近期，我院王建西教授作为通讯作者，博士生杨雅迪作为第一作者，在国际权威期刊《Wear》（JCR Q1,Top期刊）上相继发表题为“Advances in prediction methods of wear of rails”的综述论文和题为“A mechanism-data dual-driven approach for predicting profile changes in rails”的研究论文。该研究提出了基于物理机理-数据双驱动的钢轨磨耗预测新范式，显著提升了钢轨廓形预测的精度。

综述论文“Advances in prediction methods of wear of rails”系统梳理了钢轨磨耗预测领域的研究进展与发展趋势。钢轨磨耗会显著缩短钢轨寿命并威胁列车运行安全，精准的钢轨廓形预测对于制定有效的减磨策略、保障轨道维护的可靠性与经济性至关重要。研究发现，目前主要衍生出数据驱动和机理模型两类预测方法。然而，实测数据的随机性（受多因素耦合影响）制约了数据驱动模型的精度与泛化能力；机理模型虽常用，但因其对参数的简化处理，预测精度受限。该文前瞻性地指出，融合数据驱动与物理机理的混合预测技术是未来提升模型精度与计算效率的关键方向。

研究论文“A mechanism-data dual-driven approach for predicting profile changes in rails”则创新性地提出了一种机理-数据双驱动的钢轨廓形变化预测方法。该方法的核心创新在于设计了一种分阶段协同机制，有效融合机理模型的物理可解释性与数据驱动方法的非线性映射能力。具体而言，该方法采用迁移学习预训练-微调策略有效融合了物理先验与现场数据的不确定性，并引入自适应噪声增强技术强化局部特征表达，在预训练阶段：嵌入了物理边界条件，形成了跨线路适用的基础模型；在微调阶段：能以少量现场数据快速适配特定线路，显著降低了传统方法因线路差异导致的冗余建模成本。该研究为重载铁路钢轨维护建立了一种平衡物理可信度与运营适应性的智能预测范式。在曲线半径≥400m的轨道上，该方法将预测廓形的平均绝对百分比误差（MAPE）控制在10%以内。

图1  基于机理-数据双驱动的钢轨廓形预测框架

(a) 曲线半径 600 m                            (b) 曲线半径400 m

(c) 噪声增强

图2  钢轨廓形预测结果

论文链接：

“Advances in prediction methods of wear of rails”

https://doi.org/10.1016/j.wear.2024.205676

“A mechanism-data dual-driven approach for predicting profile changes in rails”

https://doi.org/10.1016/j.wear.2025.206172