块、疲劳寿命损伤预测分析模块；其中：
监测数据判断模块，接收监测平台发送的无砟轨道监测数据，利用预设规则
对监测数据进行判断，根据判断结果将监控数据分别发送给监测数据智能学习模块和有限元理论数值仿真分析模块；
有限元理论数值仿真分析模块，利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，不断调节模型参数和训练模型，得到基于数据驱动的轨道结构疲劳预测模型，利用基于数据驱动的轨道结构疲劳预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的；
有限元理论数值仿真分析模块，利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型；对静力分析模型和动力分析模型进行计算求解，并结合现场的监测数据，对静力分析模型和动力分析模型模型进行调整和验证；利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线；
疲劳寿命损伤预测分析模块，根据温度和列车疲劳荷载作用下的轨道结构应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。
进一步地，监测数据判断模块对监测数据判断规则为：若现场监控数据充足，将监控数据发送给监测数据智能学习模块；若现场监控数据不足，将监控数据发送给有限元理论数值仿真分析模块。
本发明的有益效果是：
本发明针对现场轨道结构实测可用监测数据充足，基于现场所得到的海量监测数据，结合目前已有相关疲劳寿命的研究成果，通过采用深度学习算法建立疲劳寿命预测模型，将监测数据与轨道结构疲劳寿命建立关联关系，通过训练完成的模型，可直接通过监测数据对轨道结构的疲劳寿命进行预测。由于用于数据特征分析及模型训练的轨道数据均来自于现场轨道结构的实测数据，相较于基于仿真数据进行的疲劳寿命预测，采用本发明的此种技术方案得到的结论更加符合实际规律，更具工程应用价值；同时，由于积累了大量的实测数据，使得预测模型训练更充分，预测精度更高。此外，由于现场监测数据可以实时获取，采用本发明的技术方案能实时反映轨道结构的疲劳寿命情况，进而可以指导现场轨道结构的养护维修工作。
针对现场轨道结构实测可用监测数据较少或所得到的监测数据与疲劳寿命预测相关性较小时，通过有限元理论数值仿真分析和疲劳寿命损伤预测分析，将既有的监测数据与有限元理论数值仿真计算分析和疲劳损伤本构理论三者相结合，利用现场轨道结构的监测数据，建立能反应现场实际情况的有限元数值仿真分析模型，并利用监测数据对所建模型进行调整和验证，确保仿真计算得到的轨道结构受力变形数据正确可靠，能够反映现场的实际受力变形情况；进一步利用疲劳损伤本构理论，借助疲劳分析软件，得到无砟轨道结构的疲劳寿命。相较于有限元纯理论的疲劳寿命预测方法，本发明所采用的技术方案结合了现场的实测监测数据，能更为真实和准确的反映轨道结构实际的疲劳寿命情况，避免了经验法带来的不准确性以及不能结合现场实际情况，导致所得到的结果说服力和实用性较差的缺点。
综上，本发明分析结果准确可靠，可操作性强；节省了大量的人力、物力成本，提升了效率，缩短了周期，并结合大数据机器智能学习，将大数据智能学习运用到无砟轨道疲劳寿命预测中，开辟了无砟轨道寿命预测的新思路，推动了无砟轨道疲劳寿命分析的发展，具有较强的创新性和工程应用价值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种混合驱动的无砟轨道疲劳寿命预测方法流程图；
图2为本发明实施例1中，S200方法具体流程图；
图3为本发明实施例1中，S400方法具体流程图；
图4为本发明实施例1中，温度循环荷载作用的静力分析模型图；
图5为本发明实施例1中，高速列车-无轨道-下部基础空间耦合动力分析模型；
图6为本发明实施例1中，高速列车-无轨道-下部基础空间耦合动力分析模型计算到的道床板顶面应力时程图；
图7为本发明施例1中，温度循环荷载作用的无砟轨道静力分析模型计算得到的道床板顶面应力时程图；
图8为本发明实施例2中，一种混合驱动的无砟轨道疲劳寿命预测结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
本实施例公开了一种混合驱动的无砟轨道疲劳寿命预测方法，如图1，包括：
S100.获取无砟轨道现场监测数据，对现场监测数据进行判断，若现场监测数据充足，执行步骤S200；若现场监测数据不足，执行步骤S300-S400。
具体的，监测数据包括温度监测数据，如大气温度、无砟轨道各结构层温度；应力应变监测数据，如钢轨、轨道结构内部钢筋和混凝土的应力应变等；位移监测数据，如钢轨、轨道各结构层之间相对位移等；裂缝和界面离缝监测数据，包括裂缝和离缝的数量、结合尺寸、间距等。
