基于優(yōu)化氣象參數(shù)的軌道板內(nèi)部溫度試驗研究與預(yù)測分析

劉昊旻，路宏遙，何越磊，李再幃

?

基于優(yōu)化氣象參數(shù)的軌道板內(nèi)部溫度試驗研究與預(yù)測分析

劉昊旻，路宏遙，何越磊，李再幃

(上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620)

為探究高速鐵路無砟軌道板內(nèi)部溫度與環(huán)境氣象參數(shù)之間的映射關(guān)系，以華東地區(qū)某客運專線CRTSⅡ型板式無砟軌道為研究對象，對線路周圍的環(huán)境溫度、太陽輻射、風(fēng)速及板內(nèi)不同深度溫度等數(shù)據(jù)進(jìn)行同步實時監(jiān)測?；趯崪y數(shù)據(jù)，對軌道板內(nèi)部溫度(整體溫度和溫度梯度)的預(yù)測參數(shù)進(jìn)行優(yōu)化，并利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建經(jīng)優(yōu)化后的氣象參數(shù)與軌道板溫度間的非線性映射模型。研究結(jié)果表明：利用所優(yōu)化參數(shù)建立的非線性映射模型可有效提升軌道板內(nèi)部溫度的預(yù)測準(zhǔn)確率，對于整體溫度的預(yù)測精度達(dá)到97%，溫度梯度的預(yù)測精度達(dá)到88.4%。

軌道板；內(nèi)部溫度；現(xiàn)場試驗；優(yōu)化氣象參數(shù)；神經(jīng)網(wǎng)絡(luò)；映射模型

CRTSⅡ型縱連板式無砟軌道因結(jié)構(gòu)穩(wěn)定性高、剛度均勻性好、幾何精度高、結(jié)構(gòu)耐久性強和維修工作量少等突出特點，廣泛應(yīng)用于我國京津、京滬、滬杭、京石武等多條客運專線中，其鋪設(shè)里程已達(dá)到雙線約5 000 km，并主要集中在蘇浙滬等華東地區(qū)[1?2]。區(qū)別于單元板式無砟軌道，縱連板式無砟軌道結(jié)構(gòu)在溫度荷載的作用下會產(chǎn)生較大的溫度應(yīng)力。軌道板整體溫度的周期性升降，可造成軌道板整體伸縮變形，同時混凝土結(jié)構(gòu)導(dǎo)熱性較差，軌道板沿其厚度方向存在溫度遞變即溫度梯度，是軌道板發(fā)生翹曲變形與板底離縫脫空等病害的主要原因[3]，嚴(yán)重影響無砟軌道的結(jié)構(gòu)穩(wěn)定性與列車運行的安全性[4]。作為直接暴露于大氣環(huán)境的鋼筋混凝土結(jié)構(gòu)，結(jié)構(gòu)內(nèi)部溫度與線路周圍的氣象參數(shù)存在著非線性的映射關(guān)系，因此，開展軌道板內(nèi)部溫度及線路周圍氣象數(shù)據(jù)進(jìn)行監(jiān)測與分析，研究氣象參數(shù)作用下軌道板內(nèi)部溫度的分布特性，對準(zhǔn)確進(jìn)行無砟軌道溫度應(yīng)力計算和病害機理研究具有重要意義。目前，針對不同氣象條件下無砟軌道結(jié)構(gòu)溫度監(jiān)測與分析已有了一定成果，王森榮等[5]對軌道板溫度進(jìn)行了全天候的測量，基于實測數(shù)據(jù)對軌道板溫度翹曲應(yīng)力進(jìn)行了仿真分析。劉鈺等[6]對京滬高鐵CRTSⅡ型板式無砟軌道早期縱連階段進(jìn)行現(xiàn)場觀測，基于最小二乘法建立了軌道板表面溫度的預(yù)估模型。吳斌等[7?8]通過沿軌道板結(jié)構(gòu)豎向布置溫度傳感器，對軌道結(jié)構(gòu)溫度梯度變化規(guī)律進(jìn)行分析，并擬合出軌道板溫度梯度曲線。歐祖敏等[9]基于固體傳熱理論，利用氣象數(shù)據(jù)資料描述環(huán)境因素的邊界條件，建立求解大氣環(huán)境下的無砟軌道結(jié)構(gòu)溫度場的熱傳導(dǎo)方程，并分析了氣象數(shù)據(jù)資料變化引起的軌道結(jié)構(gòu)溫度變化規(guī)律。閆斌等[10?12]基于熱力學(xué)相關(guān)原理，建立無砟軌道溫度場三維有限元模型，分析軌道板內(nèi)部溫度場變化規(guī)律與環(huán)境溫度、太陽輻射以及風(fēng)速的影響。目前，雖然在無砟軌道的溫度監(jiān)測試驗和溫度場分析方面已有一定研究成果，但仍存在著一定的局限：一方面，基于運營線路上實測無砟軌道內(nèi)部溫度分布特性與現(xiàn)場氣象數(shù)據(jù)結(jié)合的研究較少，且僅以瞬時環(huán)境溫度、太陽輻射量及風(fēng)速進(jìn)行作為分析參數(shù)，未能充分考慮軌道板內(nèi)部溫度傳導(dǎo)相較于氣象參數(shù)的滯后性問題；另一方面，在軌道板內(nèi)部溫度理論分析時，所涉及的熱工參數(shù)存在著諸多的假設(shè)和簡化條件，參數(shù)取值困難，難以應(yīng)用于環(huán)境復(fù)雜多變情況的無砟軌道內(nèi)部溫度的研究。本文以CRTSⅡ型板式無砟軌道為研究對象，對華東地區(qū)實際運營的某客運專線開展軌道板內(nèi)部溫度與環(huán)境氣象參數(shù)同步監(jiān)測試驗，綜合分析影響軌道板內(nèi)部溫度的氣象參數(shù)并進(jìn)行優(yōu)化?；贐P神經(jīng)網(wǎng)絡(luò)算法建立基于優(yōu)化氣象參數(shù)與軌道板內(nèi)部溫度之間的非線性映射模型，利用實測數(shù)據(jù)驗證了分析參數(shù)經(jīng)優(yōu)化后的軌道板內(nèi)部溫度映射模型的準(zhǔn)確性，為無砟軌道結(jié)構(gòu)參數(shù)設(shè)計和養(yǎng)護(hù)維修方案制定提供理論參考和數(shù)據(jù)支撐。

