열적 및 기하학적 요인으로 인한 레일 이음부-갭(gap) 변동은 콘크리트 침목과 궤도 슬래브에서 가장 흔한 내구성 문제이며, 이는 전체 궤도 무결성을 저해한다. 본 연구는 레일 기반 현장 계측을 이용하여 곡선 구간의 자갈(볼라스티드) 교량 궤도에서 레일 이음부-갭 변동을 예측하기 위한 심층 신경망(DNN) 모델을 제시한다. 모델 학습에는 2570개 데이터 포인트(갭, 온도, 캔트(cant), 게이지(gauge), 위치)를 사용하였다. 세 가지 데이터셋(우측 레일, 좌측 레일, 결합)을 사용하였다. 모델 성능은 MSE, MAE 및 R 2 로 평가하였으며, DNN은 MAE가 약 1.3 mm(< 평균 갭의 15% 미만)이고 R 2 가 우측 0.86 및 좌측 0.80을 달성하였다. 잔차는 거의 정규분포에 가까웠고, 예측의 95% 이상이 ± 4 mm 범위 내에 포함되었다. 부트스트랩 표본추출은 R 2 에 대한 95%의 좁은 신뢰구간(0.83–0.89)을 제공하였다. SHAP 분석 결과 레일 온도가 주요 예측 변수로 나타났으며, 게이지, 캔트, 위치는 제한적으로 기여하는 것으로 나타났다. 체결부(고정장치) 건전성과 자갈 거동에 대한 현장 모니터링을 통합하면 오차를 추가로 줄일 수 있다. 본 시스템은 점검의 위험을 감소시키고 궤도 안전을 향상시키며, 철도 콘크리트 구조물의 무결성을 선제적으로 관리하는 데 기여할 수 있다. • 소음-증강된 2570개의 현장 계측 데이터를 사용하여 곡선 자갈 교량 궤도에서 레일 이음부-갭 변동을 예측하는 DNN을 개발하였다. • MAE가 약 1.3 mm(< 평균 갭의 15% 미만)이며, R 2 는 우측 레일 0.86과 좌측 레일 0.80을 달성하였다. • 예측의 95% 이상이 ± 4 mm 이내의 잔차를 보였으며, 부트스트랩 표본추출(n = 1000)로 R 2 에 대한 신뢰구간 0.83–0.89의 좁은 범위를 확인하였다. • SHAP 분석에서 레일 온도가 주요 예측 변수로 확인되었고, 게이지, 캔트 및 위치는 갭 변동성에 대한 2차 영향력을 나타냈다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.