郭云祺，李再幃, 2, 3，何越磊，路宏遙

?

基于支持向量機(jī)的CRTS Ⅱ型板式無砟軌道板正溫度梯度預(yù)警方法

郭云祺1，李再幃1, 2, 3，何越磊1，路宏遙1

(1. 上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院, 上海 201620；2. 華東交通大學(xué) 鐵路環(huán)境振動(dòng)與噪聲教育部工程研究中心，江西 南昌 330013；3. 北京交通大學(xué) 土木建筑工程學(xué)院，北京 100044)

無砟軌道板溫度梯度是溫度荷載作用在軌道結(jié)構(gòu)上的重要表征，也是結(jié)構(gòu)設(shè)計(jì)和養(yǎng)護(hù)維修的關(guān)鍵參數(shù)。針對(duì)軌道板溫度梯度狀態(tài)監(jiān)測預(yù)警問題，基于運(yùn)營線實(shí)測高鐵軌道板數(shù)據(jù)樣本，以氣溫、太陽輻射、風(fēng)速等氣象參數(shù)為特征輸入?yún)⒘?，軌道板正溫度梯度為輸出參量，建立基于支持向量機(jī)的軌道板正溫度梯度分類預(yù)警模型，給出模型關(guān)鍵性參數(shù)的選擇方法；利用實(shí)測數(shù)據(jù)驗(yàn)證預(yù)警模型的有效性和準(zhǔn)確性，并結(jié)合歷史氣象資料數(shù)據(jù)，采用所建立模型確定氣象參數(shù)的預(yù)警閾值。研究結(jié)果表明：無砟軌道板正溫度梯度預(yù)警模型識(shí)別準(zhǔn)確率為98.648 6%，氣溫、太陽輻射量、風(fēng)速的預(yù)警指標(biāo)值為33.9 ℃，733 W/m2和2 m/s且可靠性為96%，可為軌道結(jié)構(gòu)的設(shè)計(jì)改進(jìn)、病害預(yù)防以及養(yǎng)護(hù)維修提供方向性指導(dǎo)與建議。

