基于运动称重和机器学习的铁路交通特征数据:葡萄牙的案例研究

科学领域:

• 工程 工程师 工程师 工程师
• 计算机科学 计算机科学
• 运输科学 运输科学

背景情况:

• 20世纪的金属铁路桥梁正在老化,需要准确的负载数据来确保结构完整性.
• 疲劳是一个主要问题,需要精确了解服务铁路负载,以防止过早更换或不必要的加强.
• 当前的交通数据对于评估过去和未来的场景至关重要,但永久称重系统的实施是具有挑战性的.

研究的目的:

• 开发和验证一种自动机器学习 (ML) 方法,用于使用权衡移动 (WIM) 数据对列车类型进行分类.
• 为了解决在大型WIM数据集中识别火车类型的手动和繁的任务.
• 为结构完整性评估和更广泛的铁路部门考虑提供关键数据.

主要方法:

• 在葡萄牙的阿尔卡塞尔多萨尔大桥上安装了运动称量 (WIM) 系统,以收集实时列车数据.
• 使用自动机器学习 (ML) 算法对收集的WIM数据进行后处理,用于列车分类.
• 通过WIM系统捕获的火车负载,轴间距和火车速度的分析.

主要成果:

• 成功实施了一种自动化的ML方法,用于从WIM数据中分类列车类型.
• 生成含有列车机密信息的有价值数据集,包括负载,几何和速度.
• 证明用于结构评估的自动列车分类的可行性.

结论:

• 从WIM数据中基于ML的自动列车分类对于评估老化的铁路桥梁是有效的.
• 这种方法为结构完整性,疲劳分析和铁路网络管理提供了必要的数据.
• 该方法为具有相似交通特征的国家和国际背景提供了有价值的工具.