无砟轨道受到长期车辆荷载、自然环境等因素的影响,会不可避免地产生一系列损伤,影响轨道设备的性能和使用寿命。其中CA砂浆层损伤最为常见,因此寻求CA砂浆层损伤位置和程度的识别方法具有重大工程意义。本文采用BP神经网络方法,分别对CA砂浆层的大面积损伤和局部小损伤进行损伤识别研究,将无砟轨道的动力特性作为输入,实现了对无砟轨道CA砂浆层的损伤识别,并进行抗噪性分析,验证了BP神经网络方法在无砟轨道损伤识别领域的可行性。针对CA砂浆层大面积损伤,建立有限元模型并与参考模型结果进行比对验证。通过比较结构损伤前后的频率和振型对结构的敏感性,本文提出将结构振动曲率模态差和新的损伤指标(35)(37)_i/(35)w_j作为神经网络输入,分别识别无砟轨道的损伤位置和损伤程度。对于损伤位置识别,无噪声时神经网络的精确度为100%,在测试样本中添加15%的噪声后,损伤位置识别出现了干扰,但是仍可以识别出具体损伤位置;当噪声高达20%时,位置无法被识别;对于损伤程度识别,神经网络的抗噪性随着损伤程度的增大而增强,当损伤程度超过50%时,神经网络仍对混有15%噪声的测试样本进行有效识别。针对CA砂浆层小面积损伤,建立有限元模型并与试验结果进行验证。通过二维曲率模态差研究损伤分布,得到了准确的损伤位置;将(35)(37)_i/(35)w_j作为神经网络输入,得出神经网络的抗噪性随着损伤程度和损伤面积的增大而增强的结论,当伤损面积达到0.1 m×0.1 m、伤损程度达到50%时,神经网络能对混有15%噪声的测试样本进行有效识别。结果表明,人工神经网络与模态分析数据相结合的方法,不仅能正确估计损伤的位置和严重程度,而且添加较大的噪声之后,仍可以有效识别。综上所述,将结构振动响应的振型和频率作为损伤指标,结合人工神经网络作为无砟轨道损伤检测的工具,对无砟轨道的CA砂浆层进行损伤检测,是可靠有效的。