CN113780642A - 混合长编组列车气动阻力的预测方法及系统 - Google Patents
混合长编组列车气动阻力的预测方法及系统 Download PDFInfo
- Publication number
- CN113780642A CN113780642A CN202111011656.XA CN202111011656A CN113780642A CN 113780642 A CN113780642 A CN 113780642A CN 202111011656 A CN202111011656 A CN 202111011656A CN 113780642 A CN113780642 A CN 113780642A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- marshalling
- aerodynamic resistance
- aerodynamic
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims description 91
- 230000003993 interaction Effects 0.000 claims description 37
- 230000002452 interceptive effect Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了混合长编组列车气动阻力的预测方法及系统,通过分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律;获取待预测混合长编组列车的车辆编排方式,并基于影响规律构建待预测混合长编组列车的局部气动阻力模型/整车气动阻力模型;求解局部气动阻力模型/整体气动阻力模型,得到待预测混合长编组列车的实时局部气动阻力或实时整车气动阻力。相比现有的整车仿真数据计算气动阻力的方法,本发明通过解耦列车前后编组,进行单节或局部几节编组车辆气动阻力影响规律分析,并在此基础上建立长编组列车气动阻力预测模型进行气动阻力预测,能提高预测速度和预测准确率。
Description
技术领域
本发明涉及列车的气动阻力预测技术领域,尤其涉及混合长编组列车气动阻力的预测方法及系统。
背景技术
货运列车有多种类型的车辆,常见车型包括敞车、平车、罐车、棚车、集装箱专用车等。由于不同类型货物列车具有不同的几何外形,随着货运列车运行速度的提高,多类型货物列车编组方式的变化将影响货运列车的运行气动阻力。同时,随着我国铁路网覆盖范围的持续扩大,使得货物列车编组计划的规模也越来越大,机车牵引能耗也越来越大,对编组计划优化的难度也随之增加。因此,有必要对多类型货物列车的编组计划进行合理制定,以降低列车运行阻力,减小牵引能耗,降低运输成本,增强铁路货运的市场竞争力。
由于承载货物的不同,货运列车编组车辆类型混合,编组方式非常灵活,编组数量巨大,在计算列车所受气动阻力时受到计算资源与时间限制,很难通过模拟全部编组车辆进行数值计算。
因此,如何快速且准确的计算出混合长编组货运列车气动阻力已成为本领域技术人员亟待解决的技术问题
发明内容
本发明提供了混合长编组列车气动阻力的预测方法及系统,用于解决现有的气动阻力预测方法无法快速且准确的预测混合长编组货运列车气动阻力的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种混合长编组列车气动阻力的预测方法,包括以下步骤:
分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律;
获取待预测混合长编组列车的车辆编排方式,并基于影响规律构建待预测混合长编组列车的局部气动阻力模型/整车气动阻力模型;
求解局部气动阻力模型/整体气动阻力模型,得到待预测混合长编组列车的实时局部气动阻力或实时整车气动阻力。
优选的,分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律,包括以下步骤:
对于混合长编组列车中任一位置x的任一种类的车辆或车辆编组单元A均执行以下步骤:
通过数值仿真计算,得到车辆或车辆编组单元A的基本气动阻力,通过正交试验设计方法计算多个不同的前后端连挂车辆组合方式下,位于位置x的车辆或车辆编组单元A的多个综合气动阻力值;
并基于多个综合气动阻力值以及基本气动阻力分析多个不同的前后端连挂车辆组合方式对车辆或车辆编组单元A的影响。
优选的,影响规律包括:对于任一节位于混合长编组货运列车中段的车辆E,车辆E的综合气动阻力值同时受到连挂在其前端的N节车辆以及连挂在其后端的M节车辆对其单独效应的影响,且还受其前后端车辆编组方式对其交互效应的影响;当求解的局部气动阻力为待预测混合长编组列车的中段车辆E的综合气动阻力时,基于影响规律构建待预测混合长编组列车的局部气动阻力模型具体为:
通过数值仿真分别计算连挂在车辆E前端的N节车辆以及连挂在车辆E后端的M节车辆对车辆E气动阻力的单独效应影响值,并计算车辆E前后端车辆编组方式对车辆E气动阻力的交互效应影响值;
获取车辆E的基本气动阻力,根据车辆E的基本气动阻力、单独效应影响值以及交互效应影响值计算车辆E的综合气动阻力。
优选的,对于任一节位于混合长编组货运列车中段的车辆E,车辆E的综合气动阻力值同时受到连挂在其前端的4节车辆以及连挂在其后端的1节车辆的单独效应影响,设车辆E的挂连在其前端的4节车辆分别为A、B、C、D,挂连在其后端一节车辆为F,且车辆A、B、C、D、E、F依次连接,车辆E前后端车辆编组方式的交互效应影响包括由车辆B、C、D、E编组方式对车辆E气动阻力造成的交互效应影响值以及由车辆D、E、F编组方式车辆E气动阻力造成的交互效应影响值;当求解的局部气动阻力为待预测混合长编组列车的中段车辆E的综合气动阻力时,待预测混合长编组列车的局部气动阻力模型为:
其中,为待预测混合长编组列车的中段车厢E的实时气动阻力,y1为车辆E的截距,ai为车辆A对车辆E气动阻力的单独效应影响值,bj为车辆B对车辆E气动阻力的单独效应影响值,ck为车辆C对车辆E气动阻力的单独效应影响值,dm为车辆D对车辆E气动阻力的单独效应影响值,en为车辆E的基本阻力,fp为车辆F对车辆E气动阻力的单独效应影响值,γjkmn为车辆B、C、D、E编组方式对车辆E气动阻力造成的交互效应影响值,δmnp为车辆D、E、F编组方式对车辆E气动阻力的交互效应影响值。
优选的,影响规律包括:对于位于混合长编组列车的最前端的前端编组单元,前端编组单元的综合气动阻力与前端编组单元内部各节车辆本身对前端编组单元气动阻力的单独效应、前端编组单元内部各节车辆的交互效应、以及前端编组单元内的车辆与在后的外部车辆的交互效应密切相关;设前端编组单元包括车辆A、B、C、D、E,且车辆A、B、C、D、E依次连接,且车辆E还连接车辆F,当求解的局部气动阻力为待预测混合长编组列车的前端编组单元的综合气动阻力时,待预测混合长编组列车的局部气动阻力模型为:
其中,为待预测混合长编组列车的前端编组单元的实时气动阻力,y2为前端编组单元的截距,a'i为车辆A对前端编组单元气动阻力的单独效应影响值,b'j为车辆B对前端编组单元气动阻力的单独效应影响值,c'k为车辆C对前端编组单元气动阻力的单独效应影响值,d'm为车辆D对前端编组单元气动阻力的单独效应影响值,e'n为车辆E对前端编组单元气动阻力的单独效应影响值,σijkm为车辆A、B、C、D编组方式对所述前端编组单元气动阻力的交互效应影响值,ξmnp为车辆D、E、F编组方式对所述前端编组单元气动阻力的交互效应影响值。
优选的,影响规律为:对于位于混合长编组列车的最后端的后端编组单元,后端编组单元的综合气动阻力与后端编组单元内部各节车辆本身对前端编组单元气动阻力的单独效应、后端编组单元内部各节车辆的交互效应以及后端编组单元内的车辆与靠前的外部车辆的交互效应密切相关,设后端编组单元包括车辆E、F、G、H、I;车辆C、D为连挂在车辆E前端的车辆,且C、D、E、F、G、H、I依次连接;当求解的局部气动阻力为待预测混合长编组列车的后端编组单元的综合气动阻力时,待预测混合长编组列车的局部气动阻力模型为:
其中,为待预测混合长编组列车的后端编组单元的实时气动阻力,y3为后端编组单元的截距,ei为车辆E对后端编组单元气动阻力的单独效应影响值,fj为车辆F对后端编组单元气动阻力的单独效应影响值,gk为车辆G对后端编组单元气动阻力的单独效应影响值,hm为车辆H对后端编组单元气动阻力的单独效应影响值,in为车辆I对后端编组单元气动阻力的单独效应影响值,λabij为车辆C、D、E、F编组方式对所述后端编组单元气动阻力的交互效应影响值,ηkmm为车辆G、H、I编组方式对后端编组单元气动阻力的交互效应影响值。
优选的,基于影响规律构建待预测混合长编组列车的整车气动阻力模型,包括以下步骤:
将待预测混合长编组列车的整车阻力解耦成:混合长编组列车的前端编组单元的综合气动阻力,混合长编组列车中段编组单元的综合气动阻力以及混合长编组列车后端编组单元的综合气动阻力;
基于影响规律分别构建:用于计算前端编组单元的综合气动阻力的第一局部气动阻力模型、用于计算后端编组单元的综合气动阻力的第二局部气动阻力模型以及用于计算中段编组单元的综合气动阻力的第三局部气动阻力模型;
基于第一局部气动阻力模型、第二局部气动阻力模型以及第三局部气动阻力模型构建整车气动阻力模型。
优选的,整车气动阻力模型为:
其中,为待预测混合长编组列车的实时整车气动阻力,为前端编组单元的综合气动阻力,为中段编组单元的综合气动阻力,为后端编组单元的综合气动阻力;m为车辆类别序号,y2为前端编组单元气动阻力的截距,a'1m,b'2m,c'3m,d'4m,e'5m分别为待预测混合长编组列车前端编组单元内的第1节车辆、第2节车辆、第3节车辆、第4节车辆以及第5节车辆对前端编组单元气动阻力的单独效应影响值;σ(1234)m为待预测混合长编组列车前端编组单元内的第1节车辆、第2节车辆、第3节车辆、第4节车辆的编组方式对前端编组单元气动阻力的交互效应影响值,ξ(456)m为待预测混合长编组列车的第4节车辆、第5节车辆以及第6节车辆的编组方式对前端编组单元气动阻力的交互效应影响值;n为待预测混合长编组列车的车辆总数,i为在中段编组单元内的被测车辆在待预测混合长编组列车的位置序号,y1为中段编组单元气动阻力的截距,a(i-4)m、b(i-3)m、c(i-2)m、d(i-1)m分别为连挂在第i节车辆前端的4节车辆对待预测混合长编组列车第i节车辆气动阻力的单独效应影响值,eim为待预测混合长编组列车第i节车辆的基本阻力值;y3为后端编组单元气动阻力的截距,f(i+1)m为连挂在第i节车辆后端的第i+1节车辆的对第i节车辆的单独效应影响值,γ[(i-3)(i-2)(i-1)i]m为第i-3节车辆、第i-2节车辆、第i-1节车辆以及第i节车辆的编组方式对第i节车辆气动阻力的交互项;δ[(i-1)i(i+1)]m为第i-1节车辆、第i节车辆以及第i+1节车辆的编组方式对第i节车辆气动阻力的交互效应影响值;e(n-4)m,f(n-3)m,g(n-2)m,h(n-1)m,inm分别为待预测混合长编组列车后端编组单元内的第n-4节车辆、第n-3节车辆、第n-2节车辆、第n-1节车辆以及第n节车辆对后端编组单元气动阻力的单独效应影响值;λ[(n-6)(n-5)(n-4)(m-3)]m为待预测混合长编组列车的第n-6节车辆、第n-5节车辆、第n-4节车辆、第n-3节车辆的编组方式对后端编组单元气动阻力的交互效应影响值;η[n-2)(n-1)n]m为待预测混合长编组列车第n-2节车辆、第n-1节车辆以及第n节车辆的编组方式对后端编组单元气动阻力的交互效应影响值。
一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
本发明具有以下有益效果:
1、本发明中的混合长编组列车气动阻力的预测方法及系统,通过分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律;获取待预测混合长编组列车的车辆编排方式,并基于影响规律构建待预测混合长编组列车的局部气动阻力模型/整车气动阻力模型;求解局部气动阻力模型/整体气动阻力模型,得到待预测混合长编组列车的实时局部气动阻力或实时整车气动阻力。相比现有的整车仿真数据计算气动阻力的方法,本发明通过解耦列车前后编组,进行单节或局部几节编组车辆气动阻力影响规律分析,并在此基础上建立长编组列车气动阻力预测模型进行气动阻力预测,不但能保证气动阻力预测的准确性,还能提高预测速度。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例中的混合长编组列车的编组示意图;