高速鐵路；無砟軌道；溫度梯度；支持向量機(jī)；分類預(yù)警

CRTSⅡ型板式無砟軌道是我國高速鐵路使用最為廣泛的軌道結(jié)構(gòu)之一，其長期暴露在大氣環(huán)境下，內(nèi)部溫度分布主要受外界氣象參數(shù)影響[1]；特別是在極端高溫天氣下，軌道板內(nèi)部溫度由于無法及時(shí)放散而導(dǎo)致內(nèi)部熱量積聚，在溫度梯度的作用下，引起軌道板上拱離縫等結(jié)構(gòu)病害，加劇軌道結(jié)構(gòu)累積變形和輪軌相互作用，嚴(yán)重地影響線路的安全性和平順性。因此，研究外界環(huán)境與軌道板溫度梯度本質(zhì)聯(lián)系，實(shí)現(xiàn)軌道板溫度梯度狀態(tài)的有效預(yù)警具有重要的理論和現(xiàn)實(shí)意義。目前，無砟軌道結(jié)構(gòu)設(shè)計(jì)中所選取溫度梯度多參考國內(nèi)外相關(guān)鐵路軌道結(jié)構(gòu)、公路瀝青路面和箱梁結(jié)構(gòu)的正溫度梯度經(jīng)驗(yàn)公式來確定的。但在實(shí)際運(yùn)營過程中，由于板式無砟軌道導(dǎo)熱性能的差異，結(jié)構(gòu)溫度受氣溫、太陽輻射和風(fēng)速影響較大，沿軌道板深度方向溫度變化在時(shí)間上存在一定滯后，導(dǎo)致相關(guān)經(jīng)驗(yàn)公式無法真實(shí)反映無砟軌道板溫度梯度的實(shí)際分布。為修正此問題，并為后續(xù)結(jié)構(gòu)設(shè)計(jì)和線路養(yǎng)護(hù)維修提供參考，國內(nèi)外學(xué)者目前主要采用實(shí)測數(shù)據(jù)統(tǒng)計(jì)分析和數(shù)據(jù)趨勢預(yù)測2種方法進(jìn)行研究。前者是通過軌道板內(nèi)布設(shè)傳感器，對(duì)其溫度狀態(tài)進(jìn)行長期監(jiān)測，并對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行大樣本的統(tǒng)計(jì)，研究結(jié)果表明：無砟軌道豎向正溫度梯度與氣溫的日變化趨勢大體相同，極端天氣高溫下會(huì)出現(xiàn)90 ℃/m以上的正溫度梯度[2?3]，超過正溫度梯度設(shè)計(jì)允許值[4]，導(dǎo)致板的翹曲變形急劇變大，服役性能大大降低。而后者同樣利用現(xiàn)場實(shí)測數(shù)據(jù)，通過相關(guān)的預(yù)測算法如最小二乘法等進(jìn)行樣本的擬合逼近，從而預(yù)測出軌道結(jié)構(gòu)溫度和溫度梯度，并建立特定條件下正溫度梯度模式[5?7]。此外，閆斌等[8]基于日溫差、日照時(shí)數(shù)和風(fēng)速等氣象因素實(shí)測數(shù)據(jù)對(duì)正溫度梯度進(jìn)行預(yù)測研究，通過BP神經(jīng)網(wǎng)絡(luò)方法，分析了軌道板豎向溫度梯度的影響規(guī)律。上述兩類方法雖較好地得到板內(nèi)豎向正溫度梯度，但需要在軌道板內(nèi)部進(jìn)行打孔安裝相應(yīng)的傳感器，對(duì)結(jié)構(gòu)體的完整性和耐久性產(chǎn)生重要影響，且所采用數(shù)據(jù)往往僅表征了相應(yīng)測點(diǎn)的分布溫度梯度分布規(guī)律；特別是當(dāng)外界環(huán)境產(chǎn)生變化時(shí)，雖已有部分文獻(xiàn)進(jìn)行了研究，但其分析的溫度范圍較小，且未涉及正溫度梯度設(shè)計(jì)允許值。因此，有必要結(jié)合相關(guān)實(shí)時(shí)氣象參數(shù)數(shù)據(jù)，建立其與軌道板正溫度梯度的分類預(yù)警模型，從而實(shí)現(xiàn)由外界氣象參數(shù)即可對(duì)軌道溫度梯度狀態(tài)進(jìn)行有效預(yù)判的目的?；诖?，本文根據(jù)氣象參量分布特征，利用支持向量機(jī)可以解決非線性問題、高維模式識(shí)別等優(yōu)勢，以軌道板正溫度梯度為研究對(duì)象，將氣溫、太陽輻射以及風(fēng)速作為模型的輸入特征向量，構(gòu)建基于氣象資料的軌道溫度梯度分類預(yù)警模型；通過實(shí)測數(shù)據(jù)進(jìn)行模型的驗(yàn)證與相關(guān)參數(shù)優(yōu)化，并給出相關(guān)指標(biāo)閾值，從而提出軌道板溫度梯度預(yù)警方法，為無砟軌道結(jié)構(gòu)參數(shù)設(shè)計(jì)和養(yǎng)護(hù)維修方案的優(yōu)化提供技術(shù)支撐和理論參考。

1 樣本來源

本文選用華東地區(qū)某典型客運(yùn)專線作為監(jiān)測對(duì)象，線路運(yùn)營速度為300 km/h，軌道結(jié)構(gòu)為CRTSⅡ型板式無砟軌道，線路基礎(chǔ)形式為路基。通過在現(xiàn)場安裝PT100型溫度傳感器和氣象站進(jìn)行軌道板板表/板底溫度(℃)以及氣溫(℃)，太陽輻射(W/m2)和風(fēng)速(m/s)等氣象參數(shù)的數(shù)據(jù)采集。采樣頻率為次/30 min，測試共計(jì)獲取了888組數(shù)據(jù)。