1 無砟軌道溫度試驗與分析

1.1 現(xiàn)場試驗

試驗開展地點位于華東地區(qū)，屬于北亞熱帶季風(fēng)氣候區(qū)，受冷暖空氣的交替影響，天氣復(fù)雜多變。實際運行線路上的軌道板直接暴露于大氣環(huán)境之中，受到環(huán)境溫度、太陽輻射、風(fēng)速等氣象參數(shù)共同影響著內(nèi)部溫度分布。本次試驗所監(jiān)測的內(nèi)容包括環(huán)境溫度、太陽輻射、風(fēng)速與軌道板內(nèi)部不同深度的溫度，監(jiān)測時間為2017年6月至8月，為夏季高溫天氣。溫度傳感器通過打孔埋入軌道板中部，布設(shè)深度分別距軌道板上表面20 mm，100 mm與180 mm，如圖1(a)所示。傳感器的精度為0.01℃，采樣頻率為30 min/次。氣象站同步采集環(huán)境溫度(℃)、太陽輻射(W/m2)及風(fēng)速(m/s)等氣象數(shù)據(jù)，現(xiàn)場布置如圖1(b)所示。

布置于距軌道板上表面100 mm的溫度傳感器測得溫度，用于分析服役過程中軌道板整體溫度變化規(guī)律，即軌道板溫度的平均值。根據(jù)鐵路部門所提供的相關(guān)施工資料可知，該處軌道板的施工鎖定時的整體溫度約為25 ℃。

布置于距軌道板上表面20 mm與180 mm的溫度傳感器所測溫度，用于計算軌道板豎向的溫度梯度gradT，其計算公式為：

式中：20和180分別為距軌道板上表面20 mm與180 mm的實測溫度，℃；為上下2個測點間的豎向距離，結(jié)合布點實際取160 mm，用于分析并判斷實測豎向溫度梯度是否超過《高速鐵路設(shè)計規(guī) 范》[13]中的最大正溫度梯度(上熱下冷)+90 ℃/m，最大負(fù)溫度梯度(上冷下熱)?45 ℃/m的規(guī)定。

