Development of a Condition Assessment Rating System and Prediction Model for Railway Tracks
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
Canada has an extensive rail network spanning 45,000 kilometres. The railway system plays a crucial role in serving almost every sector of the Canadian economy. Primarily, it transports freight to and from the U.S. and global markets through coastal ports. However, failures in the railway infrastructure can have severe safety and financial consequences. In 2023, 43.13% of main-track derailments were attributed to track defects, according to the Transportation Safety Board of Canada. These defects, including issues with track geometry and component failures, underline the need for better track condition monitoring and maintenance to prevent derailments. This research aims to address this need by developing a comprehensive rating system for evaluating the condition of ties and rail fastening components and machine learning models to predict future track conditions. While traditional condition assessment ratings have relied on subjective evaluations and considered components separately, this study proposes a Tie and Rail Fastening system that evaluates the condition of ties, tie plates, and spikes. Domain expertise was incorporated through the Analytic Hierarchy Process (AHP) to prioritize the importance of various defects. The resulting weighting system provides a more detailed and integrated approach compared to existing rating methods, which primarily focus on crack size. Machine learning models, including Random Forest, XGBoost, and Cat Boost, were employed to predict future conditions, such as defect tags, amplitude, and length. These models achieved a 95% accuracy for detecting defect tags and a 75% accuracy when predicting defect tags based on predicted amplitude. On the one hand, the proposed tie and rail fastening rating system can improve the prioritization of future rail maintenance works. On the other hand, the proposed machine learning models can improve the planning of future maintenance by offering better tools for monitoring and predicting track conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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