若軌道板豎向正溫度梯度為：

其中：為溫度梯度，℃/m；T和T分別為軌道板板表和板底溫度，℃；Δ為軌道板板表與板底之間的距離，cm。

將實(shí)測軌道板溫度數(shù)據(jù)代入式(1)，得到正溫度梯度范圍為0.29~111.66 ℃/m。另外，據(jù)研究表明[1]，氣溫、太陽輻射量，風(fēng)速往往是影響軌道板豎向溫度梯度的最主要的因素。因此，結(jié)合上述3個(gè)參量以及計(jì)算出的豎向溫度梯度，其分布如圖2所示。此外，由于現(xiàn)行軌道狀態(tài)評(píng)價(jià)體系中尚未涉及軌道板正溫度梯度的評(píng)價(jià)與預(yù)警，因此，這里參考相關(guān)設(shè)計(jì)規(guī)范[5]中給出的結(jié)構(gòu)設(shè)計(jì)最大允許值90 ℃/m作為后面分析評(píng)價(jià)指標(biāo)值。

圖1 氣象參數(shù)分布規(guī)律圖

由圖1可知，溫度梯度、氣溫、太陽輻射量及風(fēng)速峰值分別可達(dá)111.66 ℃/m，40.8 ℃，1 091 W/m2和5.0 m/s。檢測結(jié)果中，已有近8%的數(shù)據(jù)超過了規(guī)范設(shè)計(jì)的正溫度梯度。這說明在極端的氣溫下，軌道板端將會(huì)引起超過結(jié)構(gòu)安全允許度的變形，造成軌道板上拱、離縫等病害，成為高鐵安全營運(yùn)的嚴(yán)重隱患，因此，需要加強(qiáng)對(duì)軌道板溫度梯度狀態(tài)的預(yù)警。

對(duì)比氣象因素分布可知，軌道板正溫度梯度與氣溫、太陽輻射、風(fēng)速之間具有較強(qiáng)的關(guān)聯(lián)性，即氣溫或太陽輻射量越大、風(fēng)速相對(duì)不變時(shí)，正溫度梯度越易于超過設(shè)計(jì)允許值；風(fēng)速較小而氣溫和太陽輻射量相對(duì)不變時(shí)，軌道板正溫度梯度則相對(duì)較大。而對(duì)比氣象參數(shù)與正溫度梯度分布規(guī)律可以發(fā)現(xiàn)，兩者之間具有一定的隨機(jī)性和非線性特征即兩者存在著較強(qiáng)的非線性映射關(guān)系。

2 軌道板正溫度梯度的支持向量機(jī)分類預(yù)警模型

2.1 支持向量機(jī)

支持向量機(jī)(Support Vector Machine, SVM)是一種通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化的分類算法，適用于結(jié)構(gòu)狀態(tài)的預(yù)警分類分析[9?10]。

如圖1所示，由于軌道板正溫度梯度和氣象參數(shù)之間為線性不可分，因此，需要先將支持向量分類模型通過非線性變換將輸入空間映射到一個(gè)高維特征空間，然后在這個(gè)新空間中求取最優(yōu)線性分離超平面對(duì)正溫度梯度分類，而這種非線性變換是通過定義適當(dāng)?shù)暮撕瘮?shù)來實(shí)現(xiàn)的，輸出是由核函數(shù)內(nèi)積運(yùn)算的線性組合得到，算法流程如圖2所示。

在上述求解過程中，需要采用不同的核函數(shù)及其參數(shù)構(gòu)造空間中不同類型的非線性決策的學(xué)習(xí)機(jī)，進(jìn)而尋找出氣象參數(shù)分布特點(diǎn)與最優(yōu)超平面之間對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)對(duì)正溫度梯度進(jìn)行有效分類，并以識(shí)別準(zhǔn)確率作為指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。

2.2 模型建立

為了建立有效的支持向量機(jī)分類預(yù)警模型以滿足實(shí)際需求，本文主要從樣本選擇方式、核函數(shù)選取及參數(shù)優(yōu)化等關(guān)鍵點(diǎn)進(jìn)行分析，流程如圖3 所示。

