MétaCan
Menu
Retour à la cohorte
Enregistrement W4390872192 · doi:10.1109/access.2024.3353805

Adaptive DDL Algorithm to Elucidate the Protection Misoperation in Malaysian Rapid Rail DC Traction System

2024· article· en· W4390872192 sur OpenAlexaff
Vimal Rajan Bharatha Kumar, Mohammad Lutfi Othman, Noor Izzri Abdul Wahab, Hashim Hizam, M. Nasir Uddin, Nima Razaei, Andrew Xavier Raj Irudayaraj, Shiva Gopalakrishnan, Tasmeea Rahman

Notice bibliographique

RevueIEEE Access · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Systems and Energy Efficiency
Établissements canadiensLakehead University
Organismes subventionnairesUniversiti Putra Malaysia
Mots-clésOvercurrentTraction power networkTraction (geology)Electric power systemTrainComputer scienceElectrificationPower-system protectionTransient (computer programming)Fault detection and isolationFault (geology)VoltageEngineeringAutomotive engineeringElectrical engineeringPower (physics)Electricity

Résumé

récupéré en direct d'OpenAlex

In modern railway traffic systems, direct current (DC) electrification is a prevalent choice, with numerous traction networks adopting a variety of voltage levels to accommodate varying load current dynamics. These dynamics are influenced by passenger density, aggregate demand for electrical power, headways, and frequency of locomotive operations. Load currents are prone to surges during periods of dense traffic and transient phases such as acceleration, deceleration, and the start–stop sequences of trains. Such surges hold the potential to precipitate fault currents within the traction system, which are similar to those engendered by external anomalies. Conventional protection systems, such as the Détection Défaut Ligne’—French for ’Line Fault Detection), may not always effectively identify remote faults or prolonged overcurrent situations. These scenarios necessitate an advancement beyond the traditional fault detection methodologies, which are primarily reliant on fixed thresholds and may not account for the dynamic nature of the railway system’s electrical load. This paper addresses the limitations inherent in the existing DDL protection mechanisms by focusing on the feeder attributes specific to the DC Traction System. In pursuit of this objective, we introduce an innovative adaptive current DDL algorithm to refine the rigid threshold paradigm inherent in the conventional approach. To facilitate a pragmatic assessment, the Rapid Rail network of Malaysia serves as a reference for emulating the railway’s electrical system. This comprehensive analysis yields insights that are potentially useful for safety protocols in DC electrified railroad traffic systems.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,241
Écart entre enseignants0,220 · 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

Citations8
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetRailway Systems and Energy EfficiencyTravaux en français237 207