图2是本发明优选实施例中的车辆E综合气动阻力模型残差图;
图3是本发明优选实施例中的车辆A~E综合气动力模型残差图;
图4是本发明优选实施例中的车辆E~I综合总气动阻力模型残差图;
图5是本发明优选实施例中的混合长编组列车气动阻力的预测方法的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一:
如图5所示,本实施中公开了一种混合长编组列车气动阻力的预测方法,包括以下步骤:
分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律;
获取待预测混合长编组列车的车辆编排方式,并基于所述影响规律构建所述待预测混合长编组列车的局部气动阻力模型/整车气动阻力模型;
求解所述局部气动阻力模型/整体气动阻力模型,得到待预测混合长编组列车的实时局部气动阻力或实时整车气动阻力。
此外,在本实施例中,还公开了一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明中的混合长编组列车气动阻力的预测方法及系统,通过分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律;获取待预测混合长编组列车的车辆编排方式,并基于所述影响规律构建所述待预测混合长编组列车的局部气动阻力模型/整车气动阻力模型;求解所述局部气动阻力模型/整体气动阻力模型,得到待预测混合长编组列车的实时局部气动阻力或实时整车气动阻力。相比现有的整车仿真数据计算气动阻力的方法,本发明通过解耦列车前后编组,进行单节或局部几节编组车辆气动阻力影响规律分析,并在此基础上建立长编组列车气动阻力预测模型进行气动阻力预测,不但能保证气动阻力预测的准确性,还能提高预测速度。
实施例二:
实施例二是实施例一的优选实施例,其与实施例一的不同之处在于,对混合长编组列车气动阻力的预测方法的具体步骤以及原理进行了拓展:
在本实施例中,公开了一种混合长编组列车气动阻力的预测方法,该方法通过解耦列车前后编组,进行单节或局部几节编组车辆的仿真计算,基于仿真结果研究编组方式对气动阻力的影响规律,并在此基础上建立长编组列车气动阻力预测模型,以代替数值模拟耗费巨大计算资源或无法完成的长编组货车阻力计算,从而为气动阻力优化编组方案提供依据。
其中,所述预测方法包括以下步骤:
首先通过数值仿真计算,得到单节货车所处不同位置下的基本气动力,再通过正交设计得出计算工况并解耦分析前后端连挂车辆对被测车辆气动阻力的影响,将前后端车辆对被测车辆气动阻力的影响进行量化并排秩。试验因素为编组位置,以A,B,C等表示车1,车2,车3等(不包含机车),以此类推,如图1所示。
研究前后端车辆对货车气动阻力的影响时,车1~车9使用字母编号A~I表示,交互项表示用两个字母表示,如AB则表示因素A与因素B的交互项,以此类推。前端车辆组合方式变化时,自变量为A~E编组位置;后端车辆组合方式变化时,自变量为E~I编组位置,分别研究前后端车辆对于气动阻力的影响及交互作用大小。研究前端车辆对单节货车阻力影响时,后端车辆F~I编组数为4,类型与车辆E类型一致;研究后端车辆对货车阻力影响时,前端车辆A~D为机车后四车,类型与车辆E类型一致。因变量有两个:①因变量为机车+九节编组中位于正中间的车辆E的气动阻力;②因变量为车型发生变化的货物车辆的气动总阻力,前端车辆组合方式变化时,因变量为A~E气动总阻力;后端车辆组合方式变化时,因变量为E~I气动总阻力。
如表1所示,通过数值仿真发现,货物列车编组存在同类型车辆时,气流经过三节以上的同类型车辆后流场趋于稳定,阻力值变化也不再显著,因此以车辆E的气动特征来近似代替长编组列车中的中间车辆。在设计数值仿真工况时,考虑了各车辆与被测车辆E的交互作用对E所受气动阻力可能产生的影响。
