Preventive-gradual on-cycle grinding: a first for MRS in Brazil
Notice bibliographique
Résumé
MRS Logistica S.A. operates a 1674 km railroad in southeastem Brazil. Loads are primarily unit iron ore trains running from mines in the Brazilian mountains of Minas Gerais to tidewater harbors at Rio de Janeiro. Located in a region that concentrates 65% of the gross national product, MRS Logistica S.A. has experienced tremendous growth since privatization in the later part of 1996. Since that time the annual revenue tonnage more than doubled from 71 to 146 mmgt - metric millions gross tonnes (from 78 to160 mgt - millions gross tons) in 2003. Future plans call for another doubling of capacity to 304 mmgt (335mgt) by 2009. Prior to 2002 there were no rail grinding services at MRS. Under the strains of rapid growth, rail breaks and replacement due to RCF related surface defects were a daily occurrence, resulting in train traffic interruptions and significant increases in maintenance costs. Attempts were made to address the RCF conditions with a rail planer but in the end, rail replacement was the only alternative. This paper describes the strategies and actions taken to implement a cost effective, state-of-the-art grinding program at MRS in only 2 years. A partnership between MRS, Loram Maintenance of Way, Inc. and the National Research Council Canada was established to face the challenge. Specialized rail profiles for curve and tangent track were developed and implemented under an accelerated Preventive Gradual grinding program using a Loram RGI-48 stones rail grinder machine. The benefits of the rail grinding program will be detailed in terms of significant reductions in rail purchases, extended rail life, and reduced rail failures, fewer train delays and a 3% increase in fuel economy.
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 ».