Risk-Based Model for Effective Marshalling of Dangerous Goods Railway Cars
Notice bibliographique
Résumé
Today, railroad companies transport many varieties of dangerous goods (DG). Train \nderailments, especially those involving DG, can be catastrophic in terms of loss of life \nand environmental damage. In North America, the transportation of DG is governed \nby regulations published by the Canadian and United State's governments. While the \nregulation is important in terms of providing overall guidelines, they do not address the \nproblem of optimally positioning DG cars in terms of their potential for derailment and \nthe associated risks. Currently, most rail yard operations do not consider the potential \neffect of the position of DG cars on the risk of derailment. \nThis research is concerned with the problem of how to place DG cars in a train in the \ntrain assembly process so that the overall derailment risk can be minimized. The approach considers both the probability of railway cars derailing en route by position as well as the time associated with additional operations in the rail yard. This work has resulted in a useful decision support tool for assisting rail yard operation managers to achieve an optimum trade-off between derailment risk and operating costs in assembling trains. The merits of this new car placement model are illustrated through a case study of a real railway corridor that connects Barstow Yard in California to Corwith Yard in Chicago over 2100 miles and involves a range of track features. The case study demonstrates that the proposed risk minimization strategy could be implemented with minimal rail yard operation cost.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».