Study on real-time adaptive optimization of energy dissipation in train collision
Notice bibliographique
Résumé
Train operation safety has gained significant attention in recent years. Due to the large mass and high operation velocity, train collision accidents often result in catastrophic damage. Current train crashworthiness design focuses on fixed impact velocity by unchangeable energy absorption structures. However, the real train impact velocity is unpredictable and can vary significantly, thus the current train crashworthiness design strategy cannot achieve the optimal crashworthiness under various impact velocities. To address this limitation, this work proposes a real-time adaptive optimization method of energy dissipation in a train collision. First, a one-dimensional train collision model is established based on the multibody dynamic theory. The dynamic response and energy distribution during train collision are analyzed. Then, by adjusting the crushing force of each vehicle, the optimal crushing forces of the energy-absorbing device for the given impact velocity are obtained by the genetic algorithm, which regards the maximum average moving acceleration as the objective response. Results show that the safe collision velocity of the train is increased from 17 m/s to 27 m/s without changing the stroke of the energy-absorbing device. A back-propagation neural network is introduced and trained, which regards the velocities of two trains as input indicators and the optimal crashworthiness indicators of the energy-absorbing device as output indicators. Finally, a real-time prediction framework is established, which can predict the optimal crashworthiness indicators during train collisions under different impact velocities in real time. The results show that the maximum error of the maximum moving average acceleration between the optimization and prediction results is below 2%, which proves the accuracy of the prediction framework.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».