Multi-objective optimization and sensitivity analysis of forced-steering bogies using surrogate models and NSGA-III
Notice bibliographique
Résumé
This research proposes a multi-objective optimization methodology to enhance the curving and tangent performance of forced-steering passenger trains. Using the Non-dominated Sorting Genetic Algorithm-III (NSGA-III), we optimize a set of parameters — primary suspension stiffness (longitudinal and lateral) and steering linkage — to minimize wheelset unloading, derailment risk, rail rollover risk, and car body lateral acceleration. A 167-degree-of-freedom high-fidelity simulation model of the train is developed and validated against conventional rail vehicle data. Sensitivity analysis via the Sobol’ method identifies key design parameters, reducing the number of variables for optimization. A Kriging surrogate model is then employed to approximate the simulation model, making optimization feasible. Post-optimization, the robustness of the Pareto optimal solutions is evaluated under varying track conditions. Key findings reveal that steering ratio and longitudinal primary suspension stiffness are critical, while yoke-to-yoke parameters have minimal impact. The optimization results show a trade-off between curving performance and car body lateral acceleration, with solutions varying based on lateral stiffness. Two out of four Pareto optimal sets demonstrated improved robustness under varying curve radii and equivalent conicity, while all Pareto optimal sets exhibit equal robustness and significant improvements in performance under varying track friction. These findings emphasize the importance of robust design optimization across different operational conditions to achieve balanced performance.
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 ».