Yüksek hızlı demiryollarında beton ray plaklarının çok ölçekli yorulma ömrü tahmini için fizik kılavuzlu GNN-transformer modeli

Rayların neden "yorulduğu"

Yüksek hızlı trenler, milyonlarca geçen tekerleği sessizce taşıyan beton plaklar üzerinde pürüzsüzce hareket eder. Yıllar süren hizmet boyunca bu sürekli darbeler, aynı bir tel zımba telini tekrar tekrar bükmenin zamanla kırmasına benzer şekilde betonu yavaşça zayıflatabilir. Mühendisler bu plakların ne kadar süre dayanacağını yanlış değerlendirirse, sonuç maliyetli gereksiz bakım olabilir — veya daha kötüsü, güvenlik riski doğabilir. Bu çalışma, beton plakların ne zaman "yorulup" başarısız olabileceğini, gizemli bir kara kutu yerine gerçek fizik yasalarıyla yönlendirilen gelişmiş yapay zekâ kullanarak tahmin etmenin yeni bir yolunu sunar.

Betonun içini ve trenlerin altını görmek

Beton katı görünse de, mikroskop altında gözenekler, küçük çatlaklar ve tanelerle doludur. Bu mikroskobik özellikler, trenlerin üzerinden geçmesiyle hasarın nasıl başladığını ve yayıldığını belirler. Aynı zamanda trenler rayı basit, düzenli bir şekilde yüklemez: hız değişimleri, hat düzensizlikleri ve diğer faktörler kuvvetlerin son derece rastgele bir desen oluşturmasına neden olur. Geleneksel tahmin yöntemleri ya betonun ince detaylarını görmezden gelir ya da yükleme geçmişini aşırı basitleştirir; bu da modern yüksek hızlı hatlar için güvenilirliklerini azaltır. Yazarlar, doğru ve güvenilir bir modelin hem malzemenin içindeki "zayıf noktaları" hem de maruz kaldığı dağınık, gerçek dünya yüklemelerini dikkate alması gerektiğini savunuyor.

Görüntüleri ve titreşimleri sayılara dönüştürmek

Betonun iç yapısını yakalamak için araştırmacılar, farklı yorulma hasarı aşamalarındaki beton numunelerinin yüksek kaliteli mikroskobik görüntüleriyle başlar. Bu görüntüleri otomatik olarak segmentlere ayırır, gözenekler ve tane sınırları gibi ana özellikleri belirler ve bunları her bir gözenek veya kusurun bir "düğüm" olduğu ve yakın özelliklerin "kenarlarla" bağlandığı bir ağ ya da grafik haline getirirler. Bu tür grafikler için tasarlanmış bir sinir ağı, zayıf noktalar ağının nasıl düzenlendiğini ve çatlak büyümesini nasıl yönlendirebileceğini öğrenir. Paralel olarak ekip, tren–ray etkileşiminin ayrıntılı bir bilgisayar modelini kullanarak gerçekçi gerilme geçmişleri üretir—temelde trenler tipik hızlarda seyrederken zaman içinde oluşan itme-çekme kuvvetleri. Bu karmaşık, düzensiz sinyaller temizlenir, standartlaştırılır ve zaman serilerindeki kalıpları tanımada uzmanlaşmış ikinci bir sinir ağına beslenir.

İki bakışı tek bir yorulma tahmininde harmanlamak

Yöntemin özü bu iki bilgi akışını birleştirmektir: betonun mikro düzey haritası ile tren yüklemesinin makro düzey kaydı. Grafik tabanlı ağ, iç yapıyı kompakt bir sayısal parmak izi haline getirirken, zaman serisi ağı rastgele yükleme geçmişinden en önemli desenleri çıkarır. Bu parmak izleri daha sonra birleştirilir ve üç çıkış dalına besleyen ortak bir çekirdek modelden geçirilir. Sistem tek bir sayı tahmin etmek yerine toplam yorulma ömrünü (kaç döngüde arıza oluşacağı), hasarın ne kadar hızla büyüdüğünü ve belirli bir aşamadaki betonun kalan mukavemetini tahmin eder. Bu çok çıktılı tasarım, mühendislerin gerçekten önemsediğini yansıtır: yalnızca "ne zaman kırılacak?" değil, ayrıca "ne kadar hızlı bozuluyor?" ve "şu anda ne kadar mukavemet kaldı?"

Performans ve hızın test edilmesi

Yazarlar modellerini standartlaştırılmış veri setleri üzerinde titizlikle eğitir ve test eder, yaygın doğruluk ölçütlerini kullanır. Fizik kılavuzlu sistemleri, yalnızca zaman serisi veya yalnızca yapısal bilgi kullanan veya görevleri birleştirmeyen birkaç ileri karşılaştırma modelini tutarlı şekilde geride bırakır. Yeni model veriye iyi uyar ve tahmin hatalarını nispeten düşük tutar; bu da yorulma davranışındaki çoğu değişimi açıklayabildiğini gösterir. Gerçek dünya izleme sistemleri için aynı derecede önemli olan nokta, her bir tahmini modern donanımda bir saniyeden kısa sürede yapması ve mevcut grafik işlemci kapasitesinin yarısından azını kullanmasıdır. Bu doğruluk ve verimlilik dengesi, modelin demiryolu altyapısı için çevrimiçi sağlık izleme platformlarına entegre edilebileceğini gösterir.

Daha güvenli demiryolları için anlamı

Günlük ifadeyle çalışma, beton ray plakları için geçmiş verilere dayanıp tahmin yapan değil, çatlakların gerçekten nasıl oluştuğu ve büyüdüğüyle temellendirilen bir yapay zekâ "erken uyarı" aracının inşa edilebileceğini gösterir. Betonun içinde olup bitenleri ile trenlerin üzerinde gerçekte yaptığı şeyi birleştirerek model, hizmet ömrü ve kalan mukavemet hakkında daha güvenilir tahminler verebilir. Bu da sırasıyla demiryolu işletmecilerinin hasar kritik hale gelmeden önce bakım planlamasına, gereksiz değişikliklerden kaçınmaya ve geniş ağları daha güvenli ve ekonomik şekilde yönetmeye yardımcı olabilir. Saha verileriyle daha fazla test gerekli olsa da, bu fizik kılavuzlu yaklaşım kritik altyapı parçaları için daha akıllı, daha şeffaf dijital ikizlere işaret ediyor.

Atıf: Su, X., Lou, P. & Zha, Z. Physics-guided GNN-transformer model for multi-scale fatigue life prediction of concrete track slabs in high-speed railways. Sci Rep 16, 6755 (2026). https://doi.org/10.1038/s41598-026-37173-y

Anahtar kelimeler: yüksek hızlı demiryolu, beton yorulması, yapısal sağlık izleme, graf sinir ağları, öngörücü bakım