2023年5月5日晚上19:00，CSU国巍教授课题组2023年5月份组会于红3楼二楼会议室召开。此次会议主要由硕士生唐建员、陈文倩汇报自己近期的工作进展以及下一阶段的工作。汇报结束后，组内其他成员分别就汇报内容进行了热烈的讨论。
硕士生唐建员报告了轮轨横向位移响应是判断列车车轮是否脱离轨道的重要指标，对进行列车运行安全性评价具有重要意义。传统的基于位移传感器的轮轨位移测量手段，往往存在安装不便、应用场景受限等问题，本文结合机器视觉和深度学习的知识，提出了一种基于关键点的高速列车轮轨横向位移测量算法，实现了轮轨接触动态背景下轮轨横向位移的快速准确测量。同时将此轮轨横向位移测量算法应用于中南大学地震下高速铁路桥上行车试验系统，为进行地震下高速铁路桥上行车轮轨横向位移响应研究提供了试验数据支撑。并在基于试验数据验证的基础上，采用多体动力学软件SIMPACK进行了地震下高速列车-轨道-桥梁耦合模型仿真研究，详细探究了地震下高速列车轮轨横向位移响应的变化规律。
硕士生陈文倩的结论为（1）基于物理的轮轨力反演方法在直线工况中可对轮轴横向力与轮轨垂向力高精度反演，相关系数可达0.95以上，但无法解耦左右车轮的轮轨横向力。且在曲线路段中，随着曲线半径的减小，超高的增大及缓和曲线路段的缩短，反演精度低，误差无法忽略。（2）本文将所建立的数据驱动型的轮轨力反演网络CLFIM和嵌入物理信息的轮轨力反演网络Phy_CLFIM的反演结果对比，结果显示Phy_CLFIM的反演精度优于CLFIM；从网络训练的过程来看Phy_CLFIM网络在收敛速度也优于CLFIM。从试验的应用中来看Phy_CLFIM的泛化能力较CLFIM的稍高。（3）所提出的Phy_BLFIM在直线工况下有较好的反演结果，在所检验的工况中反演结果的相关系数均在0.95以上。相较于基于物理的模型的轮轨力反演方法，可以减少对车辆的改造和传感器的布置。同时相较于CLFIM与Phy_CLFIM该网络有更好的泛化能力。
CSU国巍教授课题组两周一次的组会是课题组制度之一，由各组员汇报自己近期的研究工作和未来计划。欢迎感兴趣的同学参加会议并参与讨论。
