Pemuaian Rel Kereta

Suhu rel krusial buat keamanan rel. Temperatur rel yg tinggi merupakan penyebab pribadi tekuk pada rel kereta api. Tekuk ialah yang akan terjadi dari deformasi yang hiperbola pada ketinggian lingkungan suhu rel. Jika parah, bisa menggagalkan kereta. Meskipun tergelincirnya kereta api sebab tekuk sporadis terjadi, hal itu mengakibatkan korban jiwa yg sangat akbar nyawa serta mal [1–4]. Apalagi suhu udara yg erat kaitannya menggunakan rel suhu, terus semakin tinggi di bawah efek pemanasan global, lebih menaikkan risiko tekuk. ekspansi kereta berkecepatan tinggi sudah menaikkan permintaan buat terus menerus welded rails (CWRs), yg mengurangi getaran serta kebisingan buat memperlihatkan pengendaraan yg nyaman pengalaman. Sayangnya, CWR pula rentan terhadap tekuk sebab dilas beserta serta kekurangan ruang untuk berkembang. sang karena itu, pengendalian tekuk dan  pemantauan suhu rel sangat penting buat manajemen keselamatan kereta api. buat mencegah penggelinciran kereta akibat tekuk, perusahaan kereta barah waktu ini mengeluarkan pesanan batas kecepatan kereta barah berdasarkan pada suhu rel, yang dipantau secara real time. Perintah batas kecepatan kereta berhubungan langsung menggunakan keselamatan lintasan serta ketepatan ketika kereta. Jika perintah buat mencegah tekuk rel (misalnya, membatasi kecepatan kereta api atau penyemprotan trek menggunakan air) dilaksanakan tanpa perencanaan, penyesuaian tiba-datang jadwal pengoperasian kereta barah bisa menyebabkan kemacetan atau kemacetan lalu lintas. misalnya, selama hari Juli terpanas yang tercatat pada Inggris, ada 12.800 mnt penundaan terkait panas dan  tambahan 23.700 mnt yang ditimbulkan sang pembatasan kecepatan kereta barah yg tidak direncanakan. Bila suhu rel pada suatu area dapat diprediksi sebelumnya, penjadwal bisa merencanakan kecepatan sebelumnya batas kereta, sesuaikan interval antar kereta, atau dinginkan rel menggunakan penyemprotan air, sebagai akibatnya meningkatkan ketepatan waktu kereta barah dan  keamanan lintasan. buat mencapai tujuan tersebut, peneliti memiliki mengembangkan model prediksi suhu rel (RTPM) yang memprediksi suhu rel berdasarkan kondisi cuaca setempat pada kurang lebih rel. RTPM sebelumnya diklasifikasikan menjadi 3 jenis: contoh berbasis persamaan empiris, model regresi multivariat, dan  model analisis termal . RTPM berdasarkan persamaan empiris hanya memprediksi suhu rel sebagai linear fungsi suhu udara contoh ini mudah digunakan karena memprediksi rel suhu asal satu parameter, namun menyampaikan kinerja yang lebih rendah (R 2 = 0,9021, akar mean square error (RMSE) = lima,866 ◦C) dibandingkan RTPM lainnya [8,9]. RTPM regresi multivariat memprediksi suhu rel tidak hanya asal suhu udara, namun juga berasal kondisi cuaca lainnya mirip kecepatan angin serta tutupan awan. seperti RTPM umumnya mengungguli yg berdasarkan di persamaan realitas. Wu dkk. dikembangkan a regresi multivariat RTPM dianggap persamaan prediksi Biro Meteorologi (BoM). (1–24 jam), yang memberikan kinerja tertinggi sampai saat ini (R dua = 0,9630, RMSE = 2,560 ◦C) namun membutuhkan 24 fitur. oleh karena itu, model ini hanya berlaku buat negara atau lingkungan, dan  tidak praktis digeneralisasi [10]. Terakhir, RTPM