本研究建立了一种结合物理机制的新型机器学习范式，旨在解决传统方法在预测高速铁路（HSR）轨道板混凝土疲劳寿命方面的局限性，尤其是由于忽视微观结构特征和载荷随机性而导致的准确性不足和可解释性差。研究方法创新性地开发了一个结合图神经网络（GNN）和Transformer架构的多任务学习框架。GNN将混凝土微观结构抽象为拓扑图，以捕捉空间损伤传播路径，而Transformer分析随机载荷谱以识别决定疲劳损伤的关键时间模式。该多任务框架同时预测疲劳寿命、损伤演变率和残余强度。实验结果表明，所提出的GNN-Transformer模型表现出色。在150个训练周期后，所提出的模型达到均方误差为0.224，均方根误差为0.332，决定系数达到0.939。同时，基于实验中使用的计算架构，该模型实现了平均单样本预测延迟为0.86秒，GPU利用率为48.3%，显示出其在线部署的强大潜力。所有指标显著优于现有模型。研究总结认为，该框架通过有效整合微结构拓扑与宏观载荷序列特征，成功构建了高精度、高效且具有物理可解释性的预测模型。本研究为高速铁路基础设施的预测性维护和智能健康管理提供了强有力的算法支持。
Su等（星期五）研究了这个问题。