圖2 SVM流程示意圖

圖3 SVM預(yù)警模型流程圖

2.2.1 樣本選擇方式

將實(shí)測888組數(shù)據(jù)中軌道板正溫度梯度值未超過90℃/m的樣本作為1類樣本，軌道板正溫度梯度值超過90℃/m的樣本作為2類樣本。此外，為了保證1類樣本與2類樣本都能涵蓋不同分類信息，對(duì)樣本分層抽樣以提高模型識(shí)別精度隨機(jī)選取1類樣本75%與2類樣本75%作為訓(xùn)練樣本集，剩余的25%的1類樣本與25%的2類樣本作為預(yù)測樣本集，如圖4所示。

2.2.2 核函數(shù)選取及其參數(shù)優(yōu)化

鑒于氣象參數(shù)與軌道板正溫度梯度的非線性映射關(guān)系，在分類與識(shí)別過程中難以處理，而核函數(shù)作為支持向量機(jī)分類預(yù)警模型建立的核心之一，不僅可以解決維數(shù)災(zāi)難的問題，而且能夠在沒有增加計(jì)算復(fù)雜度的基礎(chǔ)上，使得特征空間中的氣象參數(shù)變得線性可分，進(jìn)而對(duì)正溫度梯度進(jìn)行有效分類。核參數(shù)和懲罰因子，反映了氣象參數(shù)的分布特點(diǎn)或范圍特性，其改變實(shí)際上改變了樣本子空間分布的復(fù)雜程度，是保證建立的正溫度梯度分類預(yù)警模型是否具有良好推廣性的重要保障。因此，核函數(shù)選取及其參數(shù)優(yōu)化過程是能否得到氣象參數(shù)與正溫度梯度非線性映射關(guān)系的關(guān)鍵，具體過程如圖5所示。

圖4 樣本選擇方式

圖5 核函數(shù)選取與參數(shù)優(yōu)化

考慮到SVM在實(shí)際應(yīng)用中核函數(shù)種類不多，為了得到較好的氣象參數(shù)與軌道板正溫度梯度的映射關(guān)系，分別采用4種核函數(shù)：線性核函數(shù)，多項(xiàng)式核函數(shù)，高斯核函數(shù)以及Sigmoid核函數(shù)構(gòu)造分類模型，相同樣本、固定參數(shù)下不同核函數(shù)的對(duì)比結(jié)果如表1所示。

表1 核函數(shù)對(duì)比

相較于其他核函數(shù)，高斯核函數(shù)在識(shí)別準(zhǔn)確率以及計(jì)算效率上都有著較為明顯的優(yōu)勢，準(zhǔn)確率更是高達(dá)98.192 8%，更適合用于軌道板正溫度梯度預(yù)警模型。

在以高斯核函數(shù)為核函數(shù)的支持向量機(jī)分類模型中，需要確定核參數(shù)()和懲罰因子2項(xiàng)參數(shù)，但關(guān)于其相關(guān)的選取，目前尚無公認(rèn)統(tǒng)一的方法。因此，本文通過將訓(xùn)練集作為原始數(shù)據(jù)，利用K-CV的方法得到最高識(shí)別準(zhǔn)確率下最佳()和。當(dāng)出現(xiàn)多組()和對(duì)應(yīng)最高識(shí)別準(zhǔn)確率時(shí)，為避免過高的導(dǎo)致過學(xué)習(xí)狀態(tài)，選取最小的那組()和作為最佳參數(shù)。參考相關(guān)文獻(xiàn)和試運(yùn)算經(jīng) 驗(yàn)[11?12]，在尋優(yōu)過程中將和的取值范圍分別設(shè)定為[2?10, 210]和[2?10, 210]，步進(jìn)都為1；10折交叉驗(yàn)證結(jié)果如圖6所示。

圖6 參數(shù)優(yōu)化

由圖6可知，等高線圖中軸表示取以2為底對(duì)數(shù)后的值，軸表示(圖中表示)以2為底對(duì)數(shù)后的值，最優(yōu)懲罰系數(shù)值=32，最優(yōu)核參數(shù)值=2，最高平均識(shí)別準(zhǔn)確率為98.8%。