(a) 軌道板溫度傳感器豎向分布；(b) 氣象站現(xiàn)場布置

圖1 現(xiàn)場試驗

Fig. 1 Field test

1.2 實測數(shù)據(jù)分析

分別統(tǒng)計監(jiān)測期間軌道板位置的環(huán)境溫度(日最高溫與最低溫)、太陽輻射、風(fēng)速及軌道板不同深度溫度(日最高溫與最低溫)數(shù)據(jù)，規(guī)律如圖2所示。

實測數(shù)據(jù)表明，在夏季高溫天氣測點位置最高環(huán)境溫度達(dá)到43.7 ℃，且存在較大的晝夜溫差，對軌道板的日溫度梯度變化產(chǎn)生較大的影響。太陽輻射量最大值為1 136 W/m2，太陽輻射造成軌道板上表面的溫度升高，進(jìn)而在軌道板內(nèi)部產(chǎn)生較大的正溫度梯度。監(jiān)測期間風(fēng)速幅值變化范圍較為穩(wěn)定，實測夜間風(fēng)速最大值為10.3 m/s，較大風(fēng)速加快軌道板上表面散熱速度，進(jìn)而在軌道板內(nèi)部產(chǎn)生較大的負(fù)溫度梯度。

軌道板內(nèi)部不同深度的溫度變化規(guī)律與環(huán)境溫度變化情況在時序上基本保持一致，沿著深度的增加存在一定的滯后效應(yīng)?？拷壍腊迳媳砻嫣帨囟茸兓軞庀髤?shù)影響較大，隨著深度的增加，板內(nèi)不同位置日溫度幅值變化范圍逐漸減小。軌道板整體溫度的平均值的變化范圍為21.01~52.65 ℃，與施工鎖定時存在較大的溫差，最大升溫超過 27 ℃，軌道板承受了較大的溫度應(yīng)力，對無砟軌道結(jié)構(gòu)的整體穩(wěn)定性產(chǎn)生較大影響。軌道板溫度梯度變化范圍為?41.56~66.56 ℃/m，正負(fù)溫度梯度以日為周期交替變化，誘發(fā)軌道板離縫等病害[14]。

為綜合分析氣象參數(shù)對軌道板內(nèi)部溫度的變化規(guī)律的影響，進(jìn)一步考慮極端天氣氣象參數(shù)突變等情況下，軌道板內(nèi)部溫度分析參數(shù)的選取適用性與合理性，將試驗期間2017年6月27日(晴)與2017年7月4日(陰雨)的氣象參數(shù)和板內(nèi)不同深度溫度變化情況進(jìn)行對比，如圖3所示。分析可知，晴天相比較于陰雨情況下，在2 d最大溫度梯度出現(xiàn)時刻，晴天環(huán)境溫度高出1.7 ℃，太陽輻射量高出82 W/m2，風(fēng)速高出0.3 m/s，但晴天時軌道板內(nèi)部整體溫度高于陰雨天氣3.91 ℃，豎向溫度梯度高出20.68 ℃/m。這主要是由于7月4日11:00左右出現(xiàn)降雨，隨著環(huán)境溫度的降低與太陽輻射量的減小，板表附近溫度迅速降低，板內(nèi)熱量開始向外耗散，軌道板內(nèi)部溫度整體下降。中午12:30左右降水結(jié)束，隨著環(huán)境溫度與太陽輻射量的升高，板表附近的溫度逐漸回升。受到先前降雨的影響，板表附近的溫度需經(jīng)歷一段時間的熱量傳遞方可達(dá)到相同條件下的溫度水平，即使瞬時環(huán)境溫度、太陽輻射量及風(fēng)速恢復(fù)達(dá)到晴天相當(dāng)量值水平，軌道板內(nèi)部溫度分布與晴天天氣相比仍存在較大差異。

圖2 實測數(shù)據(jù)幅值統(tǒng)計

(a) 2017年6月27日(晴)；(b) 2017年7月4日(陰雨)