在一些优选实施例中，监测数据主要来源于通过对现场无砟轨道采用振弦式监测技术、光纤光栅监测技术、视频感知图像识别技术以及激光测量技术等，对无砟轨道的服役状态包括温度场、受力变形特征等进行综合监测而得到。
S200.利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，不断调节模型参数和训练模型，得到基于数据驱动的轨道结构疲劳预测模型，利用基于数据驱动的轨道结构疲劳预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的。
具体的，如图2，S200包括：
S201.对现场实测的轨道结构各部件应力应变、温度、位移、裂缝监测数据进行异常值的识别、剔除、修正等，得到可用的监测数据；
S202.采用小波处理分析方法对与轨道结构疲劳寿命密切相关的监测数据进行特征分析，得到轨道结构应力应变、裂缝等监测数据的频域、时域、幅值、波长等分布特征；
S203.将步骤S202处理得到的监测数据分布特征作为输入层输入到卷积神经网络等算法中，建立疲劳寿命预测模型；
S204.将轨道结构处于不同应力水平或裂缝不同尺寸下轨道结构的疲劳寿命作为预测模型的输出层，通过对预测模型进行不断的训练以及参数调整和验证，完成对疲劳寿命预测的训练，得到基于监测数据驱动的轨道结构疲劳寿命预测模型；
S205.利用基于监测数据驱动的轨道结构疲劳寿命预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的。
S300.利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型；对静力分析模型和动力分析模型进行计算求解，并结合现场的监测数据，对静力分析模型和动力分析模型模型进行调整和验证；利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线。
在一些优选实施例中，有限元分析模型构建过程为：利用有限元分析软件，按照现场轨道结构实际尺寸和材料参数建立无砟轨道三维几何分析模型，对三维几何分析模型进行网格划分，生成有限元分析模型。
在一些优选实施例中，静力分析模型构建方法为：结合轨道结构的实际参数，根据气象局气象数据，至少包括平均风速、平均气温、日照时数、日最高、最低低气温、总辐射日总量，利用有限元软件建立无砟轨道温度场分析模型，对模型施加上述气象边界条件，并求解，结合无砟轨道现场温度监测数据，调整模型参数，确保模型的可靠性。
在一些优选实施例中，动力分析模型构建过程为：利用有限元软件建立高速列车-无轨道-下部基础空间耦合动力分析有限元模型，对无砟轨道结构各部件施加边界条件和荷载，对空间耦合动力分析模型进行动力仿真计算，结合部分监测结果，对所建立的有限元模型进行验证。
S400.根据温度和列车疲劳荷载作用下的轨道结构应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。
具体的，如图3，S400包括：
S401.利用雨流计数法和变均值法，将将温度或列车动载作用下的无砟轨道各部件的应力时程曲线转化为对应的二维疲劳应力谱；
S402.利用古德曼曲线将二维疲劳应力谱转化为一维疲劳应力谱；
S403.结合结构疲劳参数和混凝土的S-N本构曲线材料疲劳参数，将一维疲劳应力谱和疲劳参数输入到疲劳分析软件，利用线性累积损伤理论对单次循环荷载作用下的轨道结构疲劳损伤进行求解；
S404.通过疲劳分析软件的求解得到单次循环荷载作用下的轨道结构疲劳损伤值，得到疲劳荷载作用下的可循环次数，最后将可循环次数转化为疲劳寿命，得到轨道结构在温度荷载或列车动载作用下的疲劳寿命。
在一些优选实施例中，针对现场的实际情况，还需要特别注意某些物理和化学因素，如冻融循环、酸性物质侵蚀、氯盐侵蚀、碱骨料反应、碳化等，会影响无砟轨道的结构材料参数，如弹性模量、泊松比等，还会一定程度影响材料疲劳损伤本构(S-N曲线)；可结合现场特殊环境进行相应的试验，并结合既有的相关研究确定对轨道结构疲劳寿命的影响。对于已经存在离缝或裂缝的轨道结构可通过引入折算损伤当量，对存在裂缝或离缝的轨道结构的疲劳寿命预测进行进一步的修正。
为了更好理解本实施例，下面结合具体案例对S300-S400进行说明。图4和图5分别是按照S300步骤建立的温度循环荷载作用的静力分析模型和高速列车-无轨道-下部基础空间耦合动力分析模型。
当考虑列车动载作用下，可得出道床板的应力循环曲线见图6所示，通过Tepfers拉伸疲劳实验推导出的混凝土抗拉疲劳方程：
S＝1-0.0685(1-R)lgN
式中：
Figure BDA0002510671710000111
其中，σmax、σmin分别为疲劳应力的上下限；ft为混凝土静载作用下的轴心抗拉强度；N为疲劳寿命。
