Train-velocity-filtering of wayside noise to measure grind effectiveness when targeting variable wavelength rail corrugation
Notice bibliographique
Résumé
We propose and apply novel corrugation and corrugation-related noise metrics designed to help maintainers monitor corrugation actively (on rail) or passively (by proxy through noise) at locations in a transit property. The novelty of our approach consists of incorporating wavelength-variable corrugation filtering, and wavelength- and velocity-dependent noise weighting into existing rail corrugation and wayside noise metrics primarily for municipal rail maintenance. The modified metrics isolate corrugation and corrugation-related noise in a manner tailored to a property’s operational characteristics, such as train velocity. The proposed modified metrics are applied to a data set collected from a pre- and post-grind monitoring regimen at 17 measurement sites in a North American property to investigate their responses. This study demonstrates the benefit of adapting the filtering methodology used to produce summary corrugation statistics to suit a specific property’s corrugation needs. It also demonstrates the need to include target corrugation wavelengths and approximate train velocity to appropriately weight the noise spectrum in a sample. These developments supplement the available methods that property maintainers can adopt to monitor corrugation conditions at discrete locations throughout a system by providing tools/metrics that are specifically designed to correctly assess the appropriate wavelength of corrugation on the rail face, thereby allowing maintainers to then accurately monitor corrugation via noise by means of passive wayside measurements.
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 | 0,000 |
| 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 ».