The resilient modulus of ballast is a key parameter in assessing track quality and is influenced by various loading conditions, such as deviator stress, bulk stress, loading frequency, and confining pressure. These factors, when incorporated into different models, can sometimes complicate their application in track maintenance planning. Therefore, a simplified model that collectively considers these factors would be beneficial in practical applications for estimating the ballast resilient modulus. This study utilizes smart sensing technology, SmartRock, to track particle movement during large-scale triaxial cyclic loading tests, exploring the potential correlation between ballast resilient modulus and particle motion. The findings indicate that the settling acceleration of ballast particles significantly impacts the ballast resilient modulus. This effect is dependent on the applied cyclic loading pulses, an aspect previously overlooked in research. Consequently, an index termed the Cyclic Loading and Acceleration Index (CLAI) has been introduced. CLAI integrates the effects of deviator stress, loading frequency, loading pulses, and settling acceleration. Based on CLAI, a simplified model for ballast resilient modulus has been developed and validated.

Abstract Railroad ballast serves to transfer moving train loads to the subgrade and maintain track stability. The profile of repeated train loading is observed to be irregular and periodical with a rest time caused by the nature of railway cars. The cyclic loading pulses applied in large-scale triaxial testing are then simplified with varying rest times in prior research, but this simplification leaves its effect on the response of ballast movement ambiguous. In this study, SmartRock, an intelligent sensor, is employed in large-scale triaxial tests to examine the vertical acceleration of ballast under various loading pulses. An index called cyclic loading duration ratio (CLDR) is introduced to establish the correlation between vertical accelerations and loading pulses. The findings suggest that there are settling acceleration and rebound acceleration under various loading pulses. With the decreasing of CLDR, both accelerations show a clear growth, and their growth rates are highly dependent on the applied deviator stress. Besides, under CLDR = 0.05, the ballast particles tend to vibrate with the high deviator stress. These insights are crucial for making informed decisions about waveform selection in future triaxial testing.

Abstract This paper presents a Spatial-Temporal Graph Convolutional Network-based Pedestrians’ behaviors Anomaly Detection system (STGCN-PAD) for grade crossings. The behaviors of pedestrians are represented in a structured manner by skeleton trajectories that are generated using a pose estimation model. The ST-GCN components are sequentially applied to capture the spatial dependencies between skeleton key points within a single video frame and the temporal relationships for each of them. Based on these features, the system reconstructs input trajectories with a constant sliding window size, and the reconstruction error is used to distinguish abnormal behaviors from those normal. To accelerate the processing of extracted multi-dimensional feature maps, an MLP-Mixer model-based reconstruction network is developed as an alternative to the traditional convolution neural network. Only trajectories of normal walking behavior are included for model training. Anomalies, such as lingering and squatting activities, can be identified as outliers by observing the magnitude of reconstruction errors. The case studies demonstrate the salient feasibility and efficiency of the proposed system, which achieves at least comparable performance (approximately 88% in the AUC evaluation metric) with several state-of-the-art approaches while using the MLP-Mixer model accelerates model inference by 10× relative to our previous effort (Song et al. in Appl Intell 53:21676–21691, 2023).

Abstract In the field of railway infrastructure maintenance, timely and accurate detection of component anomalies is crucial for safety and efficiency. This paper presents the Cascade Region‐based convolutional neural network with Predefined Proposal Templates (CR‐PPT), an innovative method for railroad components inspection in complex railway infrastructure using edge‐computing devices. Unlike previous systems, CR‐PPT employs a series of predefined templates that enable it to detect both the presence and missing elements within various fastening systems. Our experimental analysis pinpoints the most effective network configurations for CR‐PPT. Furthermore, the paper examines CR‐PPT's proficiency in zero‐shot learning and fine‐tuning, highlighting its adaptability to new fastening systems. We have developed an optimized inference pipeline on NVIDIA Jetson AGX Orin, significantly enhancing its applicability for railway inspection practices. Field blind tests validate the model's high precision and efficiency, greatly reducing the time and labor required for inspections. The findings highlight CR‐PPT's potential as an efficient and robust tool for track health assessment, marking a notable progression in the integration of AI and computer vision in rail track inspection.