将道床板的应力时程曲线通过雨流计数法、变均值法和Goodman曲线转化为疲劳载荷谱，并结合S-N本构曲线，输入到疲劳分析软件如FE-safe、HBM ncode中，通过疲劳寿命计算得到单次疲劳损伤为3.379×10-12，由于一列列车有8个编组16个转向架，因此单列列车通过时道床板疲劳损伤为5.407×10-11，假设列车每日通行110对220辆，即可得每日由列车荷载作用下疲劳损伤为1.18954×10-8。
温度荷载考虑为45℃/m，即白天板面比板底高9.8℃，夜晚板底比板面高9.8℃的荷载作用，通过有限元数值仿真计算可得到道床板的应力循环曲线见图7所示。由Cornelissen对混凝土轴心拉-压疲劳性能的实验研究得出的S-N方程可得：
Figure BDA0002510671710000121
式中：σmax、σmin分别为疲劳应力的上下限；ft、fc分别为凝土静载作用下的轴心抗拉、抗拉强度；N为疲劳寿命。
同理将温度荷载作用下的道床板应力时程曲线通过雨流计数法、变均值法和Goodman曲线转化为疲劳载荷谱，并结合S-N本构曲线，输入到疲劳分析软件中计算可得到一天道床板的疲劳损伤为4.22×10-5，由此可得在温度梯度荷载作用下的道床板疲劳寿命为64.9年。由于列车荷载作用下疲劳损伤相较于温度荷载作用下疲劳损伤较小，因此可以忽略不计，综上可得，轨道板疲劳寿命为64.9年。
本实施例公开的一种混合驱动的无砟轨道疲劳寿命预测方法，针对现场轨道结构实测可用监测数据充足，基于现场所得到的海量监测数据，结合目前已有相关疲劳寿命的研究成果，通过采用深度学习算法建立疲劳寿命预测模型，将监测数据与轨道结构疲劳寿命建立关联关系，通过训练完成的模型，可直接通过监测数据对轨道结构的疲劳寿命进行预测。由于用于数据特征分析及模型训练的轨道数据均来自于现场轨道结构的实测数据，相较于基于仿真数据进行的疲劳寿命预测，采用本发明的此种技术方案得到的结论更加符合实际规律，更具工程应用价值；同时，由于积累了大量的实测数据，使得预测模型训练更充分，预测精度更高。此外，由于现场监测数据可以实时获取，采用本发明的技术方案能实时反映轨道结构的疲劳寿命情况，进而可以指导现场轨道结构的养护维修工作。
针对现场轨道结构实测可用监测数据较少或所得到的监测数据与疲劳寿命预测相关性较小时，通过有限元理论数值仿真分析和疲劳寿命损伤预测分析，将既有的监测数据与有限元理论数值仿真计算分析和疲劳损伤本构理论三者相结合，利用现场轨道结构的监测数据，建立能反应现场实际情况的有限元数值仿真分析模型，并利用监测数据对所建模型进行调整和验证，确保仿真计算得到的轨道结构受力变形数据正确可靠，能够反映现场的实际受力变形情况；进一步利用疲劳损伤本构理论，借助疲劳分析软件，得到无砟轨道结构的疲劳寿命。相较于有限元纯理论的疲劳寿命预测方法，本发明所采用的技术方案结合了现场的实测监测数据，能更为真实和准确的反映轨道结构实际的疲劳寿命情况，避免了经验法带来的不准确性以及不能结合现场实际情况，导致所得到的结果说服力和实用性较差的缺点。
实施例2
本实施例公开了一种混合驱动的无砟轨道疲劳寿命预测系统，如图8，包括：监测数据判断模块1、监测数据智能学习模块2、有限元理论数值仿真分析模块3、疲劳寿命损伤预测分析模块4；其中：
监测数据判断模块1，接收监测平台发送的无砟轨道监测数据，利用预设规则对监测数据进行判断，根据判断结果将监控数据分别发送给监测数据智能学习模块2和有限元理论数值仿真分析模块3。
具体的，监测数据判断模块1对监测数据判断规则为：若现场监控数据充足，将监控数据发送给监测数据智能学习模块2；若现场监控数据不足，将监控数据发送给有限元理论数值仿真分析模块3。
监测数据智能学习模块2，利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，不断调节模型参数和训练模型，得到基于数据驱动的轨道结构疲劳预测模型，利用基于数据驱动的轨道结构疲劳预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的。
有限元理论数值仿真分析模块3，利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型；对静力分析模型和动力分析模型进行计算求解，并结合现场的监测数据，对静力分析模型和动力分析模型模型进行调整和验证；利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线。
疲劳寿命损伤预测分析模块4，根据温度和列车疲劳荷载作用下的轨道结构应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。