2.3 模型驗(yàn)證

為了驗(yàn)證所提方法的有效性和準(zhǔn)確性，這里將預(yù)測樣本集所對(duì)應(yīng)的氣象參數(shù)輸入到已建立的SVM分類預(yù)警模型中，預(yù)測軌道板正溫度梯度是否超過結(jié)構(gòu)設(shè)計(jì)最大允許值90℃/m，預(yù)測結(jié)果與實(shí)測結(jié)果對(duì)比如圖7所示。

圖7 預(yù)測結(jié)果與實(shí)際結(jié)果對(duì)比圖

由圖7可以看出，預(yù)測結(jié)果采用○表示，實(shí)際結(jié)果采用※表示，若預(yù)測結(jié)果與實(shí)際結(jié)果一致，則2個(gè)符號(hào)重合，若預(yù)測結(jié)果與實(shí)際結(jié)果不一致，則2個(gè)符號(hào)則對(duì)應(yīng)軸出現(xiàn)在不同的軸上，圖9和圖10也根據(jù)此規(guī)律表示。

所得預(yù)測樣本集中除3個(gè)樣本的預(yù)測結(jié)果與實(shí)際結(jié)果出現(xiàn)偏差(包括1個(gè)過度識(shí)別，2個(gè)未識(shí)別出超過正溫度梯度設(shè)計(jì)允許值。)，其余均正確反映了軌道板正溫度梯度的分類狀態(tài)，所得到預(yù)警分析準(zhǔn)確率為98.648 6%。因此，本文所提的支持向量機(jī)分類預(yù)警模型可通過氣象參數(shù)有效地識(shí)別軌道板正溫度梯度分類狀態(tài)，滿足列車運(yùn)營期間對(duì)軌道板內(nèi)正溫度梯度預(yù)警的要求。

3 氣象參數(shù)預(yù)警指標(biāo)的確定

氣象學(xué)上將日最高氣溫達(dá)到或超過35 ℃時(shí)稱為高溫，若連續(xù)3 d最高氣溫在35 ℃以上，則達(dá)到高溫黃色預(yù)警標(biāo)準(zhǔn)。但對(duì)于高速鐵路無砟軌道結(jié)構(gòu)而言，僅參照氣象學(xué)角度的高溫定義尚不夠具體充分，尚需要根據(jù)軌道板正溫度梯度實(shí)際服役狀態(tài)，確定相應(yīng)的分類預(yù)警標(biāo)準(zhǔn)。

3.1 預(yù)警指標(biāo)值的選取

對(duì)于高速鐵路無砟軌道結(jié)構(gòu)而言，由現(xiàn)場實(shí)測可知，有必要對(duì)氣溫在35 ℃附近的軌道內(nèi)部溫度分布進(jìn)行研究[13]；而太陽輻射量和風(fēng)速同樣作為影響軌道板內(nèi)部溫度分布的重要因素，需要對(duì)相關(guān)參數(shù)的預(yù)警指標(biāo)量值進(jìn)行確定。

本文利用既有極端高溫下的氣象參數(shù)資料，采用前文中SVM分類預(yù)警模型，對(duì)軌道板正溫度梯度分類預(yù)警狀態(tài)進(jìn)行分析，預(yù)測數(shù)據(jù)共有222組，包含隨機(jī)抽樣1類樣本204組，2類樣本18組，約占各類數(shù)據(jù)總樣本的25%；其結(jié)果與氣象參數(shù)聯(lián)合分布如圖8所示。