因此，為更為準(zhǔn)確分析軌道板內(nèi)部溫度變化規(guī)律，需結(jié)合混凝土材料導(dǎo)熱特性與熱傳導(dǎo)理論，增加并優(yōu)化用于分析軌道板內(nèi)部溫度的相關(guān)氣象參數(shù)，進(jìn)一步考慮當(dāng)前時刻及以前一段時間范圍內(nèi)的綜合氣象參數(shù)指標(biāo)用于分析。

2 軌道板內(nèi)部溫度分析參數(shù)優(yōu)化

傳熱學(xué)原理中主要有熱傳導(dǎo)、熱對流和熱輻射3種熱傳遞方式[15]。一般來說，環(huán)境溫度與軌道板表面的溫差和風(fēng)速是影響軌道板表面和大氣產(chǎn)生熱傳導(dǎo)和熱對流的主要因素，而太陽輻射強度是軌道板熱輻射吸收的主要來源[16]。傳統(tǒng)分析軌道板內(nèi)部溫度分布規(guī)律與環(huán)境氣象參數(shù)的映射關(guān)系時，主要采用環(huán)境溫度、太陽輻射量和風(fēng)速這3個瞬時氣象參數(shù)，這3個氣象參數(shù)對軌道板板內(nèi)部溫度的影響程度不一，基于現(xiàn)場實測數(shù)據(jù)對軌道板內(nèi)部整體溫度和溫度梯度與3個瞬時氣象參數(shù)進(jìn)行相關(guān)性分析，結(jié)果如表1。

表1 瞬時氣象參數(shù)與軌道板內(nèi)部溫度相關(guān)性

由表1可以看出：軌道板內(nèi)部溫度與環(huán)境溫度、太陽輻射瞬時值的相關(guān)性較高，而由于瞬時風(fēng)速離散性較大，與風(fēng)速的相關(guān)系數(shù)低。

由于軌道板內(nèi)部溫度隨時間而變化，其作用機理比較復(fù)雜，影響因素較多，并且還存在相互耦合作用，僅以瞬時的氣象參數(shù)來預(yù)測當(dāng)前時刻軌道板內(nèi)部溫度顯然是不夠全面的，還需考慮當(dāng)前時刻先前一段時間范圍內(nèi)的綜合氣象參數(shù)，方可實現(xiàn)對當(dāng)前時刻軌道板內(nèi)部溫度的準(zhǔn)確預(yù)測。

基于實測數(shù)據(jù)與熱傳遞理論，增加選取環(huán)境溫度變化量(當(dāng)前時刻環(huán)境溫度減上一時刻環(huán)境溫度)、當(dāng)前時刻前6 h環(huán)境溫度均值[17]、所選時刻當(dāng)日溫差及當(dāng)前時刻前3 h太陽輻射量均值作為優(yōu)化后的分析參數(shù)。環(huán)境溫度變化量主要影響軌道板表面與外界環(huán)境的換熱情況的變化規(guī)律；混凝土結(jié)構(gòu)導(dǎo)熱率低引起的軌道板內(nèi)部溫度相較于環(huán)境溫度存在的滯后情況，考慮軌道板的厚度及熱傳導(dǎo)平衡所需的時間，增加選取當(dāng)前時刻前6 h環(huán)境溫度均值作為分析參數(shù)；日溫差為當(dāng)日環(huán)境溫度的變化范圍，直接影響軌道板與外界環(huán)境的輻射換熱強度；考慮到軌道板表面對太陽輻射的吸收并傳遞的情況，增加選取當(dāng)前時刻前3 h太陽輻射量均值。所增加的各參數(shù)對軌道板整體溫度和溫度梯度的影響如圖4~7所示，其相關(guān)性分析結(jié)果見表2。

(a) 整體溫度；(b) 溫度梯度

結(jié)果表明，僅以環(huán)境溫度、太陽輻射量、風(fēng)速等氣象參數(shù)瞬時值來分析軌道板內(nèi)部溫度特性是不夠全面的，所增加的4個氣象參數(shù)均與軌道板內(nèi)部溫度存在著不同程度的相關(guān)性，最大相關(guān)系數(shù)達(dá)到了0.939，因此增加優(yōu)化的氣象參數(shù)后，選取7組參數(shù)可進(jìn)一步提高軌道板內(nèi)部溫度分析模型的準(zhǔn)確性。

