Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/361890
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Neural network modelling of automatic brake systems for heavy haul railway vehicles : Modelamento por redes neurais de sistema de freio automático para veículos de carga pesada ferroviários
Title Alternative: Modelamento por redes neurais de sistema de freio automático para veículos de carga pesada ferroviários
Author: Lopes, Pedro Francis, 1981-
Advisor: Santos Júnior, Auteliano Antunes dos, 1963-
Abstract: Resumo: Saber o comportamento do sistema de freio é essencial para simular as forças em uma composição ferroviária (locomotiva + vagões). Detalhar o seu funcionamento é particularmente útil para a análise de segurança, otimização de performance, investigação de acidentes, eficiência da malha, etc. A válvula de freio automática é um fundamento da infraestrutura ferroviária e o componente principal usado durante a frenagem. Em composições longas, sua ação é crucial para garantir que o tempo de frenagem dos veículos é curto para evitar choques excessivos nos aparelhos de choque-tração. Em simuladores ferroviários de tempo real o tempo de execução é importante e a complexidade da resposta da válvula é um desafio para os desenvolvedores de programa. A intenção deste trabalho é criar um modelo que possa representar o comportamento da válvula de freio automática de forma precisa e rápida. Para atingir este objetivo são investigados a linearidade do sistema e métodos para a sua adequada representação. Para a abordagem não linear, o trabalho explora redes neurais NARX como caixa preta e o impacto na alteração de seus parâmetros. Um programa que representa a válvula ABDX de freio é elaborado e sua precisão é avaliada em relação ao objetivo e o tempo de execução é comparado com os algoritmos atualmente disponíveis, mostrando uma redução de mais de três vezes no tempo de processamento

Abstract: Knowing the behaviour of the brake system is essential to properly simulate the forces within a railway composition (locomotive + freight cars). Detailing how it works is particularly useful on the safety analysis, performance optimization, accident investigation, network efficiency, etc. The automatic brake valve is the mainstay of the rail brake infrastructure and the main component used during the braking. In long compositions, its action is crucial to guarantee that the time until the last car to brake is short enough to prevent shocks in the draft gears. In real- time train simulators, the processing time is important, and the complexity of the valve response is a challenge for the software developers. The intent of this work is to create a model that can represent the automatic valve behaviour in a fast and accurate way. To achieve this objective the linearity of the system and the adequate representation methods are investigated. For the nonlinear approach, the work explores a black box NARX Neural Network and the impact of changing its parameters. A program that represents the ABDX valve is concocted, the accuracy against the target is assessed and the running time is compared with a model currently used in simulators, showing a reduction of more than three in the processing times
Subject: Ferrovias - Freios
Locomotivas - Freios
Engenharia ferroviária
Transporte ferroviário
Redes neurais (Computação)
Language: Inglês
Editor: [s.n.]
Citation: LOPES, Pedro Francis. Neural network modelling of automatic brake systems for heavy haul railway vehicles: Modelamento por redes neurais de sistema de freio automático para veículos de carga pesada ferroviários. 2020. 1 recurso online (237 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: http://www.repositorio.unicamp.br/handle/REPOSIP/361890. Acesso em: 8 jun. 2021.
Date Issue: 2020
Appears in Collections:FEM - Tese e Dissertação

Files in This Item:
File SizeFormat 
Lopes_PedroFrancis_M.pdf28.26 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.