23470

توسعه مدل زوال هندسي خطوط ريلي با ترافيك تجمعي مختلط

كارشناسي ارشد

مهندسي خطوط راه آهن

1399-1400

1399/12/27

سعيد محمدزاده

راه آهن

در سال هاي اخير، مطالعات زيادي روي زوال هندسي خطوط ريلي با هدف پيش بيني خرابي¬ها انجام شده است. با اين وجود بحث مدل¬سازي زوال، زمينه مطالعه بيشتر را دارد. با توجه به اينكه تعدادي از خطوط ريلي كشور داراي بار ترافيكي مختلط مي¬باشد و تاكنون اثر بارگذاري مختلط در مدل¬هاي زوال توسعه يافته، ديده نشده است، بنابراين نياز به توسعه يك مدل زوال هندسي با بار ترافيك مختلط ضروري است. اين مدل¬سازي كمك خواهد كرد كه ضمن بررسي اثر تركيب بارگذاري مختلف بر زوال خط، نرخ زوال مسير مورد نظر بر حسب بار ترافيكي تجمعي مختلط محاسبه شود. جهت توسعه مدل زوال، بلاك اسفراين-نقاب مورد مطالعه قرارگرفته و از شبكه عصبي مصنوعي mlp در محيط متلب، استفاده ‌شده است. ديتاي ورودي جهت توسعه مدل، به كمك اطالاعات مربوط به سرعت متوسط قطارها و تعداد قطار عبوري بلاك مورد نظر در سال 1398، به صورت رندم توليد شده است. سه مدل ساتو، شنتون و ايوانكي جهت توليد ديتاي مربوط به پارامتر وابسته، انتخاب شده است. بر اساس سه مدل مذكور، نشست خط (ميلي¬متر) به عنوان پارامتر وابسته مدل توسعه يافته، تعيين شد. ديتاي ورودي شامل: بار ترافيكي تجمعي، درصد قطارهاي مسافري، درصد قطارهاي باري، درصد قطارهاي خالي و سرعت متوسط قطارها، در سه مدل جايگذاري شد و خروجي آن¬ها، به عنوان پارامتر هدف استفاده شده است. در نهايت با استفاده از ورودي سه مدل به عنوان ورودي مدل نهايي و خروجي آن¬ها به عنوان پارامتر هدف و با كمك شبكه عصبي، مدل مورد نظر توسعه پيدا كرد. جهت آموزش و تست مدل 10000 ديتا توليد شده است. 70 درصد ديتا جهت آموزش و 30 درصد جهت تست مدل استفاده شد. بهترين عملكرد شبكه عصبي مربوط به 1 لايه پنهان و 5 نورون در لايه پنهان مي¬باشد. شبكه عصبي با روش لونبرگ-ماركوات آموزش ديده و از توابع تانژانت سيگمويد در لايه پنهان و تابع خطي در لايه خروجي آن استفاده شده است. نتيجه عملكرد اين مدل، به ترتيب براي ضريب تعيين و ميانگين مربعات خطا كل داده ها 7747/0 و 3/43×〖10〗^(-4) مي¬باشد. ضريب تعيين مربوط به مدل توسعه يافته و هر يك از سه مدل ساتو، شنتون و ايوانكي به ترتيب 6835/0، 8634/0، 8754/0 مي¬باشد. پس از توسعه مدل به منظور بررسي اثر بار ترافيكي مختلط بر زوال خط، 10 تركيب مختلف بارگذاري ايجاد شد. اعداد داخل پرانتز از چپ به راست به ترتيب درصد قطار مسافري، باري و درصد قطار خالي مي¬باشد؛ (70،5،25)،(35،50،10)،(15،30،55)، (35،35،30)، (50،45،5)، (10،50،40)، (50،10،40)، (80،5،15) (10،5،85)، (5،90،5)، نتيجه تركيب بارگذاري هاي بالا از راست به چپ (275/0، 952/0، 568/0، 679/0، 933/0، 802/0، 190/0، 292/0، 141/0، 99/0) مي¬باشد. نتيجه نشان مي‌دهد تركيب بارگذاري‌هاي مختلف اثر متفاوتي بر زوال هندسي دارد، دراين ‌بين قطار باري زوال بيشتري ايجاد مي‌كند.

1400/02/20

Development of railway track geometric deterioration model with mixed cumulative traffic

3/18/2022 12:00:00 AM

In recent years, many studies have been conducted on the geometric deterioration of railway track with the aim of predicting failures. However, the discussion of deterioration modeling needs further study. Due to the fact that a number of railways in the country have a mixed traffic load and so far the effect of mixed loading has not been seen in the developed degradation models, so the need to develop a geometric degradation model with mixed traffic load is essential. This modeling will help to investigate the effect of different load combinations on line degradation, to calculate the degradation rate of the desired track in terms of mixed cumulative traffic load. To develop the deterioration model, Esfarayen-Naqab block has been studied and mlp artificial neural network in MATLAB environment has been used. Input data for model development, with the help of information related to the average speed of trains and the number of trains passing the desired block in 1398, has been generated randomly. Three models, Sato, Shenton and iwnicki, have been selected to generate data related to the dependent parameter. Based on the three models, line settlement (mm) was determined as a dependent parameter of the developed model. Input data including: cumulative traffic load, percentage of passenger trains, percentage of freight trains, percentage of empty trains and average speed of trains were placed in three models and their output was used as the target parameter. Finally, using the input of three models as the input of the final model and their output as the target parameter and with the help of a neural network, the desired model was developed. Thousand data have been produced for training and testing the model, of which 70% has been used for training and 30% for model testing. The best neural network function is a network with a hidden layer and five neurons in the hidden layer, which is trained by the Levenberg-Marquardt method and the sigmoid tangent functions in the hidden layer and the linear function in the output layer are used as the activity function. The performance of this model is 0/7747 and 3/43×〖10〗^(-4)for the coefficient of determination and the mean squared error, respectively. The coefficient of determination is related to the developed model and each of the three models Sato, Shenton and Iwniki is 0/6835, 0/8344, 0/8754, respectively. After developing the model to investigate the effect of mixed traffic load on line deterioration, 10 different loading combinations were created. The numbers in parentheses from left to right are the percentage of passenger, freight and empty train, respectively; (70,5,25), (35,50,10), (15,30,55), (35,35,30), (50,45,5), (10,50,40), (50 , 10,40), (80,5,15) (10,5,85), (5,90,5), the result of loading combinations from right to left (0/275, 0/952, 0/568 0/679, 0/933, 0/802, /0190, 0/292, 0/141, 0/99). The result shows that the combination of different loads has a different effect on the geometric deterioration, in the meanwhile the freight train causes more deterioration.

مديريت تعمير و نگهداري , بار ترافيكي مختلط , مدل هاي پيش بيني زوال خطوط ريلي

Maintenance management , Mixed Traffic Load , Railway Deterioration Prediction Models