本实施例公开的一种混合驱动的无砟轨道疲劳寿命预测系统，通过监测数据智能学习模块，基于现场所得到的海量监测数据，结合目前已有相关疲劳寿命的研究成果，通过采用深度学习算法建立疲劳寿命预测模型，将监测数据与轨道结构疲劳寿命建立关联关系，通过训练完成的模型，可直接通过监测数据对轨道结构的疲劳寿命进行预测。由于用于数据特征分析及模型训练的轨道数据均来自于现场轨道结构的实测数据，相较于基于仿真数据进行的疲劳寿命预测，采用本专利的此种技术方案得到的结论更加符合实际规律，更具工程应用价值；同时，由于积累了大量的实测数据，使得预测模型训练更充分，预测精度更高。此外，由于现场监测数据可以实时获取，采用本专利的技术方案能实时反映轨道结构的疲劳寿命情况，进而可以指导现场轨道结构的养护维修工作。
针对现场轨道结构实测可用监测数据较少或所得到的监测数据与疲劳寿命预测相关性较小时，通过有限元理论数值仿真分析模块和疲劳寿命损伤预测分析模块，将既有的监测数据与有限元理论数值仿真计算分析和疲劳损伤本构理论三者相结合，利用现场轨道结构的监测数据，建立能反应现场实际情况的有限元数值仿真分析模型，并利用监测数据对所建模型进行调整和验证，确保仿真计算得到的轨道结构受力变形数据正确可靠，能够反映现场的实际受力变形情况；进一步利用疲劳损伤本构理论，借助疲劳分析软件，得到无砟轨道结构的疲劳寿命。相较于有限元纯理论的疲劳寿命预测方法，本专利所采用的技术方案结合了现场的实测监测数据，能更为真实和准确的反映轨道结构实际的疲劳寿命情况，避免了经验法带来的不准确性以及不能结合现场实际情况，导致所得到的结果说服力和实用性较差的缺点。
综上，本实施例分析结果准确可靠，可操作性强；节省了大量的人力、物力成本，提升了效率，缩短了周期，并结合大数据机器智能学习，将大数据智能学习运用到无砟轨道疲劳寿命预测中，开辟了无砟轨道寿命预测的新思路，推动了无砟轨道疲劳寿命分析的发展，具有较强的创新性和工程应用价值。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，包括：
S100.获取无砟轨道现场监测数据，对现场监测数据进行判断，若现场监测数据充足，执行步骤S200；若现场监测数据不足，执行步骤S300-S400；
S200.利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，不断调节模型参数和训练模型，得到基于数据驱动的轨道结构疲劳预测模型，利用基于数据驱动的轨道结构疲劳预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的；
S300.利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型；对静力分析模型和动力分析模型进行计算求解，并结合现场的监测数据，对静力分析模型和动力分析模型模型进行调整和验证；利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线；
S400.根据温度和列车疲劳荷载作用下的轨道结构应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。
2.如权利要求1的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，S200包括：
S201.对现场实测的轨道结构各部件应力应变、温度、位移、裂缝监测数据进行异常值的识别、剔除、修正等，得到可用的监测数据；
S202.采用小波处理分析方法对与轨道结构疲劳寿命密切相关的监测数据进行特征分析，得到轨道结构应力应变、裂缝等监测数据的频域、时域、幅值、波长等分布特征；
S203.将步骤S202处理得到的监测数据分布特征作为输入层输入到卷积神经网络等算法中，建立疲劳寿命预测模型；
S204.将轨道结构处于不同应力水平或裂缝不同尺寸下轨道结构的疲劳寿命作为预测模型的输出层，通过对预测模型进行不断的训练以及参数调整和验证，完成对疲劳寿命预测的训练，得到基于监测数据驱动的轨道结构疲劳寿命预测模型；
S205.利用基于监测数据驱动的轨道结构疲劳寿命预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的。
3.如权利要求1的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，S300中，有限元分析模型构建过程为：利用有限元分析软件，按照现场轨道结构实际尺寸和材料参数建立无砟轨道三维几何分析模型，对三维几何分析模型进行网格划分，生成有限元分析模型。
4.如权利要求1的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，S400包括：
