MétaCan
Menu
Retour à la cohorte
Enregistrement W2620938077 · doi:10.1177/0954409717708079

Designing and assessing wheel/rail profiles for improved rolling contact fatigue and wear performance

2017· article· en· W2620938077 sur OpenAlexaff
Eric Magel, J Kalousek

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part F Journal of Rail and Rapid Transit · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Engineering and Dynamics
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésTrack (disk drive)Head (geology)InertiaAutomotive engineeringRange (aeronautics)Conical surfaceRADIUSComputer scienceEngineeringStructural engineeringMechanical engineeringAerospace engineeringGeology

Résumé

récupéré en direct d'OpenAlex

A quick survey of wheel and rail profiles used around the world reveals a huge range of options. Wheels come in cylindrical, conical, and concave variations, while rails range in shape from a very flat 14 in. (350 mm) head radius to a tightly crowned 6 in. (150 mm) head radius. The rationale for implementing one or the other is often institutional inertia—a strong tendency to continue doing what has been done in the past. But the impacts of wheel and rail profiles on the performance of the vehicle/track interaction are large and the decision should not be made lightly. Unfortunately, there are few well-matched “off-the-shelf” solutions from the existing commercially available profiles, such that new rails and wheels often suffer early failures or infant mortality. Through examples and case studies, this paper discusses the significant role that wheel and rail profiles play with respect to performance and safety and makes the case for wheel and rail profiles specifically suited to the needs of each railway. Various techniques for assessing the performance of systems of wheels and rails are reviewed and discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,220
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part F Journal of Rail and Rapid TransitMême sujetRailway Engineering and DynamicsTravaux en français237 207