圖8 預(yù)測結(jié)果與氣象參數(shù)聯(lián)合分布圖

由圖中氣溫?太陽輻射投影面可知，氣溫和太陽輻射量對(duì)正溫度梯度梯度具有較為明顯地對(duì)應(yīng)關(guān)系，當(dāng)氣溫超過33.9 ℃且太陽輻射量超過733 W/m2時(shí)，正溫度梯度往往呈現(xiàn)超過設(shè)計(jì)允許值90 ℃/m；對(duì)風(fēng)速而言，其對(duì)正溫度梯度影響無顯著規(guī)律，軌道板正溫度梯度超限則集中于2 m/s以下的區(qū)段。因此，綜合相關(guān)的歷史氣象資料分析結(jié)果，本文可以初步將氣溫大于或等于33.9 ℃、太陽輻射量大于或等于733 W/m2量值以及瞬態(tài)參量風(fēng)速在小于或等于2 m/s 3個(gè)指標(biāo)選為軌道板正溫度梯度SVM分類預(yù)警模型的指標(biāo)值。為了進(jìn)一步驗(yàn)證預(yù)警指標(biāo)的可信度，本文還將對(duì)指標(biāo)進(jìn)行分情況討論。

3.2 指標(biāo)值的驗(yàn)證

為了驗(yàn)證所提預(yù)警指標(biāo)的準(zhǔn)確性，這里采用本文所提SVM分類預(yù)警模型方法進(jìn)行分析，比較分析預(yù)測結(jié)果和實(shí)測結(jié)果。

3.2.1 氣溫與太陽輻射

將222組預(yù)測樣本集的預(yù)測結(jié)果與實(shí)際結(jié)果對(duì)比，分別對(duì)正溫度梯度所對(duì)應(yīng)的氣溫、太陽輻射的預(yù)警指標(biāo)進(jìn)行分析，建立氣象參數(shù)-類別圖。如圖9所示。

由圖9可知，對(duì)于正溫度梯度超過設(shè)計(jì)允許值的情況，氣溫與太陽輻射量有明顯的集中趨勢。在預(yù)測樣本集中，當(dāng)太陽輻射量大于或等于733 W/m2，共有45個(gè)樣本；當(dāng)溫度大于或等于33.9 ℃，共有56個(gè)樣本；同時(shí)滿足上述2個(gè)條件的樣本共有24個(gè)；都包含3個(gè)錯(cuò)誤信息，識(shí)別準(zhǔn)確率為87.5%，其中1個(gè)為過度識(shí)別，2個(gè)為未識(shí)別，主要是由以下2個(gè)原因引起該誤差，一方面通過分析前一時(shí)刻或下一時(shí)刻可知，主要是由于風(fēng)速出現(xiàn)了驟變，導(dǎo)致正溫度梯度短時(shí)間內(nèi)發(fā)生變化。另一方面，由于數(shù)據(jù)有限，模型訓(xùn)練時(shí)不能完全考慮特殊情況下的溫度梯度變化情況。但考慮到建立的分類模型是為預(yù)警提供依據(jù)，可允許少量過度識(shí)別的特殊性。因此，以溫度大于或等于33.9 ℃和太陽輻射量大于或等于733 W/m2為正溫度梯度的預(yù)警指標(biāo)，該模型可保證91.67%識(shí)別準(zhǔn)確率。

3.2.2 風(fēng)速

在以太陽輻射量大于或等于733 W/m2，溫度大于或等于33.9 ℃為預(yù)警指標(biāo)可有效滿足實(shí)際需求的基礎(chǔ)上，進(jìn)一步研究風(fēng)速對(duì)正溫度梯度的影響，通過篩選后的24個(gè)樣本建立風(fēng)速-類別結(jié)果對(duì)比圖觀察其分布情況，如圖10所示。

圖9 氣象參數(shù)-類別散點(diǎn)圖

圖10 風(fēng)速-類別

上述對(duì)氣溫與太陽輻射量篩選后的24個(gè)樣本中，共有3個(gè)樣本識(shí)別錯(cuò)誤，未識(shí)別錯(cuò)誤有2個(gè)且都分布在2.2 m/s以上。因此，以太陽輻射量大于或等于733 W/m2，溫度大于或等于33.9 ℃，風(fēng)速小于或等于2 m/s為正溫度梯度的預(yù)警指標(biāo)，其識(shí)別準(zhǔn)確率為96%。比之前具有顯著提高，并且只存在一個(gè)過度識(shí)別錯(cuò)誤，可以滿足正溫度梯度預(yù)警的目的。