S401.利用雨流计数法和变均值法，将将温度或列车动载作用下的无砟轨道各部件的应力时程曲线转化为对应的二维疲劳应力谱；
S402.利用古德曼曲线将二维疲劳应力谱转化为一维疲劳应力谱；
S403.结合结构疲劳参数和混凝土的S-N本构曲线材料疲劳参数，将一维疲劳应力谱和疲劳参数输入到疲劳分析软件，利用线性累积损伤理论对单次循环荷载作用下的轨道结构疲劳损伤进行求解；
S404.通过疲劳分析软件的求解得到单次循环荷载作用下的轨道结构疲劳损伤值，得到疲劳荷载作用下的可循环次数，最后将可循环次数转化为疲劳寿命，得到轨道结构在温度荷载或列车动载作用下的疲劳寿命。
5.如权利要求1的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，无砟轨道现场监测数据包括温度监测数据，至少包括大气温度、无砟轨道各结构层温度；应力应变监测数据，至少包括钢轨、轨道结构内部钢筋和混凝土的应力应变；位移监测数据，至少包括钢轨、轨道各结构层之间相对位移；裂缝和界面离缝监测数据，至少包括裂缝和离缝的数量、结合尺寸、间距。
6.如权利要求5的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，利用振弦式监测技术、光纤光栅监测技术、视频感知图像识别技术以及激光测量技术对无砟轨道现场数据进行监测。
7.如权利要求1的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，静力分析模型构建方法为：结合轨道结构的实际参数，根据气象局气象数据，至少包括平均风速、平均气温、日照时数、日最高、最低低气温、总辐射日总量，利用有限元软件建立无砟轨道温度场分析模型，对模型施加上述气象边界条件，并求解，结合无砟轨道现场温度监测数据，调整模型参数，确保模型的可靠性。
8.如权利要求1的一种混合驱动的无砟轨道疲劳寿命预测方法，其特征在于，动力分析模型构建过程为：利用有限元软件建立高速列车-无轨道-下部基础空间耦合动力分析有限元模型，对无砟轨道结构各部件施加边界条件和荷载，对空间耦合动力分析模型进行动力仿真计算，结合部分监测结果，对所建立的有限元模型进行验证。
9.一种混合驱动的无砟轨道疲劳寿命预测系统，包括：监测数据判断模块、监测数据智能学习模块、有限元理论数值仿真分析模块、疲劳寿命损伤预测分析模块；其中：
监测数据判断模块，接收监测平台发送的无砟轨道监测数据，利用预设规则
对监测数据进行判断，根据判断结果将监控数据分别发送给监测数据智能学习模块和有限元理论数值仿真分析模块；
有限元理论数值仿真分析模块，利用疲劳寿命神经网络预测模型，将充足的现场监测数据作为神经网络模型的输入，无砟轨道结构的疲劳寿命作为输出，不断调节模型参数和训练模型，得到基于数据驱动的轨道结构疲劳预测模型，利用基于数据驱动的轨道结构疲劳预测模型，将新无砟轨道监测数据进行输入，达到对轨道结构各部件疲劳寿命预测的目的
有限元理论数值仿真分析模块，利用不足的现场监测数据作为有限元分析模型的荷载边界条件，得到温度荷载作用的静力分析模型和列车动载作用的动力分析模型；对静力分析模型和动力分析模型进行计算求解，并结合现场的监测数据，对静力分析模型和动力分析模型模型进行调整和验证；利用模型对数值仿真计算，得到温度和列车疲劳荷载作用下的无砟轨道各组成部件的应力时程曲线；
疲劳寿命损伤预测分析模块，根据温度和列车疲劳荷载作用下的轨道结构应力时程曲线，利用疲劳损伤理论和疲劳分析软件进行无砟轨道结构疲劳寿命预测。
10.如权利要求9的一种混合驱动的无砟轨道疲劳寿命预测系统，其特征在于，监测数据判断模块对监测数据判断规则为：若现场监控数据充足，将监控数据发送给监测数据智能学习模块；若现场监控数据不足，将监控数据发送给有限元理论数值仿真分析模块。
CN202010460074.9A 2020-05-27 2020-05-27 一种混合驱动的无砟轨道疲劳寿命预测方法和系统 Active CN111859724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010460074.9A CN111859724B (zh) 2020-05-27 2020-05-27 一种混合驱动的无砟轨道疲劳寿命预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010460074.9A CN111859724B (zh) 2020-05-27 2020-05-27 一种混合驱动的无砟轨道疲劳寿命预测方法和系统

Publications (2)

Publication Number Publication Date
CN111859724A true CN111859724A (zh) 2020-10-30
