基于物理引导的GNN-Transformer模型用于高速铁路混凝土轨道板的多尺度疲劳寿命预测

为什么铁轨会“疲劳”

高速列车在混凝土板上平稳滑行，这些轨道板在无数车轮碾过中默默承受着应力。多年服役后，这种反复冲击会逐步削弱混凝土，就像反复弯折会折断回形针一样。如果工程师对轨道板的寿命估计不准确，可能造成昂贵的过度维护——或者更糟的是带来安全隐患。本研究提出了一种新的预测方法，用先进的人工智能结合物理知识来判断轨道板何时可能“疲劳”失效，避免成为一个不透明的黑箱。

从混凝土内部到列车荷载的细节观察

混凝土看起来坚固，但在显微镜下充满了气孔、微裂纹和晶粒。这些微观特征决定了损伤在列车碾压时如何起始和扩展。同时，列车对轨道的加载并非简单规律：速度变化、轨道不规则性等因素造成高度随机的力学作用历史。传统预测方法要么忽略混凝土的微观细节，要么过度简化加载历史，因此在现代高速铁路上不够可靠。作者认为，准确可靠的模型必须同时考虑材料内部的“薄弱点”和其所经历的复杂、真实的荷载过程。

把显微图像和振动信号转换为数字

为捕捉混凝土的内部结构，研究人员首先获取不同疲劳阶段混凝土样本的高质量显微图像。他们自动分割这些图像，识别气孔和晶界等关键特征，并将其构建为一个网络或图：每个孔隙或缺陷为“节点”，相邻特征通过“边”连接。针对图结构设计的神经网络学习这些薄弱点分布及其对裂纹扩展的引导作用。与此同时，团队使用列车-轨道相互作用的详细数值模型生成逼真的应力历史——即列车以典型速度运行时随时间变化的推拉力。这些复杂而不规则的信号被清洗、标准化，并输入到专门识别时序模式的第二类神经网络中。

将两种视角融合为疲劳预测

方法的核心是融合这两条信息流：混凝土的微观结构图和列车荷载的宏观时间记录。基于图的网络将内部结构提炼为紧凑的数值指纹，而时序网络从随机荷载历史中提取最重要的模式。随后将这些指纹组合并输入共享的核心模型，核心模型输出三条分支。系统并非只预测一个数值，而是估计总疲劳寿命（直到失效的循环次数）、损伤增长速率以及在给定阶段混凝土的剩余强度。这种多输出设计反映了工程师关心的真实问题：不仅“什么时候会断？”，还有“退化速度多快？”和“现在还剩多少强度？”

性能与速度测试

作者在标准数据集上严格训练和测试他们的模型，使用常见的精度度量。他们的物理引导系统持续优于若干仅使用时序或仅使用结构信息，或未进行任务组合的先进对比模型。新模型对数据拟合良好并保持较低的预测误差，表明它能解释疲劳行为的大部分变化。同样对实际监测系统重要的是，该模型在现代硬件上每次预测耗时不到一秒，同时占用的图形处理器资源不到总容量的一半。精度与效率并重表明该模型可被集成到轨道基础设施的在线健康监测平台中。

对更安全铁路的意义

通俗来说，本研究表明可以构建一种不会仅凭历史数据盲目推断、而是基于裂纹真实形成与扩展机理的AI“预警”工具。通过将混凝土内部发生的事情与列车实际施加的荷载相结合，模型能提供更可靠的服役寿命和剩余强度估计。这反过来能帮助铁路运营者在损伤变为关键问题之前安排维护，避免不必要的更换，并以更安全、更经济的方式管理大型网络。尽管仍需更多实地数据的验证，但这种物理引导的方法指向了关键基础设施更智能、更透明的数字孪生体发展方向。

引用: 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

关键词: 高速铁路, 混凝土疲劳, 结构健康监测, 图神经网络, 预测性维护