单节货车前接相同类型车辆时可减小所受气动阻力。除此之外,被测车辆E的气动阻力同时受到了A、B、C、D四个位置的影响,既存在各因素的单独效应也存在各编组位置的交互效应,前方来流经过四个车型不同的编组位置之后,与单类型车辆编组列车周围流场产生区别。前端车辆对于被测车辆气动阻力值的影响明显。后端车辆编组方案变化时,被测车辆E的气动阻力值变化不如前端车辆编组方案变化时波动剧烈;后端车辆变化时被测车辆E的气动阻力值主要受到相邻车辆F的影响,其余编组位置G、H、I的影响并不显著;后端车E~I的总阻力值仍然与各因素都相关。
当评价指标为车E气动阻力时,前端不同类型车辆的位置排布与被测车辆气动阻力值关系密切,既存在各因素的单独效应也存在各编组位置的交互效应;前端A~D车辆对该评价指标影响大小的排秩为A>D>C>B,交互作用项中,DE>AE>CE;后端的主效应因素为F及交互项EF,F>G>I>H,交互作用项中,EF>EI>EG;H~I的因素水平变化对于试验指标车E气动阻力的单独影响不显著,交互效应优先于其单独效应。当评价指标为车A~E总气动阻力时,各因素均显著,排秩为A>C>D>E>B。当评价指标为E~I总气动阻力时,影响E~I气动总阻力的主效应因素排秩为E>F>I>H>EF>G。
(1)车辆E气动阻力线性方差预测模型建立
列车头尾两端的车辆受到前方来流冲击与尾涡影响,气动阻力受多方面因素影响,建立阻力预测模型时需要引入较多自变量及交互项,且模型构建可能会受到多方面限制,精度无法保证,因此,为了简化模型,弱化头尾效应可能造成的偏差,将列车的整车阻力拆分为三个子集,由前端5车总阻力、中部车辆阻力递推叠加式、尾端5车总阻力共同构成。
如表1所示,通过数值仿真分析,车辆E气动阻力值同时受到前后端车辆的影响,前四个编组位置A~D均为主效应因素,后端的情况则不同,仅相邻的F车辆会对该位置的车辆气动阻力造成较大的影响,通过气动性能分析,二阶交互效应不足以解释前端车辆对车E气动阻力变化的影响,因此加入高阶交互项,通过多组计算比较发现,高阶交互项BCDE、DEF能更好的反应前后车辆对E车辆的影响,对所有计算工况中的气动力数据进行综合分析得到的结果如表1。去掉不显著的二阶交互效应并加入表示多个编组位置的综合效应的高阶交互项后,方差模型的调整后R2上升到了0.997,因此,加入的两项高阶交互项对于因变量车E的气动阻力值而言具有统计学意义,以如上自变量来构造车E综合气动力模型是合理的。
表1车辆E气动阻力影响效应因素方差分析表
对这些自变量(包括单独效应影响值、交互效应影响值以及基本阻力值)进行参数估计,结果如表C-1。
表C-1参数估计值(因变量:车E气动阻力)
A、B、C、D、E、F、BCDE、DEF对车辆E阻力的影响值分别用ai、bj、ck、en、fp、δmnp表示,其中i~p均可取1,2或3,则车E的综合气动阻力模型为:
式中,y1为车辆E的综合气动阻力截距,在本实施例中,根据列车的车厢类别以及车厢结构进行分析估计得到,y1的取值为0.804。
在预测出车辆E的综合气动阻力后,构建如图2所示的车辆E的综合气动力模型残差图,从图2中可以看出,预测值与真实值的线性相关性极高,部分预测值点的标准残差在0左右,达到了较高的预测精度。
(2)车辆A~E综合气动阻力线性方差预测模型建立
根据仿真结果,A~E总阻力与每个编组位置及它们的交互效应密切相关,因此,在建立A~E综合气动阻力线性方差预测模型时,除考虑A~E主效应因素外,加入了交互项ABCD及DEF,所得的分析结果如表2。
表2车辆A~E总气动阻力影响效应因素方差分析表
加入交互项后,方差模型的调整后R2上升到了0.988,拟合度达到了较高的水平,加入的交互项对因变量A~E综合气动阻力值而言具有统计意义。模型的参数(包括单独效应影响值、交互效应影响值)估计值如表C-2。
表C-2参数估计值(因变量:车A-E气动阻力)
A、B、C、D、E、ABCD、DEF对车辆A~E阻力的影响值分别用a'i、b'j、c'k、d'm、e'n、σijkm、ξmnp表示,i~p均可取1,2或3,则前端五车A~E的综合气动阻力模型为:
式中,y2为车辆A~E综合气动阻力的截距,在本实施例中,根据列车的车厢类别以及车厢结构进行分析估计得到,y2的取值为4.822。