CN111859724B CN111859724B (zh) 2023-06-02

Family

ID=72985233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010460074.9A Active CN111859724B (zh) 2020-05-27 2020-05-27 一种混合驱动的无砟轨道疲劳寿命预测方法和系统

Country Status (1)

Country Link
CN (1) CN111859724B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035781A (zh) * 2020-11-06 2020-12-04 广州汽车集团股份有限公司 橡胶隔振器耐久寿命预测方法、装置、设备及存储介质
CN112364550A (zh) * 2020-12-11 2021-02-12 潍柴动力股份有限公司 薄壁焊接结构疲劳寿命预测方法和装置
CN112883562A (zh) * 2021-02-01 2021-06-01 上海交通大学三亚崖州湾深海科技研究院 基于神经网络算法的海洋平台实测应力谱修补方法
CN113821952A (zh) * 2021-09-18 2021-12-21 国网浙江省电力有限公司舟山供电公司 一种基于卡尔曼滤波算法的数字孪生无砟轨道优化方法
CN114235448A (zh) * 2021-12-08 2022-03-25 中车青岛四方机车车辆股份有限公司 一种轨道车辆转向架车轮疲劳损伤评估方法及系统
CN114547734A (zh) * 2022-01-28 2022-05-27 西南交通大学 一种无砟轨道自密实混凝土疲劳损伤计算方法
CN114781250A (zh) * 2022-04-11 2022-07-22 西南交通大学 一种基于机器学习的多因素影响环境疲劳寿命预测方法
CN114925498A (zh) * 2022-04-24 2022-08-19 西南交通大学 考虑曲率过渡的三维弹塑性轮轨法向载荷快速计算方法
CN115753455A (zh) * 2022-11-03 2023-03-07 上海理工大学 基于模型与数据混合驱动的电驱动系统多维载荷预测方法
CN115963008A (zh) * 2023-02-15 2023-04-14 中国铁道科学研究院集团有限公司铁道建筑研究所 一种全生命周期的无砟轨道层状叠合结构混凝土动态性能试验方法
CN115964920A (zh) * 2023-03-16 2023-04-14 武汉大学 基于有限元仿真的无砟轨道ca砂浆层脱空长度的估算方法
CN116090111A (zh) * 2023-04-10 2023-05-09 华东交通大学 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN117436318A (zh) * 2023-12-20 2024-01-23 广东博思信息技术股份有限公司 基于物联网的智慧楼宇管理方法及系统
US11893322B2 (en) 2020-06-26 2024-02-06 Loram Technologies, Inc. Method and system for predicting wear in a rail system
CN117875139A (zh) * 2024-03-13 2024-04-12 中南大学 无砟轨道多尺度损伤演变分析方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631124A (zh) * 2015-12-28 2016-06-01 北京交通大学 一种基于扩展有限元与疲劳分析联合求解的无砟轨道病害分析方法
CN106250604A (zh) * 2016-07-27 2016-12-21 中南大学 桥上纵连板式无砟轨道疲劳应力谱分析方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631124A (zh) * 2015-12-28 2016-06-01 北京交通大学 一种基于扩展有限元与疲劳分析联合求解的无砟轨道病害分析方法
CN106250604A (zh) * 2016-07-27 2016-12-21 中南大学 桥上纵连板式无砟轨道疲劳应力谱分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘大玲等: "高速铁路无砟轨道系统状态监测及预防性维修", 《中国机械工程》 *
