基于优化气象参数的轨道板内部温度试验研究与预测分析

刘昊旻，路宏遥，何越磊，李再帏



基于优化气象参数的轨道板内部温度试验研究与预测分析

刘昊旻，路宏遥，何越磊，李再帏

(上海工程技术大学 城市轨道交通学院，上海 201620)

为探究高速铁路无砟轨道板内部温度与环境气象参数之间的映射关系，以华东地区某客运专线CRTSⅡ型板式无砟轨道为研究对象，对线路周围的环境温度、太阳辐射、风速及板内不同深度温度等数据进行同步实时监测。基于实测数据，对轨道板内部温度(整体温度和温度梯度)的预测参数进行优化，并利用BP神经网络构建经优化后的气象参数与轨道板温度间的非线性映射模型。研究结果表明：利用所优化参数建立的非线性映射模型可有效提升轨道板内部温度的预测准确率，对于整体温度的预测精度达到97%，温度梯度的预测精度达到88.4%。

轨道板；内部温度；现场试验；优化气象参数；神经网络；映射模型

CRTSⅡ型纵连板式无砟轨道因结构稳定性高、刚度均匀性好、几何精度高、结构耐久性强和维修工作量少等突出特点，广泛应用于我国京津、京沪、沪杭、京石武等多条客运专线中，其铺设里程已达到双线约5 000 km，并主要集中在苏浙沪等华东地区[1−2]。区别于单元板式无砟轨道，纵连板式无砟轨道结构在温度荷载的作用下会产生较大的温度应力。轨道板整体温度的周期性升降，可造成轨道板整体伸缩变形，同时混凝土结构导热性较差，轨道板沿其厚度方向存在温度递变即温度梯度，是轨道板发生翘曲变形与板底离缝脱空等病害的主要原因[3]，严重影响无砟轨道的结构稳定性与列车运行的安全性[4]。作为直接暴露于大气环境的钢筋混凝土结构，结构内部温度与线路周围的气象参数存在着非线性的映射关系，因此，开展轨道板内部温度及线路周围气象数据进行监测与分析，研究气象参数作用下轨道板内部温度的分布特性，对准确进行无砟轨道温度应力计算和病害机理研究具有重要意义。目前，针对不同气象条件下无砟轨道结构温度监测与分析已有了一定成果，王森荣等[5]对轨道板温度进行了全天候的测量，基于实测数据对轨道板温度翘曲应力进行了仿真分析。刘钰等[6]对京沪高铁CRTSⅡ型板式无砟轨道早期纵连阶段进行现场观测，基于最小二乘法建立了轨道板表面温度的预估模型。吴斌等[7−8]通过沿轨道板结构竖向布置温度传感器，对轨道结构温度梯度变化规律进行分析，并拟合出轨道板温度梯度曲线。欧祖敏等[9]基于固体传热理论，利用气象数据资料描述环境因素的边界条件，建立求解大气环境下的无砟轨道结构温度场的热传导方程，并分析了气象数据资料变化引起的轨道结构温度变化规律。闫斌等[10−12]基于热力学相关原理，建立无砟轨道温度场三维有限元模型，分析轨道板内部温度场变化规律与环境温度、太阳辐射以及风速的影响。目前，虽然在无砟轨道的温度监测试验和温度场分析方面已有一定研究成果，但仍存在着一定的局限：一方面，基于运营线路上实测无砟轨道内部温度分布特性与现场气象数据结合的研究较少，且仅以瞬时环境温度、太阳辐射量及风速进行作为分析参数，未能充分考虑轨道板内部温度传导相较于气象参数的滞后性问题；另一方面，在轨道板内部温度理论分析时，所涉及的热工参数存在着诸多的假设和简化条件，参数取值困难，难以应用于环境复杂多变情况的无砟轨道内部温度的研究。本文以CRTSⅡ型板式无砟轨道为研究对象，对华东地区实际运营的某客运专线开展轨道板内部温度与环境气象参数同步监测试验，综合分析影响轨道板内部温度的气象参数并进行优化。基于BP神经网络算法建立基于优化气象参数与轨道板内部温度之间的非线性映射模型，利用实测数据验证了分析参数经优化后的轨道板内部温度映射模型的准确性，为无砟轨道结构参数设计和养护维修方案制定提供理论参考和数据支撑。

1 无砟轨道温度试验与分析

1.1 现场试验

试验开展地点位于华东地区，属于北亚热带季风气候区，受冷暖空气的交替影响，天气复杂多变。实际运行线路上的轨道板直接暴露于大气环境之中，受到环境温度、太阳辐射、风速等气象参数共同影响着内部温度分布。本次试验所监测的内容包括环境温度、太阳辐射、风速与轨道板内部不同深度的温度，监测时间为2017年6月至8月，为夏季高温天气。温度传感器通过打孔埋入轨道板中部，布设深度分别距轨道板上表面20 mm，100 mm与180 mm，如图1(a)所示。传感器的精度为0.01℃，采样频率为30 min/次。气象站同步采集环境温度(℃)、太阳辐射(W/m2)及风速(m/s)等气象数据，现场布置如图1(b)所示。

布置于距轨道板上表面100 mm的温度传感器测得温度，用于分析服役过程中轨道板整体温度变化规律，即轨道板温度的平均值。根据铁路部门所提供的相关施工资料可知，该处轨道板的施工锁定时的整体温度约为25 ℃。

布置于距轨道板上表面20 mm与180 mm的温度传感器所测温度，用于计算轨道板竖向的温度梯度gradT，其计算公式为：

式中：20和180分别为距轨道板上表面20 mm与180 mm的实测温度，℃；为上下2个测点间的竖向距离，结合布点实际取160 mm，用于分析并判断实测竖向温度梯度是否超过《高速铁路设计规 范》[13]中的最大正温度梯度(上热下冷)+90 ℃/m，最大负温度梯度(上冷下热)−45 ℃/m的规定。

(a) 轨道板温度传感器竖向分布；(b) 气象站现场布置

图1 现场试验

Fig. 1 Field test

1.2 实测数据分析

分别统计监测期间轨道板位置的环境温度(日最高温与最低温)、太阳辐射、风速及轨道板不同深度温度(日最高温与最低温)数据，规律如图2所示。

实测数据表明，在夏季高温天气测点位置最高环境温度达到43.7 ℃，且存在较大的昼夜温差，对轨道板的日温度梯度变化产生较大的影响。太阳辐射量最大值为1 136 W/m2，太阳辐射造成轨道板上表面的温度升高，进而在轨道板内部产生较大的正温度梯度。监测期间风速幅值变化范围较为稳定，实测夜间风速最大值为10.3 m/s，较大风速加快轨道板上表面散热速度，进而在轨道板内部产生较大的负温度梯度。

轨道板内部不同深度的温度变化规律与环境温度变化情况在时序上基本保持一致，沿着深度的增加存在一定的滞后效应。靠近轨道板上表面处温度变化受气象参数影响较大，随着深度的增加，板内不同位置日温度幅值变化范围逐渐减小。轨道板整体温度的平均值的变化范围为21.01~52.65 ℃，与施工锁定时存在较大的温差，最大升温超过 27 ℃，轨道板承受了较大的温度应力，对无砟轨道结构的整体稳定性产生较大影响。轨道板温度梯度变化范围为−41.56~66.56 ℃/m，正负温度梯度以日为周期交替变化，诱发轨道板离缝等病害[14]。

为综合分析气象参数对轨道板内部温度的变化规律的影响，进一步考虑极端天气气象参数突变等情况下，轨道板内部温度分析参数的选取适用性与合理性，将试验期间2017年6月27日(晴)与2017年7月4日(阴雨)的气象参数和板内不同深度温度变化情况进行对比，如图3所示。分析可知，晴天相比较于阴雨情况下，在2 d最大温度梯度出现时刻，晴天环境温度高出1.7 ℃，太阳辐射量高出82 W/m2，风速高出0.3 m/s，但晴天时轨道板内部整体温度高于阴雨天气3.91 ℃，竖向温度梯度高出20.68 ℃/m。这主要是由于7月4日11:00左右出现降雨，随着环境温度的降低与太阳辐射量的减小，板表附近温度迅速降低，板内热量开始向外耗散，轨道板内部温度整体下降。中午12:30左右降水结束，随着环境温度与太阳辐射量的升高，板表附近的温度逐渐回升。受到先前降雨的影响，板表附近的温度需经历一段时间的热量传递方可达到相同条件下的温度水平，即使瞬时环境温度、太阳辐射量及风速恢复达到晴天相当量值水平，轨道板内部温度分布与晴天天气相比仍存在较大差异。

图2 实测数据幅值统计

(a) 2017年6月27日(晴)；(b) 2017年7月4日(阴雨)

因此，为更为准确分析轨道板内部温度变化规律，需结合混凝土材料导热特性与热传导理论，增加并优化用于分析轨道板内部温度的相关气象参数，进一步考虑当前时刻及以前一段时间范围内的综合气象参数指标用于分析。

2 轨道板内部温度分析参数优化

传热学原理中主要有热传导、热对流和热辐射3种热传递方式[15]。一般来说，环境温度与轨道板表面的温差和风速是影响轨道板表面和大气产生热传导和热对流的主要因素，而太阳辐射强度是轨道板热辐射吸收的主要来源[16]。传统分析轨道板内部温度分布规律与环境气象参数的映射关系时，主要采用环境温度、太阳辐射量和风速这3个瞬时气象参数，这3个气象参数对轨道板板内部温度的影响程度不一，基于现场实测数据对轨道板内部整体温度和温度梯度与3个瞬时气象参数进行相关性分析，结果如表1。

表1 瞬时气象参数与轨道板内部温度相关性

由表1可以看出：轨道板内部温度与环境温度、太阳辐射瞬时值的相关性较高，而由于瞬时风速离散性较大，与风速的相关系数低。

由于轨道板内部温度随时间而变化，其作用机理比较复杂，影响因素较多，并且还存在相互耦合作用，仅以瞬时的气象参数来预测当前时刻轨道板内部温度显然是不够全面的，还需考虑当前时刻先前一段时间范围内的综合气象参数，方可实现对当前时刻轨道板内部温度的准确预测。

基于实测数据与热传递理论，增加选取环境温度变化量(当前时刻环境温度减上一时刻环境温度)、当前时刻前6 h环境温度均值[17]、所选时刻当日温差及当前时刻前3 h太阳辐射量均值作为优化后的分析参数。环境温度变化量主要影响轨道板表面与外界环境的换热情况的变化规律；混凝土结构导热率低引起的轨道板内部温度相较于环境温度存在的滞后情况，考虑轨道板的厚度及热传导平衡所需的时间，增加选取当前时刻前6 h环境温度均值作为分析参数；日温差为当日环境温度的变化范围，直接影响轨道板与外界环境的辐射换热强度；考虑到轨道板表面对太阳辐射的吸收并传递的情况，增加选取当前时刻前3 h太阳辐射量均值。所增加的各参数对轨道板整体温度和温度梯度的影响如图4~7所示，其相关性分析结果见表2。

(a) 整体温度；(b) 温度梯度

结果表明，仅以环境温度、太阳辐射量、风速等气象参数瞬时值来分析轨道板内部温度特性是不够全面的，所增加的4个气象参数均与轨道板内部温度存在着不同程度的相关性，最大相关系数达到了0.939，因此增加优化的气象参数后，选取7组参数可进一步提高轨道板内部温度分析模型的准确性。

(a) 整体温度；(b) 温度梯度

(a) 整体温度；(b) 温度梯度

(a) 整体温度；(b) 温度梯度

表2 增加气象参数与轨道板内部温度相关性

3 基于BP神经网络映射模型建立

3.1 BP神经网络

BP神经网络是由具有适应性的神经元组成的广泛并行互连的网络，被广泛用于处理分类和数据拟合等问题，能学习和储存多维的输入−输出模式的映射关系[18]。本文建立有效的BP神经网络结构，对比分析气象参数优化前轨道板内部温度特性预估模型的准确率。

3.2 映射模型建立

将试验期间现场实测的4 225组轨道板不同深度温度试验数据及其对应的优化前后的气象参数数据进行整合，采用其中3 617组的实测数据作为训练样本进行网络模型训练，其余638组数据作为模型测试样本。本文采用单隐层神经网络结构来构建轨道板内部温度的非线性映射模型，输入层为经优化后所选取的7组气象参数，即第1层共7个神经元；输出层将轨道板内部的整体温度和温度梯度作为输出参数，因此第3层设置2个神经元节点；隐层神经元个数经过试算分析确定为25个，模型隐层中采用S型传输函数(Sigmoid)，输出层采用线性传输函数(purelin)，可以较高的精度逼近所希望构建的非线性映射关系。神经网络的学习速率与训练算法共同决定了模型的稳定性及训练时间，本模型学习速率设置为0.2，训练算法选择采用收敛速度最快的Levenberg—Marquardt算法。为保证模型具有良好的计算能力与泛化能力，经试算后将控制误差goal取为0.003。模型的最大训练步数epochs=200，训练之前对数据进行归一化处理，有利于网络快速收敛。如图8所示为建立的7-25-2结构的BP神经网络非线性映射模型。

图8 映射模型神经网络结构

3.3 模型验证

为了验证所建立的映射模型的准确性，从测试样本中随机选取连续3 d测试数据所对应的气象参数输入到已建立的神经网络映射模型中，预测结果与实测结果对比如图9所示。

如图9所示该映射模型的神经网络结构可以较为准确地发掘出气象参数与轨道板整体温度与温度梯度之间的非线性映射关系，并对测试样本给出较好的预测结果。对于整体温度的预测精度达到97.0%，最大绝对误差为4.0 ℃，温度梯度的预测精度达到88.4%，最大绝对误差为3.7 ℃/m。若仅使用环境温度、太阳辐射强度、风速等常规气象参数瞬时量，对于轨道板整体温度的预测精度为92.4%，最大绝对误差为9.1 ℃，温度梯度的的预测精度为81.5%，最大绝对误差为15.3 ℃/m。基于优化后气象参数可有效提升轨道板内部温度的预测准确率，较为良好的预测轨道板的整体温度和温度梯度情况，更为满足现场的工程实际需要。

(a) 整体温度；(b) 温度梯度

4 结论

1) 监测期间，轨道板内部不同深度的温度变化规律与环境温度变化情况在时序上基本保持一致，沿深度方向存在着滞后性。与施工锁定时相比，整体升温幅度达到了27 ℃。轨道板最大正温度梯度为66.56 ℃/m，最大负温度梯度为−41.56 ℃/m。

2) 环境温度变化量、当前时刻前6 h环境温度均值、日温差及前3 h太阳辐射量均值与轨道板内部温度分布规律存在着不同程度的相关性，增加所优化的分析参量可进一步提高轨道板内部温度分析模型的准确性。

3) 基于BP神经网络所建立的多气象参数优化后预测模型与轨道板内部温度的非线性映射模型，对于整体温度的预测精度达到97.0%，温度梯度的预测精度达到88.4%，有效地提升了轨道板内部温度的预测准确率，具有较好的适用性，可满足工程要求。

[1] 李东昇, 董亮, 姜子清, 等. 桥上CRTSⅡ型板式无砟轨道结构的温度荷载特征试验研究[J]. 铁道建筑, 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] 王森荣, 孙立, 李秋义, 等. 无砟轨道轨道板温度测量与温度应力分析[J]. 铁道工程学报, 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] 刘钰, 陈攀, 赵国堂. CRTSⅡ型板式无砟轨道结构早期温度场特征研究[J]. 中国铁道科学, 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] 吴斌, 刘参, 曾志平, 等. CRTSⅡ型板式无砟轨道温度场特性研究[J]. 铁道工程学报, 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型板式无砟轨道温度分布与环境温度关系的试验研究[J]. 铁道建筑, 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] 欧祖敏, 孙璐, 程群群. 基于气象资料的无砟轨道温度场计算与分析[J]. 铁道学报, 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] 闫斌, 刘施, 戴公连, 等. 我国典型地区无砟轨道非线性温度梯度及温度荷载模式[J]. 铁道学报, 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] 刘付山, 曾志平, 吴斌, 等. 高速铁路连续式无砟轨道温度场分析[J]. 铁道学报, 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, 邓非凡, 赵春光, 等. 基于气象资料的无砟轨道瞬态温度场特性研究[J]. 铁道建筑, 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, 高速铁路设计规范[S]. TB10621—2014, Code for design of high speed railway[S].

[14] 钟垚, 何越磊, 路宏遥, 等. 持续高温作用下CRTSⅡ型无砟轨道层间离缝分析[J]. 铁道科学与工程学报, 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] 刘学毅, 李佳莉, 康维新, 等. 无砟轨道温度简便计算及极端天气影响分析[J]. 西南交通大学学报, 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] 傅荟璇, 赵红. MATLAB神经网络应用设计[M]. 北京: 机械工业出版社, 2010. FU Huixuan, ZHAO Hong. The application of MATLAB neural network design[M]. Beijing: Machinery Industry Press, 2010.

(编辑 蒋学东)

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

上海市科委重点支撑计划资助项目(16030501400)；上海工程技术大学研究生科研创新资助项目(17KY1009)

何越磊(1972−)，男，辽宁锦州人，教授，博士，从事轨道交通安全与检测技术方向研究；E−mail：hyldoc@163.com