4 結(jié)論

1) 軌道板正溫度梯度分類預(yù)警模型可采用支持向量機(jī)方法建立，且利用高斯核函數(shù)、10折交叉驗(yàn)證的方法可實(shí)現(xiàn)參數(shù)優(yōu)化，所建立模型分類預(yù)警識(shí)別率為98.648 6%?？捎行У刈R(shí)別軌道板豎向正溫度梯度狀態(tài)，滿足列車運(yùn)營期間對(duì)軌道板內(nèi)正溫度梯度預(yù)警的要求。

2) 根據(jù)統(tǒng)計(jì)資料與現(xiàn)場實(shí)測，給出了軌道板正溫度的預(yù)警指標(biāo)值為太陽輻射量大于或等于733 W/m2，溫度大于或等于33.9 ℃，風(fēng)速小于或等于2 m/s，并保證在此指標(biāo)下預(yù)警具有96%的可靠性，為軌道結(jié)構(gòu)的設(shè)計(jì)改進(jìn)、病害預(yù)防以及養(yǎng)護(hù)維修提供方向性指導(dǎo)與科學(xué)的建議。

3) 本文只針對(duì)華東地區(qū)無砟軌道豎向正溫度梯度進(jìn)行研究，鑒于我國幅員遼闊，各個(gè)地區(qū)氣象參數(shù)對(duì)軌道板正溫度梯度影響均不同，因此有必要針對(duì)不同地區(qū)提出不同的指標(biāo)，實(shí)現(xiàn)對(duì)軌道服役狀態(tài)分類預(yù)警。

[1] 歐祖敏, 孫璐, 程群群. 基于氣象資料的無砟軌道溫度場計(jì)算與分析[J]. 鐵道學(xué)報(bào), 2014(11): 106?112. OU Zumin, SUN Lu, CHENG Qunqun. Analysis on temperature field of ballastless track structure based on meteorological data[J]. Journal of the China Railway Society, 2014(11): 106?112.

[2] 趙坪銳, 劉學(xué)毅, 楊榮山, 等. 雙塊式無砟軌道溫度荷載取值方法的試驗(yàn)研究[J]. 鐵道學(xué)報(bào), 2016(1): 92?97. ZHAO Pingrui, LIU Xueyi, YANG Rongshan, et al. Experimental study of temperature load determination of bi-block ballastless track[J]. Journal of the China Railway Society, 2016(1): 92?97.

[3] 尤明熙, 高亮, 趙國堂, 等. 板式無砟軌道溫度場和溫度梯度監(jiān)測試驗(yàn)分析[J]. 鐵道建筑, 2016(5): 1?5, 9. YOU Mingxi, GAO Liang, ZHAO Guotang, et al. Analysis of monitoring test for slab-type ballastless track temperature field and temperature gradient[J]. Railway Engineering, 2016(5): 1?5, 9.

[4] TB10621—2014, 高速鐵路設(shè)計(jì)規(guī)范[S]. TB10621—2014, Code for design of high speed railway[S].

[5] 吳斌, 劉參, 曾志平, 等. CRTSⅡ型板式無砟軌道溫度場特征研究[J]. 鐵道工程學(xué)報(bào), 2016(3): 29?33. WU Bin, LIU Can, ZENG Zhiping, et al. Research on the temperature field characteristic of CRTSⅡ slab ballastless track[J]. Journal of Railway Engineering society, 2016(3): 29?33.

[6] 趙坪銳, 鄧非凡, 丁晨旭, 等. 基于統(tǒng)計(jì)分析方法的成都地區(qū)無砟軌道溫度梯度預(yù)測[J]. 鐵道建筑, 2016(5): 43?46. ZHAO Pingrui, DENG Feifan, DING Chenxu, et al. Temperature gradient prediction of ballastless track in chengdu region based on statistical analysis method[J]. Railway Engineering, 2016(5): 43?46.