analisis termal secara termodinamika memodelkan lingkungan sekitar rel yang sebenarnya. karena contoh termodinamika mempertimbangkan aturan alam, mereka lebih berasal itu dapat digeneralisasi daripada RTPM sesuai metode statistik, yg cenderung membutuhkan data spesifik. namun, buat menjamin kinerja tinggi (R 2 = 0,9334, RMSE = tiga,799 ◦C), contoh tersebut membutuhkan pengetahuan yg sempurna perihal sifat rel, mirip reflektansi serta emisivitas properti [7,10–14]. RTPM sebelumnya terhambat sang 2 keterbatasan. Pertama, penampilan mereka di memprediksi suhu rel terlalu rendah buat penggunaan simpel. di RTPM sebelumnya berdasarkan prinsip termodinamika (R 2 = 0,9334, RMSE = tiga,799 ◦C), perkiraan suhu rel menyimpang hingga 15 ◦C dari suhu rel yang diukur [7]. karena tujuan primer berasal RTPM mencegah tekuk pada hari-hari panas, disparitas ini tidak dapat diterima secara mudah menggunakan. Selanjutnya, kriteria batas kecepatan kereta barah digeser sebagai perubahan 4–lima ◦C di rel suhu, sangat melemahkan keandalan RTPM [15,16]. ke 2, RTPM sebelumnya memprediksi suhu rel di satu titik. Ini pendekatan tidak berarti karena rel yang sebenarnya terus menerus saling berhubungan beberapa ratus kilometer. buat mengembangkan RTPM buat penggunaan praktis, jangkauan prediksi suhu rel wajib  diperluas, misalnya berasal konektivitas kota kecil (jaringan lokal) ke konektivitas semua negara bagian atau negara (seluruh jaringan). RTPM generasi berikutnya buat penggunaan mudah akan membutuhkan RTPM kinerja tinggi dan  aplikasi pemetaan, dan  akan dengan cepat menyajikan suhu rel asal mungil jaringan ke seluruh jaringan. d5802fc83178aeffd28601e47ccd1f2a, pendekatan pembelajaran mesin seperti jaringan saraf tiruan (ANN), mesin vektor dukungan (SVM), hutan acak (RF), serta peningkatan gradien ekstrim (XGBoost) sudah menarik minat yg akbar oleh pengembang high- contoh regresi kinerja. Pembelajaran mesin memungkinkan komputer buat mengkaji hubungan antara data (input) dan  akibat (keluaran). misalnya, contoh regresi yang memprediksi suhu ruangan serta suhu udara maksimum harian menggunakan pembelajaran mesin memberikan prediksi yg lebih tinggi kinerja daripada jenis metode lainnya [17,18]. pada sini, kami mengusulkan model prediksi suhu rel berbasis pembelajaran mesin (RTPM) dengan kinerja tertinggi hingga saat ini (maksimum R 2 = 0,9984, RMSE = 0,518 ◦C) yg bisa memprediksi suhu rel di seluruh jaringan. Metodenya, dianggap Chungnam National University RTPM (CNU RTPM), mengungguli RTPM sebelumnya buat prediksi suhu rel tinggi (lebih berasal 40 ◦C). Kinerja CNU RTPM merupakan karena dipilih fitur diperoleh menggunakan menganalisis lingkungan termal di kurang lebih rel. dengan fitur ini, RTPM CNU bisa memprediksi suhu rel di seluruh jaringan menggunakan data ramalan cuaca saja. Selain itu, software pemantauan kesehatan struktural, yang diklaim batas kecepatan kereta alarm-map (TSLAM), dikembangkan, yg membagikan defleksi berasal rel yang diprediksi suhu pada seluruh jaringan, memungkinkan pencarian cepat daerah berbahaya. Ini aplikasi simpel digabungkan menggunakan CNU RTPM. TSLAM pula tersedia pada semua global karena memakai data prakiraan cuaca dunia, bukan hanya data wilayah tertentu.