Improvement of railroad maintenance program: predicting the degradation level of railroad timber ties through the application of the random forest model
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
Railway infrastructure is one of the most significant pieces of the contemporary transportation sector, with railway ties being central components of railway tracks, whose deterioration poses substantial safety concerns. The main objective of this study is to find practical and optimal solutions to address the tie maintenance and replacement program by accurately estimating the proportions of defective and marginal ties that exceed or fall below certain thresholds for different classes of rail. As a result, machine learning (ML) methodologies are employed and applied to the most recent tie replacement data, alongside other influential input parameters. The random forest (RF) model demonstrated the highest accuracy in estimating the proportions of marginal and poor ties that either exceed or fall below predetermined thresholds over a defined timeframe following the last tie replacement. Although the results of two other models; decision tree (DT) and long-short term memory (LSTM), were also incorporated and displayed, the RF model consistently exhibited superior precision. When these thresholds are surpassed, it signifies the need to include the corresponding mileposts into the tie replacement program to ensure the safety and reliability of the operations within the railroad system. The data used in this study were obtained from the Canadian National (CN) Railway Company, spanning their entire rail network, integrating the data from inspection cars with some additional pertinent variables, totaling 45 parameters. The proposed approach has the potential to reshape the established practices and deliver a valuable improvement to current rail maintenance program.
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 | 0,000 | 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 découle