Tianyu Wang
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Tianyu Wang has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- Christophe Chevalier
Université Gustave Eiffel
3 shared publications - Franziska Schmidt
Université Gustave Eiffel
3 shared publications - Philippe Reiffsteck
Département Géotechnique Case Study New electric powered drill rig Université Gustave Eiffel Risques Naturels et Sciences de la Terre Champs-sur-Marne Île-de-France France
3 shared publications Chi-Wei Chen
DTR, DGII, Société Nationale des Chemins de fer Français Réseau
2 shared publications- Chi-Wei Chen
Graduate Degree Program of Smart Healthcare & Bioinformatics, I-Shou University, Kaohsiung City, Taiwan
1 shared publication Tsuyoshi Takayanagi
Railway Technical Research Institute
1 shared publication
Latest Publications
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Scour management in French rail infrastructure using machine learning
Gestion de l'affouillement dans les infrastructures ferroviaires françaises à l'aide de l'apprentissage automatique: L'affouillement est un phénomène naturel résultant de l'action érosive d'un cours d'eau. Il se produit sur les lits érodables en transportant ou en extrayant des sédiments de la rivière en particulier au voisinage d’obstacles comme les piles de pont. L'identification des infrastructures ferroviaires vulnérables à l'affouillement est l'une des tâches importantes des gestionnaires de transport. En France, cependant, il n'existe pas encore de processus pratique d'identification pour les infrastructures ferroviaires. Cette thèse aborde la question via des méthodes basées sur l'apprentissage automatique «machine learning», puisqu'elles ont récemment fait preuve d'une bonne capacité de prédiction. En utilisant les données de la Société Nationale des Chemins de Fer Français (SNCF), des algorithmes classiques et couramment utilisés sont d'abord appliqués pour construire les modèles d'apprentissage automatique. Ensuite, les modèles sont examinés en termes de robustesse et de facilité d’utilisation. Enfin, ils sont comparés à des approches existantes telles que l'ARPSA (Cerema, France) et le « scoring table » (RTRI, Japon). Afin de comprendre les résultats de la prédiction, les méthodes d'intelligence artificielle explicable (XAI) sont employées pour l'interprétation du modèle. Les résultats de l'XAI sont ensuite comparés à l'expertise des ingénieurs. Cette thèse propose un processus rapide mais précis d'identification des infrastructures ferroviaires vulnérables à l'affouillement en tirant parti d'une nouvelle approche axée sur les données. Elle permet d'améliorer le processus actuel d'inspection et de maintenance en soulignant l'importance des facteurs environnementaux environnants. Enfin, une application web conviviale est créée pour garantir l'accessibilité des résultats de la recherche
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Scour management in French rail infrastructure using machine learning
Gestion de l'affouillement dans les infrastructures ferroviaires françaises à l'aide de l'apprentissage automatique: L'affouillement est un phénomène naturel résultant de l'action érosive d'un cours d'eau. Il se produit sur les lits érodables en transportant ou en extrayant des sédiments de la rivière en particulier au voisinage d’obstacles comme les piles de pont. L'identification des infrastructures ferroviaires vulnérables à l'affouillement est l'une des tâches importantes des gestionnaires de transport. En France, cependant, il n'existe pas encore de processus pratique d'identification pour les infrastructures ferroviaires. Cette thèse aborde la question via des méthodes basées sur l'apprentissage automatique «machine learning», puisqu'elles ont récemment fait preuve d'une bonne capacité de prédiction. En utilisant les données de la Société Nationale des Chemins de Fer Français (SNCF), des algorithmes classiques et couramment utilisés sont d'abord appliqués pour construire les modèles d'apprentissage automatique. Ensuite, les modèles sont examinés en termes de robustesse et de facilité d’utilisation. Enfin, ils sont comparés à des approches existantes telles que l'ARPSA (Cerema, France) et le « scoring table » (RTRI, Japon). Afin de comprendre les résultats de la prédiction, les méthodes d'intelligence artificielle explicable (XAI) sont employées pour l'interprétation du modèle. Les résultats de l'XAI sont ensuite comparés à l'expertise des ingénieurs. Cette thèse propose un processus rapide mais précis d'identification des infrastructures ferroviaires vulnérables à l'affouillement en tirant parti d'une nouvelle approche axée sur les données. Elle permet d'améliorer le processus actuel d'inspection et de maintenance en soulignant l'importance des facteurs environnementaux environnants. Enfin, une application web conviviale est créée pour garantir l'accessibilité des résultats de la recherche
