Dynamic Monitoring of Rail Behavior under Passenger Train Loading Using Distributed Fiber Optic Sensors
Notice bibliographique
Résumé
Increasing demand for railway transportation combined with more severe climate events, such as extreme heat, leads to an increased risk of degradation of track support and failure due to rail buckling. In this paper, distributed fiber optic sensing (DFOS) was used, for the first time, to assess track support degradation and the likelihood of rail dynamic buckling of curved rail sections. A monitoring campaign was conducted to measure the dynamic distributed strain response of a 9-m-long section of curved track during the passage of a passenger train. The distributed strain data were used to assess the axial strain and vertical bending curvature response during the passage of the train, and the distributed vertical curvature profile was then used to evaluate the wheel forces and track modulus of the monitored site using the Bayesian inference approach. The estimated wheel forces showed good agreement with the expected values, and the estimated track modulus was comparable to that measured using conventional techniques at other similar rail sites. With the estimated wheel forces and track modulus as inputs, a finite-element model developed in a commercial software package (i.e., ABAQUS) was used to assess the dynamic buckling capacity of the rail by considering the reduced rail lateral resistance due to the passing train. The results indicate that for this site, the passage of locomotives reduces the thermal buckling capacity by several degrees Celsius depending on the initial geometric imperfections in the rail, whereas passenger cars have negligible impact on the capacity.
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 ».