Predicted Wheel Wear and RCF Performance Using VAMPIRE Automation Routines
Notice bibliographique
Résumé
Predicted wheel performance is an invaluable tool in developing new components such as wheel profiles and truck components and also in understanding and controlling wheel and rail wear and rolling contact fatigue (RCF). This paper outlines a vehicle dynamics trial using VAMPIRE Pro to compare the predicted wear and RCF performance of the WRISA2 wheel profile developed by the National Research Council of Canada (NRC) and the United Kingdom P8 wheel profile using measured wheel profiles from an in-service trial. WRISA2 and P8 profiles were fitted to two passenger trains running in normal service. Wheel profiles were measured every 10,000 miles. These measured profiles were used to predict wear and RCF damage for each wheel of the investigated rail vehicle, using a combination of VAMPIRE transient analysis and another program called the “Whole Life Rail Model” (WLRM). This process was repeated up to 190,000 miles run in service, allowing a clear comparison of the changing rail wear and RCF performance of the two profiles up to this mileage. This process was automated using new features within VAMPIRE that allow communication to 3rd party computer programs including the WLRM, Microsoft Excel, and Microsoft Visual Basic. This research process presents itself to be a very useful tool in predicting wheel wear performance for any number of new wheel and truck components.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».