面向生命周期的CRTS III型板式轨道应变重建：融合准分布式光纤光栅传感与深度学习实现高铁可持续性发展

《Developments in the Built Environment》：Life-cycle oriented strain reconstruction of CRTSIII slab tracks using quasi-distributed fiber Bragg grating sensing and deep learning toward sustainable high-speed rail

为应对CRTS III型板式轨道长期服役中光纤光栅传感数据缺失问题，研究人员通过全尺寸循环加载试验，结合CNN、LSTM和GRU等深度学习模型，成功实现了内部应变数据的精准重建。该研究提升了结构健康监测记录的完整性与鲁棒性，为高铁基础设施的基于状态维护与可持续运维提供了数据驱动的新策略。

　　

随着中国高铁网络的迅猛发展，确保轨道基础设施的长期安全与稳定运营成为重中之重。在众多轨道类型中，无砟板式轨道系统因其结构稳定、维护简便、耐久性高等优点，已成为高速铁路的“脊梁”。其中，中国自主研发的CRTS III型板式轨道系统，更是集成了几何精度高、整体性能好等优势。然而，即便是这样的“钢铁巨龙”，在长期经受列车反复碾压、环境温度变化等考验后，其“筋骨”——内部结构也难免出现累积性损伤。传统的外部监测手段往往难以窥探其“内伤”，而嵌入内部的传感器（如光纤光栅传感器）虽然能实时感知应变，但又可能因为传感器自身老化、与周围混凝土“脱粘”等问题，导致监测数据出现缺失，给长期的结构健康“病历”留下了空白。如何在数据不完整的情况下，依然准确评估轨道结构的“健康状况”，并预测其剩余寿命，成为了一个亟待解决的难题。

为了解决这一难题，研究人员开展了一项融合实验力学与人工智能的前沿研究，相关成果发表在《Developments in the Built Environment》期刊上。他们旨在开发一种面向生命周期的CRTS III型板式轨道应变数据重建方法，通过深度学习技术，修补因传感器失效而中断的监测数据链，从而为高铁基础设施的智能化、可持续化运维提供关键技术支撑。

为开展此项研究，研究人员主要采用了以下三项关键技术方法：首先，基于1:2几何比例尺制作了CRTS III型轨道板全尺寸试件，并设计了复杂的准分布式光纤光栅（FBG）传感网络，将其以水平和垂直方向嵌入自密实混凝土层和下部支承层的关键位置，以实时捕获循环荷载下的内部应变响应。其次，执行了力控制的室内循环加载试验，模拟轨道在长期服役中所承受的动态荷载，获取了完整且带有局部缺失的应变时间序列数据集。最后，构建并训练了三种典型的深度学习模型——一维卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU），利用完整数据学习应变演化模式，并评估其在模拟数据缺失场景下的数据重建能力。

研究结果从实验到模型分析，层层递进，揭示了不同方法的效能。

2. 室内试验与结果

研究人员首先进行了详实的室内试验。通过制作缩尺轨道板试件，并在关键位置（如基板和自密实混凝土层）精心布置光纤光栅传感器，形成了一个能够监测双向应变的传感网格。在循环荷载作用下，成功获取了多测点的应变-荷载关系曲线，验证了准分布式FBG网络监测多层应变响应的能力，同时也观测到了部分传感通道失效的现象，这与实际工程中可能遇到的界面剥离或传感器脆性问题一致，凸显了数据重建的必要性。

3. 模型分析

为了重建缺失数据，研究团队系统性地构建并分析了三种深度学习模型。他们设计了一个紧凑的一维卷积神经网络（CNN），该网络通过多个卷积块逐步提取应变序列的局部特征。同时，也采用了擅长处理时间序列的长短期记忆网络（LSTM）及其变体门控循环单元（GRU）。研究将获取的32个有效测量通道的数据集划分为训练集和测试集，并采用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）作为模型性能的量化评估指标。

4. 结果与讨论

综合评估表明，在相同的训练-测试协议下，CNN模型在大多数被检通道中提供了最可靠的重建性能。从量化指标看，CNN在部分通道取得了测试集MAE ≈ 0.87， RMSE ≈ 0.96， R²高达≈ 0.998的优秀结果。GRU模型在部分通道表现可与之竞争（最佳测试MAE ≈ 0.56， R²≈ 0.988），但其泛化稳定性较差。而LSTM模型在一些复杂通道上表现出了明显的性能退化，甚至在测试集上出现了负的R²值，表明其预测效果不如简单均值模型。

从训练过程看，CNN的损失曲线收敛更快且更稳定，而LSTM和GRU，尤其是LSTM，容易出现欠拟合现象，损失难以降低，甚至在训练某些模型时会出现损失激增和梯度爆炸。在测试集的预测结果对比中，CNN的预测值与实测值最为吻合，GRU有时存在整体性偏差，而LSTM则出现局部数据点偏差较大的情况。分析认为，本次实验获得的数据集总量有限，CNN更关注局部特征的特性使其在小数据集上也能较好地捕捉基本模式，而LSTM和GRU这类为处理长程依赖设计的模型，可能更需要充足的数据量才能发挥优势。

研究还发现，模型的预测精度与传感器布设位置有关。对于嵌入基板内的光纤，预测通常比自密实混凝土层内的更准确。这种差异可能与嵌入式传感中的局部缺陷有关，例如空鼓或界面脱粘，这些缺陷会引入测量扰动，降低模型的保真度。

5. 结论

综上所述，本研究的核心结论可归纳为三点。首先，准分布式嵌入式FBG网络能够有效监测循环荷载下CRTS III型轨道板的多层应变响应，但实践中不可避免的传感通道中断问题，使得数据重建成为维持长期数据集连续性、支持后续评估的必要步骤。其次，在相同的评估框架下，一维CNN模型展现出最优异且稳定的数据重建性能，是修复准分布式应变缺失数据的稳健基准方法；GRU模型在部分通道具备竞争力但稳定性不足；LSTM模型则表现相对欠佳。最后，训练好的模型推理速度快，可在毫秒级别完成单通道数据重建，远超本研究的数据采集速率，这一计算效率支持在不中断连续监测的情况下及时恢复缺失测量值，具备工程实用潜力。

这项研究的意义在于，它成功地将先进的传感技术与人工智能算法相结合，为解决基础设施长期健康监测中的数据不完整难题提供了一条有效路径。通过数据驱动的智能重建，不仅可以提升结构健康监测（SHM）系统的鲁棒性，还能支持更精准的基于状态的维护决策，延长轨道板部件的使用寿命，最终通过低排放的维护策略促进高速铁路系统的可持续发展。未来，通过扩大数据集并结合物理信息引导、多任务学习等方法，有望进一步提升模型在变温、变载等复杂服役条件下的泛化能力，特别是对于那些应变传递受干扰的传感通道。