Notice bibliographique
Résumé
Train sanders are ubiquitous in remediating low wheel–rail adhesion. Sanders operate by taking sand stored in a hopper, pneumatically conveying it through a nozzle, then spraying it into the wheel–rail interface. In this research, the wheel–rail–sander system was simulated experimentally in a laboratory. The system was optically accessible, and Particle Tracking Velocimetry was used to observe the trajectory of sand particles approaching the nip. The percentage of sand conveyed through the nozzle that makes it to the wheel–rail nip – the deposition efficiency – was measured gravimetrically. The maximum efficiency was found to be 91% for 1.15 mm mean diameter silica sand with a proprietary coating, and the minimum efficiency was 59% for uncoated aluminum oxide with a 0.91 mm mean diameter, both at a simulated train speed of 18 km/h. Irregular particles were found to be less efficient when compared to spherical particles with a similar size and composition. Increasing the size of silica sand from 0.18 mm to 1.05 mm in diameter slightly decreased the sanding efficiency from 67% to 60%. There was no statistically significant dependence of the efficiency on the particle coefficient of restitution. The single parameter most closely correlated with the deposition efficiency is the expansion of the particle-laden jet downstream of the nozzle. Larger, round particles typically had the smallest jet expansion and the highest efficiency, whereas rough particles with large diameters were found to have a large jet expansion and lowest efficiency. Finally, the effect of train speed on deposition efficiency was studied. The deposition efficiency was found to be very low at low train speeds and asymptotically approaches a fixed value at higher speeds. A simple physical model is proposed that explains the low efficiency at low speeds.
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 ».