Tackling Tehachapi: Experiments and analyses from the California mountains to the Quebec iron ore fields are quantifying the benefits of friction management
Notice bibliographique
Résumé
This article describes results of recent analysis in California on the application of wayside top-of-rail friction control along Union Pacific in the famous Tehachapi Loop. The analysis was done in order to determine the best way to reduce track wear while maintaining enough adhesion for trains on a road with 2% grades and several 10-degree turns. Rail life on the curves is generally three to five years or even less. This was the first time multiple wayside units were installed on this type of track, so that the applicator deployment and output rates would be optimized to permit accurate evaluation of their effects. The revenue-service demonstrations were conducted over a short period of time. Key parameters included system reliability, effectiveness under a range of traffic, and interaction with gauge face lubricant and curving factors and rail wear. Early analysis suggests significant reductions in curving forces and low rail-wear rates. Trains operating up-grade received significantly greater reductions than those with sustained air braking on the downhill. Low rail wear was cut by an average of 58%. High rail results were mixed. Another test looked at a new application technology mounted on a locomotive, which may be particularly suited for captive freight fleets. It is mounted on a freight car directly behind the trailing locomotive, which does not impose the same burdens on locomotive maintenance schedule that loco-mounted applicators do. Field testing shows a modified ore car outfitted with a friction modifier applicator was successful in controlling lateral forces for a 160-car train. The article provides details about track conditions, test sites and economic analysis.
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 ».