Development of a daily updated train derailment impact map and analytics system for the national railway network in Canada
Notice bibliographique
Résumé
A systematic analysis of the past train derailments and their impact can help industry and regulators to identify potential safety gaps so as to develop an effective method to mitigate the future risk. There exists a large body of data in the public domain to support such analysis, including the historical derailment records, geography, environment, demography and weather conditions along the railway network. The challenge is how to integrate and make use of the data for improving rail safety in Canada. This paper describes a daily updated Train Derailment Impact Map and Analytics (TDIMA) tool recently developed. A multidimensional database was first developed to integrate data from multiple data sources. Besides the historical number of derailments, the potential consequence was integrated as an additional element in the tool. This is the key difference between the developed tool and the existing ones that use number of accidents as the main variable to trend the risk. Multiple smart interfaces were designed to facilitate visualization-style analytics. With a few clicks, the tool can be used to perform analytics effectively. Case studies show that the trend of rail safety obtained only by number of past derailments can be different from that obtained by using the impact defined as the product of derailments and consequence. Ranking the cause of derailments by the defined impact resulted in different top causes than that ranked by only using number of derailed cars. This result provides the industry and regulator a different perspective to review the maintenance priority. Case studies on crossing, fire, and broken rail / wheel accidents are also discussed. It is also demonstrated how the tool can be used to review and monitor the latest rail accidents on an interactive map.
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 ».