[7] 戴公連, 蘇海霆, 閆斌. 圓曲線段無砟軌道橫豎向溫度梯度研究[J]. 鐵道工程學(xué)報(bào), 2014(9): 40?45. DAI Gonglian, SU Haiting, YAN Bin. Study on horizontal and vertical temperature gradient of ballastless track on curve line[J]. Journal of Railway Engineering Society, 2014(9): 40?45.

[8] 閆斌, 戴公連, 蘇海霆. 基于氣象參數(shù)的軌道板豎向溫度梯度預(yù)測模型[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014(12): 9?13. YAN Bin, DAI Gonglian, SU Haiting. A meteorological parameters-based prediction model of vertical temperature gradient of track plate[J]. Journal of South China University of Technology (Natural Science Edition), 2014(12): 9?13.

[9] Cristianini N, Shawe_Taylor J. An introduction to support vector machines and other kernel-based learning methods[M]. Cambridge: Cambridge University Press, 2000.

[10] Hasitic T, Tibshirani R, Fruedman J. The elements of statistical learning, data mining, inference, and prediction [J]. The Mathematical Tatelligencer, 2005, 27(2): 83?85.

[11] Mitra V, Wang C, Banerjee S. Text classification: a least square support machine approach[J]. Applied Soft Computing, 2017, 7(3): 908?914.

[12] Varewyck M, Martens J P. A practical approach to model selection of Gaussian support vector machine[J]. IEEE Transaction on Systems, Man, and Cybernetics, Part B (Cybernetics), 2009, 39(5): 1292?1307.

[13] 何元慶. 華東地區(qū)CRTSⅡ型板式無砟軌道溫度特性試驗(yàn)分析[J]. 鐵道建筑, 2017(3): 102?105. HE Yuanqing. Experimental analysis on temperature characteristics of CRTSⅡ ballastless track in East China[J]. Railway Engineering, 2017(3): 102?105.

(編輯 蔣學(xué)東)

A novel method of fore-warning the positive temperature gradient of CRTS Ⅱ ballastless track based on support vector machine

GUO Yunqi1, LI Zaiwei1, 2, 3, HE Yuelei1, LU Hongyao1

(1. School of Urban Rail Transportation, Shanghai University of Engineering Science, Shanghai 201620, China; 2. Engineering Research Center of Railway Environmental Vibration and Noise of Ministry of Education, East China Jiaotong University; Nanchang 330013, China; 3. School of Civil Engineering and Architecture, Beijing Jiaotong University, Beijing 100044, China)

The temperature gradient of ballastless track is not only the important characteristic of the track structure under the temperature load, but also the key parameter of structural design and maintenance. Aiming at the issue of temperature gradient monitoring and warning of track slab, based on the real-time measurement of data samples of the operating line, the meteorological parameters such as temperature, solar radiation and wind speed were used as the representative input parameters, and the positive temperature gradient of the track slab as the output parameter. The fore-warning model of track temperature gradient classification was established based on the support vector machine, and the selection method of key parameters of the model was given; The effectiveness and accuracy of the fore-warning model were verified by the actual measured data and the warning threshold of the meteorological parameters was determined by combining the historical meteorological data and using the established model. The results show that the accuracy of the positive temperature gradient warning model was 98.6486%. The warning indices of air temperature, solar radiation and wind speed were 33.9 ℃, 733 W/m2and 2 m/s, respectively, and the reliability was 96%, which could provide guidance and reference for the design improvement, distress prevention and maintenance of the track structure.

high speed railway; ballastless track; temperature gradient; support vector machine; classification and fore-warning

10.19713/j.cnki.43?1423/u.2018.09.004

U213.2

A

1672 ? 7029(2018)09 ? 2209 ? 08

2017?08?14

國家自然科學(xué)基金資助項(xiàng)目(51478258)；上海市科委重點(diǎn)支撐資助項(xiàng)目(16030501400)

李再幃(1983?)，男，吉林大安人，副教授，博士，從事軌道結(jié)構(gòu)振動(dòng)研究；E?mail：lzw_5220964@163.com