在预测出车辆A~E综合气动阻力后,构建如图3所示的车辆A~E的综合气动力模型残差图。由图3中可知,预测值的标准残差均在0左右波动,基本在±2之间,部分预测值点的标准残差在0左右,达到了较高的预测精度。
(3)车辆E~I综合气动阻力线性方差预测模型建立
结合气动性能分析、极差分析与方差分析结果可知,前端车辆变化时对后端车辆的阻力产生影响。因此,建立当前后车辆编组方式都发生变化时的车辆E~I综合气动阻力线性方差预测模型时,也需要考虑前端编组位置的车辆,选取影响因素E~I,及交互项CDEF和GHI做方差分析,得到结果如表3。考虑的所有因素均具有显著性,R平方为0.987,调整后的R平方为0.956。证明所有因素均具有统计学意义,以及该模型所具有的良好拟合度。
表3车辆E~I气动阻力影响效应因素方差分析表
对各项因素的参数(包括单独效应影响值、交互效应影响值)估计值如表C-3。
表C-3参数估计值(因变量:车E-I气动阻力)
E、F、G、H、I、CDEF、GHI对车辆E~I阻力的影响值分别用ei、fj、gk、hm、in、λijkm、ηmnp表示,则车辆E~I的综合总气动阻力模型为:
式中,y3为车辆E~I的综合气动阻力截距,在本实施例中,根据列车的车厢类别以及车厢结构进行分析估计得到,y3的取值为6.437。
在预测出车辆E的综合气动阻力后,构建如图4所示的车辆E~I的综合总气动力模型残差图。由图4可知,预测值与真实值的线性相关性比较高,部分预测值点的标准残差在0左右,达到了较高的预测精度。
(4)整列货车总阻力预测模型
根据(1)~(3)中建立的货车气动阻力预测模型,可形成有约束的目标函数。一般地,给定货车数量与车型,如:a辆棚车(编码1),b辆双层集装箱平车(编码2),c辆罐车(编码3),总数量n=a+b+c,则有n个编组位置,m个车型,每个位置的车型为Xim(i=1,2,3,…,n,m=1,2,3),则给定了相应的约束条件:
但在实际运营中,可能存在需要将某些车型排列在车列前端或后端的情况,假设被指定了的编组位置为Xk1至Xk2,指定车型的数量C1辆棚车,C2辆双层集装箱平车,C3辆罐车,总数量为m,约束条件还需增加:
0<k1<k2<n (5-a)
m≤n (5-b)
C1+C2+C3=m (5-f)
整列货车总阻力使用线性方差模型建立的目标函数如下:
为最前端5车的总阻力,其中a'1m,b'2m,c'3m,d'4m,e'5m分别为机车后的前五节车X1m至X5m的修正项,σ(1234)m为前四车的交互项,ξ(456)m为X4m,X5m,X6m三项的交互项。该函数来源于公式(2)前端车辆A~E总阻力方差预测模型。是后端最后五节车辆的总阻力,该函数来源于公式(3)节中后端五车的总阻力预测模型,e(n-4)m,f(n-3)m,g(n-2)m,h(n-1)m,inm为最后五节车辆对因变量气动阻力均值的相应修正值,λ[(n-6)(n-5)(n-4)(n-3)]m为后端第n-6到第n-3节车的交互项常数系数,η[(n-2)(n-1)n]m为最后三节车的交互项常数系数。为除前端5车与最末尾5节车外的中间车总阻力之和,公式中,y1的取值为0.804,y2的取值为4.822,y3的取值为6.437。
实施例三:
实施例三是实施例二的优选实施例,包括以下内容:
在本实施例中,选择包含棚车、双层集装箱车、罐车的两组列车进行分析,第一组列车共含有两辆棚车,四辆双层集装箱车,三辆罐车;第二组列车含有两辆棚车,三辆双层集装箱车,四辆罐车。两组货运列车的不同编组方式与数值仿真对比工况如表4所示。其中1表示棚车,2表示双层集装箱平车,3表示罐车。
表4验证工况表
表5为上述预测模型获得的第一组货运列车明线运行时所受的气动阻力值分布和与数值仿真结果。从表中数据可知,预测阻力值与对应的数值仿真结果变化趋势相同,前端车辆气动总阻力预测结果偏差较小,后端预测阻力值偏大,尾部车辆总阻力的预测值与数值仿真值的偏差大于前端车辆,但总体趋势吻合较好。
表5第一组货运列车气动阻力值对比(kN)
表6为第二组货运列车不同编组方案的气动阻力预测值与数值仿真结果的对比。从表中数据可知,仍然有前端车辆气动总阻力预测结果偏差较小,后端预测阻力值偏大的规律,总阻力的数值模拟结果比预测值偏低约8%,总体吻合较好。说明建立的气动阻力预测模型基本能反应列车运行时的阻力情况。
