Evaluating Rail Surface Roughness from Axle-Box Acceleration Measurements: Computational Metrology Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study develops a new methodology based on computational metrology techniques to measure rail surface roughness from vertical axle-box accelerations. A VIA rail passenger rail car, operating in eastern Ontario, Canada, was instrumented with accelerometers on the car body, trucks, and axle-boxes. The rail surface was measured by a heavy track geometry inspection car. A Gaussian filter was applied to the measured rail surface data and the rail surface roughness was quantified by the root mean square (RMS), as recommended by ISO 11562 for evaluating engineering surfaces. Values of rail surface RMS roughness calculated from axle-box accelerometer data are verified with the measured surface RMS roughness. The overlap ratio and length of the moving window over which the rail surface RMS roughness is calculated are studied with respect to roughness wavelengths, statistical considerations, and maintenance planning purposes. The effect of rail car operating speed as well as the difference between axle-box accelerations measured at two axles of the instrumented rail car on the accuracy of estimating the rail surface RMS roughness are assessed. Filtering techniques and application limitations for calculating roughness are also discussed. The results of this study suggest axle-box acceleration data provide a useful assessment of rail surface roughness for the typical wavelengths between 3 and 25 m and a complementary technique to light and heavy track geometry inspections.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle