Bullerskyddsskärmar längs järnvägar utsätts återkommande för tåggenererade aerodynamiska laster under sin långa livslängd, vilket kan leda till utmattningsproblem vid den svetsade infästningen av stålstolparna. Konventionella metoder för utmattningsanalys tar ofta inte tillräcklig hänsyn till de komplexa drift- och miljöförhållanden som verkliga konstruktioner utsätts för. För att hantera detta problem föreslås i denna studie ett ramverk för utmattningsanalys som integrerar långtidsdata från fältövervakning med maskininlärning (ML) och numerisk simulering. Baserat på en databas från fältmätningar utvecklades en datadriven beräkningsmodell för att prediktera spänningsresponsen i bullerskärmarnas stålstolpar under verkliga drift- och miljöförhållanden. En finita elementmodell (FE), validerad mot fältdata, användes vidare för att fastställa ett kvantitativt samband mellan de uppmätta spänningsresponserna och den maximala spänningen vid stålstolpens bas. Utmattningslivslängden för brottmoder vid svetstå respektive svetsrot utvärderades med Palmgren–Miners linjära skaderegel och nominell spänningsmetod enligt Eurokod. Resultaten visar att brott vid svetsroten är dimensionerande för utmattningsprestandan hos stålstolpens bas och ger betydligt kortare utmattningslivslängd än brott vid svetstån. Nosvågor dominerar utmattningsskadan, medan svansvågor fortfarande bidrar med cirka 14–23 %. Utmattningslivslängden påverkas dessutom i hög grad av tågens driftshastigheter och fördelningen mellan olika tågtyper, vilket understryker vikten av att beakta realistiska tågdriftsförhållanden vid utmattningsanalys och dimensionering. Det föreslagna ramverket utgör ett praktiskt och skalbart verktyg för utmattningsanalys och planering av livscykelbaserat underhåll av bullerskyddssystem längs järnvägar.

Railway noise barriers are frequently subjected to train-induced aerodynamic loads during long-term service, which may lead to fatigue problems at the welded base of steel posts. Conventional fatigue assessment methods often fail to account for the complex operational and environmental conditions experienced by real structures. To address this issue, this study proposes a fatigue evaluation framework that integrates long-term field monitoring data with machine learning (ML) and numerical simulation. Based on a field test database, a data-driven calculation model was developed to predict the stress responses of barrier steel posts under actual operational and environmental conditions. A finite element (FE) model validated by field data was further used to establish a quantitative relationship between the monitored stress responses and the maximum stress at the steel post base. Fatigue life for weld toe and weld root failure modes was evaluated using Palmgren-Miner linear damage rule and the nominal stress method in the Eurocode. Results show that weld root failure governs the fatigue performance of the steel post base, with significantly shorter fatigue lives than weld toe failure. Nose waves dominate fatigue damage, while tail waves still contribute about 14–23%. The fatigue life is also strongly influenced by train operating speeds and train type distribution, highlighting the importance of considering realistic train operating conditions in fatigue assessment and design. The proposed framework provides a practical and scalable tool for fatigue assessment and lifecycle maintenance planning of railway noise barrier systems.