徐庆元等: "桥上纵连板式无砟轨道疲劳应力谱的理论研究", 《西南交通大学学报》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11893322B2 (en) 2020-06-26 2024-02-06 Loram Technologies, Inc. Method and system for predicting wear in a rail system
US11947881B2 (en) 2020-06-26 2024-04-02 Loram Technologies, Inc. Method and system for performing and comparing financial analysis of different rail life scenarios in a rail system
CN112035781A (zh) * 2020-11-06 2020-12-04 广州汽车集团股份有限公司 橡胶隔振器耐久寿命预测方法、装置、设备及存储介质
CN112364550A (zh) * 2020-12-11 2021-02-12 潍柴动力股份有限公司 薄壁焊接结构疲劳寿命预测方法和装置
CN112883562A (zh) * 2021-02-01 2021-06-01 上海交通大学三亚崖州湾深海科技研究院 基于神经网络算法的海洋平台实测应力谱修补方法
CN112883562B (zh) * 2021-02-01 2023-02-24 上海交通大学三亚崖州湾深海科技研究院 基于神经网络算法的海洋平台实测应力谱修补方法
CN113821952A (zh) * 2021-09-18 2021-12-21 国网浙江省电力有限公司舟山供电公司 一种基于卡尔曼滤波算法的数字孪生无砟轨道优化方法
CN113821952B (zh) * 2021-09-18 2024-02-20 国网浙江省电力有限公司舟山供电公司 一种基于卡尔曼滤波算法的数字孪生无砟轨道优化方法
CN114235448A (zh) * 2021-12-08 2022-03-25 中车青岛四方机车车辆股份有限公司 一种轨道车辆转向架车轮疲劳损伤评估方法及系统
CN114547734A (zh) * 2022-01-28 2022-05-27 西南交通大学 一种无砟轨道自密实混凝土疲劳损伤计算方法
CN114781250A (zh) * 2022-04-11 2022-07-22 西南交通大学 一种基于机器学习的多因素影响环境疲劳寿命预测方法
CN114925498B (zh) * 2022-04-24 2023-05-05 西南交通大学 考虑曲率过渡的三维弹塑性轮轨法向载荷快速计算方法
CN114925498A (zh) * 2022-04-24 2022-08-19 西南交通大学 考虑曲率过渡的三维弹塑性轮轨法向载荷快速计算方法
CN115753455A (zh) * 2022-11-03 2023-03-07 上海理工大学 基于模型与数据混合驱动的电驱动系统多维载荷预测方法
CN115753455B (zh) * 2022-11-03 2024-02-13 上海理工大学 基于模型与数据混合驱动的电驱动系统多维载荷预测方法
CN115963008B (zh) * 2023-02-15 2024-05-28 中国铁道科学研究院集团有限公司铁道建筑研究所 一种全生命周期的无砟轨道层状叠合结构混凝土动态性能试验方法
CN115963008A (zh) * 2023-02-15 2023-04-14 中国铁道科学研究院集团有限公司铁道建筑研究所 一种全生命周期的无砟轨道层状叠合结构混凝土动态性能试验方法
CN115964920A (zh) * 2023-03-16 2023-04-14 武汉大学 基于有限元仿真的无砟轨道ca砂浆层脱空长度的估算方法
CN116090111B (zh) * 2023-04-10 2023-06-23 华东交通大学 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN116090111A (zh) * 2023-04-10 2023-05-09 华东交通大学 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN117436318A (zh) * 2023-12-20 2024-01-23 广东博思信息技术股份有限公司 基于物联网的智慧楼宇管理方法及系统
CN117436318B (zh) * 2023-12-20 2024-05-17 广东博思信息技术股份有限公司 基于物联网的智慧楼宇管理方法及系统
CN117875139A (zh) * 2024-03-13 2024-04-12 中南大学 无砟轨道多尺度损伤演变分析方法及系统
