The effect of hardness matching of rail/wheel materials on wear rate of railway wheel
Notice bibliographique
Résumé
There is no rationalization for a certainty that harder wheels or rails will result in an increase in wear of the opposite side of the wheel/rail interface. This research investigated how the wear of wheel material changes when the hardness of the opposing pair is varied. Three Rail/wheel material matches; normalized UIC50 kg/m and S1002 wheel profile (Rail/wheel material 1), normalized UIC60 kg/m and whole heat treated S1002 wheel profile (Rail/wheel material 2) and rim heat treated UIC60 kg/m and whole heat treated S1002 wheel profile (Rail/wheel material 3) has been investigated using multi-body simulation software (SIMPACK) and MATLAB programming. For validation, as an experimental advantage, the wear depths measured on the wheel tread wear of the end vehicle of LRT for mileage of 50,000 km are compared to the results of numerical simulation performed. As a result, the estimated total tread wear amount after a mileage of 50,000 km is 4% larger than the experimental one. That is indeed a very good result considering that either component of the wheel wear prediction model used is neither adjustment nor calibration. From the three rail/wheel matches, Rail/wheel material 3 found to be the better material match that could resist wear significantly considering material hardness as important criteria for comparison. The study could remark that, despite the fact both wheel and rail material hardness could affect the wear performance in respected positive ways, most significant improvements are attained by improving the rail material hardness ahead of wheel material.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».