(a) 整體溫度；(b) 溫度梯度

(a) 整體溫度；(b) 溫度梯度

(a) 整體溫度；(b) 溫度梯度

表2 增加氣象參數(shù)與軌道板內(nèi)部溫度相關(guān)性

3 基于BP神經(jīng)網(wǎng)絡(luò)映射模型建立

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的神經(jīng)元組成的廣泛并行互連的網(wǎng)絡(luò)，被廣泛用于處理分類和數(shù)據(jù)擬合等問題，能學(xué)習(xí)和儲存多維的輸入?輸出模式的映射關(guān)系[18]。本文建立有效的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對比分析氣象參數(shù)優(yōu)化前軌道板內(nèi)部溫度特性預(yù)估模型的準(zhǔn)確率。

3.2 映射模型建立

將試驗期間現(xiàn)場實測的4 225組軌道板不同深度溫度試驗數(shù)據(jù)及其對應(yīng)的優(yōu)化前后的氣象參數(shù)數(shù)據(jù)進(jìn)行整合，采用其中3 617組的實測數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，其余638組數(shù)據(jù)作為模型測試樣本。本文采用單隱層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來構(gòu)建軌道板內(nèi)部溫度的非線性映射模型，輸入層為經(jīng)優(yōu)化后所選取的7組氣象參數(shù)，即第1層共7個神經(jīng)元；輸出層將軌道板內(nèi)部的整體溫度和溫度梯度作為輸出參數(shù)，因此第3層設(shè)置2個神經(jīng)元節(jié)點；隱層神經(jīng)元個數(shù)經(jīng)過試算分析確定為25個，模型隱層中采用S型傳輸函數(shù)(Sigmoid)，輸出層采用線性傳輸函數(shù)(purelin)，可以較高的精度逼近所希望構(gòu)建的非線性映射關(guān)系。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率與訓(xùn)練算法共同決定了模型的穩(wěn)定性及訓(xùn)練時間，本模型學(xué)習(xí)速率設(shè)置為0.2，訓(xùn)練算法選擇采用收斂速度最快的Levenberg—Marquardt算法。為保證模型具有良好的計算能力與泛化能力，經(jīng)試算后將控制誤差goal取為0.003。模型的最大訓(xùn)練步數(shù)epochs=200，訓(xùn)練之前對數(shù)據(jù)進(jìn)行歸一化處理，有利于網(wǎng)絡(luò)快速收斂。如圖8所示為建立的7-25-2結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)非線性映射模型。

圖8 映射模型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3 模型驗證

為了驗證所建立的映射模型的準(zhǔn)確性，從測試樣本中隨機選取連續(xù)3 d測試數(shù)據(jù)所對應(yīng)的氣象參數(shù)輸入到已建立的神經(jīng)網(wǎng)絡(luò)映射模型中，預(yù)測結(jié)果與實測結(jié)果對比如圖9所示。

如圖9所示該映射模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以較為準(zhǔn)確地發(fā)掘出氣象參數(shù)與軌道板整體溫度與溫度梯度之間的非線性映射關(guān)系，并對測試樣本給出較好的預(yù)測結(jié)果。對于整體溫度的預(yù)測精度達(dá)到97.0%，最大絕對誤差為4.0 ℃，溫度梯度的預(yù)測精度達(dá)到88.4%，最大絕對誤差為3.7 ℃/m。若僅使用環(huán)境溫度、太陽輻射強度、風(fēng)速等常規(guī)氣象參數(shù)瞬時量，對于軌道板整體溫度的預(yù)測精度為92.4%，最大絕對誤差為9.1 ℃，溫度梯度的的預(yù)測精度為81.5%，最大絕對誤差為15.3 ℃/m?；趦?yōu)化后氣象參數(shù)可有效提升軌道板內(nèi)部溫度的預(yù)測準(zhǔn)確率，較為良好的預(yù)測軌道板的整體溫度和溫度梯度情況，更為滿足現(xiàn)場的工程實際需要。

(a) 整體溫度；(b) 溫度梯度

4 結(jié)論

1) 監(jiān)測期間，軌道板內(nèi)部不同深度的溫度變化規(guī)律與環(huán)境溫度變化情況在時序上基本保持一致，沿深度方向存在著滯后性。與施工鎖定時相比，整體升溫幅度達(dá)到了27 ℃。軌道板最大正溫度梯度為66.56 ℃/m，最大負(fù)溫度梯度為?41.56 ℃/m。

2) 環(huán)境溫度變化量、當(dāng)前時刻前6 h環(huán)境溫度均值、日溫差及前3 h太陽輻射量均值與軌道板內(nèi)部溫度分布規(guī)律存在著不同程度的相關(guān)性，增加所優(yōu)化的分析參量可進(jìn)一步提高軌道板內(nèi)部溫度分析模型的準(zhǔn)確性。

3) 基于BP神經(jīng)網(wǎng)絡(luò)所建立的多氣象參數(shù)優(yōu)化后預(yù)測模型與軌道板內(nèi)部溫度的非線性映射模型，對于整體溫度的預(yù)測精度達(dá)到97.0%，溫度梯度的預(yù)測精度達(dá)到88.4%，有效地提升了軌道板內(nèi)部溫度的預(yù)測準(zhǔn)確率，具有較好的適用性，可滿足工程要求。

[1] 李東昇, 董亮, 姜子清, 等. 橋上CRTSⅡ型板式無砟軌道結(jié)構(gòu)的溫度荷載特征試驗研究[J]. 鐵道建筑, 2015, 55(9): 106?110. LI Dongsheng, DONG Liang, JIANG Ziqing, et al. Experimental study on temperature load characteristics of CRTS II type ballastless track structures on bridges[J]. Railway Construction, 2015 55(9):106?110.

[2] SUN L, CHEN L, Zelelew H H. Stress and deflection parametric study of high-speed railway CRTS-II ballastless track slab on elevated bridge foundations[J]. Journal of Transportation Engineering, 2013, 139(12): 1224?1234.

[3] ZHAO Pingrui, LIU Xueyi, LIU Guan. Experimental study of temperature gradient in track slab under outdoor conditions in Chengdu area[J]. Journal of Modern Transportation, 2014, 22(3): 148?155.

[4] ZHU Shengyang, FU Qiang. CAI Chengbiao, et al. Damage evolution and dynamic response of cement asphalt mortar layer of slab track under vehicle dynamic load[J]. Technological Sciences, 2014, 57(10): 1883? 1894.

[5] 王森榮, 孫立, 李秋義, 等. 無砟軌道軌道板溫度測量與溫度應(yīng)力分析[J]. 鐵道工程學(xué)報, 2009, 26(2): 52?55. WANG Senrong, SUN Li, LI Qiuyi, et al. Temperature measurement and thermal stress analysis of ballastless track plates[J]. Journal of Railway Engineering Society, 2009, 26(2): 52?55.

[6] 劉鈺, 陳攀, 趙國堂. CRTSⅡ型板式無砟軌道結(jié)構(gòu)早期溫度場特征研究[J]. 中國鐵道科學(xué), 2014, 35(1): 1?6. LIU Yu, CHEN Pan, ZHAO Guotang. Study on the characteristics of early temperature field of CRTSⅡslab track structure[J]. China Railway Science, 2014, 35(1): 1?6.

[7] 吳斌, 劉參, 曾志平, 等. CRTSⅡ型板式無砟軌道溫度場特性研究[J]. 鐵道工程學(xué)報, 2016, 33(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[J]. 2016, 33(3): 29?33.

[8] 高亮, 尤明熙, 肖宏, 等. CRTSⅡ型板式無砟軌道溫度分布與環(huán)境溫度關(guān)系的試驗研究[J]. 鐵道建筑, 2016, 56(5): 6?9. GAO Liang, YOU Mingxi, XIAO Hong, et al. Experimental study on the relationship between the temperature distribution of CRTS II type ballastless track and ambient temperature[J]. Railway Construction, 2016, 56(5): 6?9.

[9] 歐祖敏, 孫璐, 程群群. 基于氣象資料的無砟軌道溫度場計算與分析[J]. 鐵道學(xué)報, 2014, 36(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, 36(11): 106?112.

[10] 閆斌, 劉施, 戴公連, 等. 我國典型地區(qū)無砟軌道非線性溫度梯度及溫度荷載模式[J]. 鐵道學(xué)報, 2016, 38(8): 81?86. YAN Bin, LIU Shi, DAI Gonglian, et al. Non-linear temperature gradient and temperature load pattern of ballastless track in typical area of China[J]. Journal of the China Railway Society, 2016, 38(8): 81?86.