- 1 February 2025
- Published by American Society of Civil Engineers (ASCE) in Journal of Bridge Engineering
- Vol. 30 (2)
Managing Railway Bridges Crossing Waterways through a Machine Learning-Based Maintenance Policy
- 1 February 2025
- Published by American Society of Civil Engineers (ASCE) in Journal of Bridge Engineering
- Vol. 30 (2)
Managing Railway Bridges Crossing Waterways through a Machine Learning-Based Maintenance Policy
- 4 July 2023
- Published by Taylor & Francis in Structure and Infrastructure Engineering
- Vol. 21 (4) , 643-655
An interpretable model for bridge scour risk assessment using explainable artificial intelligence and engineers’ expertise
- 4 July 2023
- Published by Taylor & Francis in Structure and Infrastructure Engineering
- Vol. 21 (4) , 643-655
An interpretable model for bridge scour risk assessment using explainable artificial intelligence and engineers’ expertise
- 11 May 2022
- Published by Taylor & Francis in European Journal of Environmental and Civil Engineering
- Vol. 27 (3) , 1104-1122
A novel extreme gradient boosting algorithm based model for predicting the scour risk around bridge piers: application to French railway bridges
Bridge failures inevitably cause severe social consequences in terms of the economic losses or even human fatalities. Scour is one of the leading causes for bridge failures. Due to its complexity and multidisciplinary nature, the mechanism of scour has not been completely understood yet. Inspired by the rapid development of Machine Learning (ML) techniques, this paper aims to construct a novel data-driven extreme gradient boosting (XGBoost) algorithm based model to predict the scour risk around bridge piers. Data used in the present study is provided by the French National Railway Company (SNCF). The performance of XGBoost-based model is compared with three commonly used algorithms: support vector machine, random forest and multilayer perceptron. Results show that the XGBoost classifier achieves high accuracy (0.959/0.938), precision (0.970/0.961), recall (0.974/0.956) and low false positive rate (0.085/0.114) for training and test set respectively. Moreover, the classifier obtains an area under the ROC curve (AUC) score equal to 0.974 for test set (a perfect classifier has an AUC equal to 1). This paper presents a cutting-edge application of XGBoost algorithm in the maintenance of railway bridges. The proposed methodology may allow engineers to determine the scour risk of bridge piers in an accurate and rapid way.
- 11 May 2022
- Published by Taylor & Francis in European Journal of Environmental and Civil Engineering
- Vol. 27 (3) , 1104-1122
A novel extreme gradient boosting algorithm based model for predicting the scour risk around bridge piers: application to French railway bridges
Bridge failures inevitably cause severe social consequences in terms of the economic losses or even human fatalities. Scour is one of the leading causes for bridge failures. Due to its complexity and multidisciplinary nature, the mechanism of scour has not been completely understood yet. Inspired by the rapid development of Machine Learning (ML) techniques, this paper aims to construct a novel data-driven extreme gradient boosting (XGBoost) algorithm based model to predict the scour risk around bridge piers. Data used in the present study is provided by the French National Railway Company (SNCF). The performance of XGBoost-based model is compared with three commonly used algorithms: support vector machine, random forest and multilayer perceptron. Results show that the XGBoost classifier achieves high accuracy (0.959/0.938), precision (0.970/0.961), recall (0.974/0.956) and low false positive rate (0.085/0.114) for training and test set respectively. Moreover, the classifier obtains an area under the ROC curve (AUC) score equal to 0.974 for test set (a perfect classifier has an AUC equal to 1). This paper presents a cutting-edge application of XGBoost algorithm in the maintenance of railway bridges. The proposed methodology may allow engineers to determine the scour risk of bridge piers in an accurate and rapid way.