Lean Railroading for Improving Railroad Classification Terminal Performance
Notice bibliographique
Résumé
Although much attention has been focused on the growth of intermodal traffic over the past decade, manifest freight (or carload) traffic is a major revenue generator for railroads. The high potential profitability of carload traffic suggests that railroads should try to grow this segment of traffic further, especially in an era of limited railway capacity. To do this, they must meet the increasing logistical needs of their customers by providing more reliable service. The classification terminal is a key determinant in service reliability of manifest freight. Terminal performance also affects network efficiency. Regression analysis showed that, as average dwell time increased, average manifest train speed decreased. Inadequate terminal capacity is viewed by many as a barrier to improved service reliability and network efficiency. Because terminals can be considered production systems, insight is gained by adapting tools that have led to significant performance improvement in manufacturing. A new approach is introduced: lean railroading. The most important manufacturing process analog to improving terminal capacity is the bottleneck. The train assembly (pull-down) process has been identified as the bottleneck in a majority of classification yards. A sensitivity analysis conducted on three bottleneck management alternatives suggests that pull-down capacity can be increased by as much as 26%, compared with the baseline case without large labor or capital expenses, through better management of the process and its interactions with the system. To maximize efficient use of rail yard infrastructure and resources, more emphasis should be placed on the quality of the classification process, rather than on quantity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».