[11] 劉付山, 曾志平, 吳斌, 等. 高速鐵路連續(xù)式無砟軌道溫度場分析[J]. 鐵道學(xué)報, 2016, 38(12): 87?93. LIU Fushan, ZENG Zhiping, WU Bin, et al. Analysis of temperature field of continuous ballastless track on high-speed railway[J]. Journal of the China Railway Society, 2016, 38(12): 87?93.

[12] 曹世豪, 鄧非凡, 趙春光, 等. 基于氣象資料的無砟軌道瞬態(tài)溫度場特性研究[J]. 鐵道建筑, 2016, 56(5): 28? 33. CAO Shihao, DENG Feifan, ZHAO Chunguang, et al. Research on transient temperature field characteristics of ballastless track based on meteorological data[J]. Railway Construction, 2016, 56(5): 28?33.

[13] TB 10621—2014, 高速鐵路設(shè)計規(guī)范[S]. TB10621—2014, Code for design of high speed railway[S].

[14] 鐘垚, 何越磊, 路宏遙, 等. 持續(xù)高溫作用下CRTSⅡ型無砟軌道層間離縫分析[J]. 鐵道科學(xué)與工程學(xué)報, 2018, 15(5): 1128?1133. ZHONG Yao, HE Yuelei, LU Hongyao, et al. Analysis of interface seam of CRTSⅡ slab track under sustained high temperature[J]. Journal of Railway Science and Engineering, 2018, 15(5): 1128?1133.

[15] Martin B W. Heat transfer: J. P. Holman[J]. International Journal of Heat & Fluid Flow, 1982, 3(1): 51?52.

[16] Emanuel J H, Hulsey J L. Temperature distributions in composite bridges[J]. Journal of the Structural Division, 1978, 104(1): 65?78.

[17] 劉學(xué)毅, 李佳莉, 康維新, 等. 無砟軌道溫度簡便計算及極端天氣影響分析[J]. 西南交通大學(xué)學(xué)報, 2017, 52(6): 1037?1045, 1060. LIU Xueyi, LI Jiali, KANG Weixin, et al. Convenient calculation of ballastless track temperature and analysis of extreme weather effect[J]. Journal of Southwest Jiaotong University, 2017, 52(6): 1037?1045, 1060.

[18] 傅薈璇, 趙紅. MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]. 北京: 機械工業(yè)出版社, 2010. FU Huixuan, ZHAO Hong. The application of MATLAB neural network design[M]. Beijing: Machinery Industry Press, 2010.

(編輯 蔣學(xué)東)

Experimental study and prediction analysis of internal temperature of track slab based on optimized meteorological parameters

LIU Haomin, LU Hongyao, HE Yuelei, LI Zaiwei

(School of Urban Rail Transportation, Shanghai University of Engineering Science, Shanghai 201620, China)

In order to investigate the mapping relationship between the internal temperature and environmental meteorological parameters of the high-speed railway ballastless track slab, this paper takes the CRTS II ballastless track of a passenger dedicated line in East China as the research object, and synchronously monitors the ambient temperature, solar radiation, wind speed and different depth temperature in the plate. Based on the measured data, the prediction parameters of the internal temperature (overall temperature and temperature gradient) in track slab are optimized, and the BP neural network is used to construct a nonlinear mapping model between the optimized meteorological parameters and the track slab temperature. The prediction results show that: The nonlinear mapping model based on the optimized parameters can effectively improve the prediction accuracy of the internal temperature of the track slab. The prediction accuracy for the overall temperature is 97%, and the prediction accuracy of the temperature gradient is 88.4%.

track slab; internal temperature; field test; optimization of meteorological parameters; neural network; mapping model

10.19713/j.cnki.43?1423/u.2019.05.002

U213.2

A

1672 ? 7029(2019)05 ? 1120 ? 09

2018?06?02

上海市科委重點支撐計劃資助項目(16030501400)；上海工程技術(shù)大學(xué)研究生科研創(chuàng)新資助項目(17KY1009)

何越磊(1972?)，男，遼寧錦州人，教授，博士，從事軌道交通安全與檢測技術(shù)方向研究；E?mail：hyldoc@163.com