CN117875139B (zh) * 2024-03-13 2024-05-24 中南大学 无砟轨道多尺度损伤演变分析方法及系统

Also Published As

Publication number Publication date
CN111859724B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN111859724A (zh) 一种混合驱动的无砟轨道疲劳寿命预测方法和系统
CN107315862B (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN113900381B (zh) 一种基于物联网的钢结构远程健康监测平台及应用方法
CN114282398A (zh) 一种基于大数据的桥梁健康监测系统及方法
CN102880907B (zh) 风速校正方法和装置
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
Ding et al. Structural health monitoring of a high-speed railway bridge: five years review and lessons learned
CN117636073A (zh) 混凝土缺陷检测方法、装置及存储介质
CN104504769A (zh) 轨道交通桥梁隧道结构电子病害采集系统及采集分析方法
Šestaková et al. Degradation-prediction models of the railway track quality
KR101024118B1 (ko) 농업용 시설구조물의 구조안전진단장치
CN113821952B (zh) 一种基于卡尔曼滤波算法的数字孪生无砟轨道优化方法
Svendsen Numerical and experimental studies for damage detection and structural health monitoring of steel bridges
KR100479885B1 (ko) 원격 교량 제어 시스템 및 방법
Desjardins Structural health assessment of bridges by long-term vibration monitoring and automated operational modal analysis
Sala et al. Wireless transmission system for a railway bridge subject to structural health monitoring
Cunha et al. Continuous dynamic monitoring of bridges: Different perspectives of application
Loendersloot et al. Implementation of a complete vibration monitoring system on Irish rail bridge D1. 5
Wickramasinghe Damage detection in suspension bridges using vibration characteristics
Ni Structural health monitoring for civil infrastructure systems: from research to application
Huang et al. Damage identification of truss bridges based on feature transferable digital twins
Gislason Rapid damage detection in buildings through ARMAX analysis of wind induced vibrations
Frenz Development of a model-free damage detection algorithm using AR-models and its application to a riveted steel railway bridge
Baghaei et al. Residual capacity estimation of bridges using structural health monitoring data
CN116756833A (zh) 铁路桥梁参数动态识别评估方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant