Raideliikenteen aiheuttama staattinen kuormavaikutus siltarakenteisiin
Bibliographic record
Abstract
Suunnittelussa raideliikenteen kuormavaikutukset silloille lasketaan eurokoodin standardin SFS-EN 1991-2 mukaan. Standardissa esitetään kuormakaavioita, joista LM71-kaaviota tulee käyttää aina ja muita kaavioita tapauskohtaisesti. Kaavioiden lisäksi kuormavaikutukseen vaikuttaa kaaviossa käytettävien kuormien luokittelukerroin α, joka on valittu kussakin eurokoodien vaikutuspiirissä olevassa maassa kansallisesti. Suomessa α:n arvoksi on valittu 1,46. Se on suurin standardissa esitetty luokka, joka vastaa junaa, jonka akselimassat ovat 35 tonnia. Suomen rataverkon suurin sallittu akselimassa on kuitenkin tällä hetkellä 25 tonnia, joten paikallisten kuormavaikutusten lähempi tarkastelu oli tämän perusteella tarpeellista. \nTyössä tutkittiin Suomen raideliikenteen staattista kuormavaikutusta vertaamalla sitä LM71-kaavion vaikutuksiin. Dynaamisen suurennuskertoimen tasoon ei siis tässä otettu kantaa. Paikallisia kuormavaikutuksia arvioitiin stokastisen simulaatiotyökalun avulla, jolla muodostettiin todellisen kaltaisia tilastollisiin jakaumiin perustuvia tavarajunia. Henkilöliikenteen junia ei otettu tutkimukseen mukaan, koska oli selvää, ettei niiden kuormavaikutus staattisessa tapauksessa ole määräävä. Junien muodostuksen perustana olleet jakaumat saatiin rataverkolla sijaitsevien pyörävoimailmaisimien ja RFID-lukijoiden vuoden aikana keräämän datan perusteella. Pyörävoimailmaisimia on eri puolilla rataverkkoa ja jokainen mittauspiste simuloitiin erikseen, koska raideliikenteessä on paikallisia eroja myös Suomen sisällä. Simulaation lopussa jokaisen junan aiheuttamat kuormavaikutusten ääriarvot tallennettiin. Yksittäisiä junia muodostettiin kullakin mittauspisteellä 10 vuoden liikennettä vastaava määrä, sillä oletuksella, että liikennemäärä on sama jokaisena vuonna. Tulosten jälkikäsittelyssä ääriarvojakaumat muodostettiin lopulta kuukauden aikana ääriarvon tuottaneiden junien kuormavaikutuksista ja saatuihin jakaumiin sovitettiin ääriarvojakaumista Gumbel- sekä Weibull-jakaumat, joista luetaan 100 vuoden toistumiskuormavaikutusten arvot. Lisäksi yksittäisten tulosten jakaumia testattiin tarkemmin ja niihin sovitettiin myös yleistettyä ääriarvojakaumaa (GEV-jakaumaa). \nTutkimuksessa saatujen tulosten perusteella raideliikenteen staattinen kuormavaikutus on hyvin lähellä kuormakaavioiden LM71 ja SW/0 kuormavaikutuksia luokittelukertoimella α=1,1. Luokittelukertoimella 1,1 kerrottuna kuormakaaviot vastaavat junaa, jonka sallitut akselimassat ovat 25 tonnia. Muutamassa tutkitussa tapauksessa α=1,1 luokittelu ei kuitenkaan aivan riitä. Tulokset ovat siis odotettuja, mutta suoraan akselimassan perusteella tehtävä luokittelu osoittautui Suomen liikenteellä hieman epävarmaksi. Mahdolliseen luokittelukertoimen muutokseen tarvitaan vielä lisätutkimuksia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".