多频率GPR指标在跨环境条件下的稳定性及其在铁路道砟污损无损评估中的应用

《Transportation Geotechnics》:Cross-environment robustness of multi-frequency GPR indicators for nondestructive assessment of fouled railway ballast

【字体: 大 中 小 】 时间:2026年08月09日 来源:Transportation Geotechnics 6.2

编辑推荐:

  摘要:降雪前后的大气环境变化可能影响基于地面穿透雷达的道砟污染指标的数值稳定性,以及污染识别模型的通用性。为提升环境干扰条件下的道砟污染识别可靠性,本研究在具有已知污染程度的标准化道砟污染测试轨道上开展实验。在降雪前后,分别使用400兆赫和2吉赫的天线对10%至50%不等的五种污

  摘要:降雪前后的大气环境变化可能影响基于地面穿透雷达的道砟污染指标的数值稳定性,以及污染识别模型的通用性。为提升环境干扰条件下的道砟污染识别可靠性,本研究在具有已知污染程度的标准化道砟污染测试轨道上开展实验。在降雪前后,分别使用400兆赫和2吉赫的天线对10%至50%不等的五种污染程度进行GPR检测。随后建立了涵盖多维度信号特征的道砟污染评估指标体系。通过斯皮尔曼相关系数分析各指标对污染程度的单调敏感度,引入天气诱导变化指数量化同一指标在降雪前后的差异,同时采用鲁棒性得分来综合评估指标的污染敏感度与跨环境稳定性。此外,研究还构建了单一指标特征集、针对不同雷达频率的多指标特征集,以及结合400兆赫与2吉赫特征的双频直接融合特征集,以验证污染等级分类性能及跨环境泛化能力。实验结果表明,在所提出的指标体系中,2吉赫指标的总体鲁棒性高于400兆赫指标,其平均鲁棒性得分分别为约0.54和0.27。在所有单一指标组合中,2吉赫与10纳秒低频段能量比表现出的鲁棒性最高,其在降雪前后对应的斯皮尔曼相关系数均为-0.90,天气诱导变化指数约为0.026,鲁棒性得分约为0.878。就污染等级分类而言,单一指标不足以有效区分不同污染程度;而将具有代表性的2吉赫指标特征集与逻辑回归模型结合使用,可取得较为理想的初步分类效果,准确率为0.767,宏观F1值为0.758。跨环境验证显示,2吉赫单频特征集的通用性优于400兆赫单频特征集。直接的特征级双频融合并未展现出超越2吉赫单频模型的优势,这表明未来的多频融合方法需进一步引入特征选择、配对特征融合或分层建模等策略。这些研究结果为选择具备强鲁棒性的基于GPR的道砟污染指标,以及优化环境干扰条件下的数据采集参数提供了参考。

引言:道砟是道床结构中的关键组成部分,承担着支撑、排水及维持轨道几何形态的作用。其状态直接关系到轨道的稳定性、运营安全以及维护决策。随着使用寿命的增加和列车反复碾压,道砟颗粒会出现破碎、磨损,同时外部细小颗粒的侵入会逐渐改变道砟层的孔隙结构及颗粒间的接触状态。这些变化可能导致排水能力下降、动态响应性能变差,进而增加缺陷产生的风险[1][2]。在复杂的运营环境下,道砟污染的形成还受到线路类型、货物泄漏、气候条件及排水状况等因素的影响。仅依靠人工检查或局部挖掘无法全面掌握道砟状态的连续空间分布,也无法满足大规模网络精细化维护的需求[3][4][5]。因此,实际铁路维护工作中,道砟污染识别不仅需要快速、连续且无损的检测方法,还需要能够适应复杂现场条件变化的稳定评估指标体系。

地面穿透雷达具有检测连续、高效且非侵入式的优点,已成为评估铁路道砟及路基结构状况的重要技术。以往的研究和工程应用表明,GPR可用于铁路轨道结构检测、道砟状态评估、水分异常检测以及污染程度评价。其应用范围已从点状检测逐步发展为车载式连续检测及线路尺度上的整体状态评估[6][7][8][9]。在道砟污染识别方面,可通过车载GPR数据,利用功率谱、信号包络及其他信号特征来计算道砟污染程度或污染指数,从而为道砟清洁决策、缺陷核实及维护规划提供定量依据[10][11]。国际上的相关研究也通过实验测试、数值模拟、建模以及现场试验等方式,进一步拓展了基于GPR的道砟评估方法。例如,Benedetto等人[12]结合实验与建模方法,利用GPR评估铁路道砟状态;Bianchini等人[13]在受控的铁路现场开展了道砟监测试验;Anbazhagan等人[14]则研究了利用接地式GPR天线识别道砟污染类型与程度的方法。尽管这些研究证明了GPR在不同铁路环境中用于污染检测和道砟状态评估的可行性,但大多数研究都是在特定的轨道条件、固定的数据采集配置或受控的现场环境中评估指标的有效性,其主要关注的是所选GPR特征是否能在给定测量条件下反映道砟污染或状态差异,而非这些特征在环境状态变化时能否保持稳定的敏感度和数值一致性。因此,基于GPR的污染指标在不同环境状态下的鲁棒性与通用性仍需进一步研究。

针对基于GPR的道砟污染评估,以往研究已经开发出了多种评估指标。散射相关指标、高频信号特征、频谱积分、多尺度特征、时频特征、波形特征以及多特征融合方法等,都被用于表征道砟污染、缺陷或状态差异[15][16][17][18][19][20]。此外,雷达中心频率、天线配置、多频系统以及数据采集参数都会影响雷达的穿透深度、空间分辨率、指标敏感度以及状态表征结果。在不同频率下获取的GPR信息,还能在浅层识别与深层结构感知方面发挥互补作用[21][22][23][24]。因此,基于GPR的污染评估并非由单一指标决定,而是受到雷达频率、数据采集参数、特征提取范围以及指标类型等多因素的共同影响。对于GPR检测数据而言,仅比较单一频率或单一指标的相关性,不足以判断在复杂环境条件下不同频率-数据采集时间窗口-评估指标组合的稳定适用性。

环境状态的变化是影响GPR指标稳定性的关键因素之一。现有研究表明,道砟材料状态、含水量、污染类型以及现场条件的差异,都会影响GPR信号的特征分布以及结果解读的稳定性[25][26][27][28][29][30]。Barrett等人[31]进一步指出,在异质道床材料中,污染与水分因素可能会产生模糊的GPR响应,使得仅凭GPR数据难以唯一确定各种影响因素。近期对铁路道床GPR响应的仿真建模也表明,材料状态、含水量以及结构配置的变化,都会显著影响变化环境下的雷达解读结果[32]。在铁路应用之外,人们也在不同的环境与数据采集条件下研究了GPR衍生特征的鲁棒性。Ratto等人[33]发现,GPR的检测与区分性能会因天气、地形、土壤及含水量等因素的不同而有所差异,而基于情境的特征选择有助于提高环境变化条件下的系统鲁棒性。Algeo等人[34]进一步证明,早期GPR信号特征对含水量变化的敏感度很大程度上取决于天线频率以及所选择的分析时间窗口,这说明某一特征的有效性可能会随数据采集与处理方式的改变而变化。跨条件通用性同样也是基于GPR的解读工作中的一个重要问题。Oturak等人[35]发现,在某种土壤条件下训练得到的分类器,当土壤的电磁特性发生变化,如从干燥变为湿润状态时,其分类效果未必依然良好,这就凸显出在已知与未知环境之间进行领域自适应的必要性。Klewe等人[36]报告称,将基于实验室数据开发的分类器应用于实地测量时,其基于GPR的含水量分类性能会明显下降,这主要是因为实地数据所提取的信号特征变化幅度更大。最近的研究还发现了模拟GPR数据与真实GPR数据之间存在明显的源-目标领域差异[37],以及在不同地下环境及不同雷达工作频率下采集的GPR数据集之间的差异[38]。这些研究表明,GPR特征分布和模型性能可能会因测量领域的不同而发生变化,因此应明确评估跨条件通用性,而不能仅依据单一领域内的性能结果就妄下结论。在实际铁路检测中,降雨、降雪、融雪、冻融作用、水分重新分布、排水条件变化以及温度变化等季节性或短期环境变化,都可能改变道床的介电特性,进而导致信号幅度、频率成分以及时频特征发生变化。因此,那些在特定现场条件、数据采集配置或环境状态下开发的指标或模型,若不经过专门的鲁棒性评估,就不能认为其在转移到其他条件时仍能保持相同的敏感度或性能。降雪前的检测与降雪后的检测,正是典型的短期环境变化场景。在这种场景下,道砟层的结构配置并不会发生显著变化,但环境状态的变化可能会影响GPR指标的数值分布、其与道砟污染之间的关联程度,以及指标的跨环境可比性。因此,本研究并不聚焦于降雪本身带来的电磁响应机制,而是探讨基于GPR的道砟污染指标在降雪前后的环境干扰下,是否仍能保持稳定的污染识别能力,以及不同的雷达频率、数据采集时间窗口与评估指标组合是否具备相当的跨环境鲁棒性。

随着GPR数据处理技术及智能识别方法的发展,多指标特征集与分类模型已被广泛应用于铁路道砟缺陷识别、污染状态评估以及道砟层特性分析等领域[39][40][41][42][43]。这些方法可以通过利用多维度特征提升识别任务的自动化水平,也为评估复杂的道砟状态提供了数据驱动的工具。然而,较高的分类性能并不必然意味着所用的输入指标在各种环境状态下都具有内在的鲁棒性。以往的研究表明,环境背景、数据采集配置、材料状态的变化以及源-目标领域差异,都可能改变GPR特征的反应与分布,进而影响结果解读及模型的通用性。此外,近期关于基于GPR的机器学习在交通基础设施中的应用综述也指出,数据驱动模型的实际应用往往受到标注数据集不足、现场验证困难以及跨条件通用性有限等问题的制约[44]。因此,模型性能并不能替代对评估指标内在稳定性的考察。某个指标在某一环境条件下可能表现出很强的污染敏感度,但这并不意味着它在另一环境状态下仍能保持一致的性能。同样,虽然多指标组合能够提供更丰富的信息,但也可能引入对环境干扰更为敏感的冗余特征。因此,在降雪前后的环境干扰条件下,有必要同时考察单一指标的鲁棒性、多指标特征集的分类适用性,以及分类模型的跨环境泛化能力。

综上所述,以往基于GPR的铁路道砟污染研究,主要侧重于寻找在单一测量条件或相对固定的环境状态下对污染严重程度敏感的指标。这类以敏感性为导向的分析有助于筛选出潜在的与污染相关的特征,但并未充分考虑到所选指标在测量环境发生变化时是否能保持稳定。尽管近期的GPR研究强调了环境鲁棒性及跨领域通用性的重要性,但尚未明确证明专门为铁路道砟污染评估而开发的GPR指标,在环境状态发生变化时,能否同时保持其污染敏感度与数值稳定性。在实际的道砟状态评估中,即便某个指标在特定条件下表现出高敏感度,但如果其数值会因降雪引起的水分变化、温度变化或其他短期环境干扰而出现大幅波动,那么该指标仍然可能不可靠。为解决这些问题,本研究在具有已知污染程度的标准化道砟污染测试轨道上,于降雪前后不同的环境条件下进行了多频率、多时间窗口的GPR检测,并建立了一套用于跨环境道砟污染识别的评估指标体系。首先,利用斯皮尔曼相关系数分析不同环境状态下各指标对污染程度的单调敏感度;其次,引入天气诱导变化指数来量化同一指标在降雪前后之间的变化幅度;最后,提出一种名为鲁棒性得分的评估方法,用以综合比较不同频率-数据采集时间窗口-评估指标组合的跨环境鲁棒性。最终,为了验证污垢等级的分类效果,构建了单指标单频率、多指标单频率以及双频率融合的特征集。此外,还采用了雪前训练雪后测试和雪后训练雪前测试的策略,以检验不同特征组合的跨环境泛化能力。这些结果有望为在雪前和雪后环境干扰下,基于多频率和多时间窗口的GPR轨道道砟污垢评估中的指标选择、特征组合优化以及采集参数配置提供参考。需要指出的是,本研究是在经过校准的轨道道砟污垢测试轨道上进行的,该处的污垢程度和测量条件都得到了严格控制。因此,所提出的框架旨在为评估基于GPR的污垢指标的敏感性和跨环境稳健性提供一个受控的参考基准。将研究结果直接应用于实际运营的铁路线时,可能会受到各种因素的影响,包括道砟材料特性、污垢形成机制、水分与排水状况、下部结构差异、交通负荷导致的退化以及气候环境等因素。

**校准的轨道道砟污垢测试轨道与污垢等级设置**
实验是在具有已知污垢率的校准轨道道砟污垢测试轨道上进行的。沿轨道布置了不同污垢程度的道砟段,从而为在雪前和雪后环境条件下,基于GPR的轨道道砟污垢指标的敏感性分析、跨环境稳健性评估以及分类验证提供了明确的标签信息。与污垢状况不确定的实际运营铁路线相比……

**方法论**
为使方法论框架更加清晰,图2总结了所提出的基于GPR的轨道道砟污垢评估框架的整体工作流程。该流程包含六个主要模块:受控的GPR数据采集、信号预处理与指标提取、数据集组织与样本层次结构定义、指标敏感性与稳健性评估、特征集构建与分类建模,以及以验证为导向的工程解释。

**雪前与雪后条件下轨道道砟污垢评估指标的敏感性差异**
为比较在不同环境状态下,各类基于GPR的评估指标对污垢率变化的响应能力,分别计算了雪前和雪后条件下,污垢率与各环境状态-频率-采集时间窗口-指标组合之间的斯皮尔曼相关系数,如图3所示。
如图3所示,在雪前条件下,几种2 GHz高频指标组合表现出较强的污垢检测能力……

**结论**
本研究提出了一个基于GPR的铁路轨道道砟污垢评估的跨环境稳健性框架。与以往主要关注单一环境条件下的指标敏感性的研究不同,本研究进一步分析了雪前和雪后测量状态下的指标稳定性及特征性能。主要结论如下:
(1) 不同轨道道砟污垢评估指标的敏感性排名在雪前和雪后条件下存在差异。

**CRediT作者贡献说明**
李帅:撰写——初稿、可视化、验证、软件、方法论、研究、数据整理。彭展:可视化、验证、监督、资金获取。高彦松:方法论、研究。卢赛波:方法论、研究。荆国庆:撰写——审阅与编辑、验证、监督、资金获取、形式分析、概念构建。

**利益冲突声明**
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

**致谢**
本研究得到了中国中央高校基本科研业务费(2026YJS076)、中国国家铁路集团科技研发计划(J2025G004)以及中国铁道科学研究院重大项目(2024YJ217)的支持。

李帅|彭展|高彦松|卢赛波|荆国庆
北京交通大学土木工程学院,中国北京100044
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号