表6第二组货运列车气动阻力值对比(kN)
综上所述,本发明引入了高阶交互项效应,建立了前后端车辆组合形式均有变化时的单节车辆E综合气动阻力方差预测模型由该节车本身Xim,它的前端四节车辆X(i-4)m,X(i-3)m,X(i-2)m,X(i-1)m,后端车辆X(i+1)m,以及X(i-3)m,X(i-2)m,X(i-1)m与Xim的交互项,X(i-1)m,X(i+1)m与Xim的交互项共同确定;A~E综合气动总阻力预测模型由机车后的前五节车X1m至X5m的修正项,及前四车X1m至X4m的交互项和X4m,X5m,X6m三项的交互项共同确定;E~I综合气动总阻力预测模型由最后五节车辆对因变量气动阻力均值的相应修正值,及X(n-6)m到X(n-3)m四车的交互项和最后三节车的交互项共同确定,并与数值仿真结果进行对比,显示车E和车A~E总阻力模型预测结果较好,精度较高,车E~I总阻力模型预测值与真实值误差相对较大。使用线性方差模型建立的目标函数为: 总阻力预测值与真实值一般不超过10%,基本能够还原数值差异特性,给出列车所受的近似阻力值。该阻力预测模型可以代替数值模拟耗费巨大计算资源或无法完成的长编组货车阻力计算,从而为气动阻力优化编组方案提供依据。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种混合长编组列车气动阻力的预测方法,其特征在于,包括以下步骤:
分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律;
获取待预测混合长编组列车的车辆编排方式,并基于所述影响规律构建所述待预测混合长编组列车的局部气动阻力模型/整车气动阻力模型;
求解所述局部气动阻力模型/整体气动阻力模型,得到待预测混合长编组列车的实时局部气动阻力或实时整车气动阻力。
2.根据权利要求1所述的混合长编组列车气动阻力的预测方法,其特征在于,分析不同的前后端连挂车辆组合方式,对混合长编组列车不同位置处的不同种类的车辆或车辆编组单元气动阻力的影响规律,包括以下步骤:
对于所述混合长编组列车中任一位置x的任一种类的车辆或车辆编组单元A均执行以下步骤:
通过数值仿真计算,得到所述车辆或车辆编组单元A的基本气动阻力,通过正交试验设计方法计算多个不同的前后端连挂车辆组合方式下,位于所述位置x的车辆或车辆编组单元A的多个综合气动阻力值;
并基于所述多个综合气动阻力值以及所述基本气动阻力分析多个不同的前后端连挂车辆组合方式对所述车辆或车辆编组单元A的影响。
3.根据权利要求1所述的混合长编组列车气动阻力的预测方法,其特征在于,所述影响规律包括:对于任一节位于混合长编组货运列车中段的车辆E,所述车辆E的综合气动阻力值同时受到连挂在其前端的N节车辆以及连挂在其后端的M节车辆对其单独效应的影响,且还受其前后端车辆编组方式对其交互效应的影响;当求解的局部气动阻力为待预测混合长编组列车的中段车辆E的综合气动阻力时,基于所述影响规律构建所述待预测混合长编组列车的局部气动阻力模型具体为:
通过数值仿真分别计算连挂在所述车辆E前端的N节车辆以及连挂在所述车辆E后端的M节车辆对所述车辆E气动阻力的单独效应影响值,并计算所述车辆E前后端车辆编组方式对所述车辆E气动阻力的交互效应影响值;
获取所述车辆E的基本气动阻力,根据所述车辆E的基本气动阻力、所述单独效应影响值以及所述交互效应影响值计算所述车辆E的综合气动阻力。
4.根据权利要求3所述的混合长编组列车气动阻力的预测方法,其特征在于,对于任一节位于混合长编组货运列车中段的车辆E,所述车辆E的综合气动阻力值同时受到连挂在其前端的4节车辆以及连挂在其后端的1节车辆的单独效应影响,设所述车辆E的挂连在其前端的4节车辆分别为A、B、C、D,挂连在其后端一节车辆为F,且车辆A、B、C、D、E、F依次连接,车辆E前后端车辆编组方式的交互效应影响包括由车辆B、C、D、E编组方式对所述车辆E气动阻力造成的交互效应影响值以及由车辆D、E、F编组方式所述车辆E气动阻力造成的交互效应影响值;当求解的局部气动阻力为待预测混合长编组列车的中段车辆E的综合气动阻力时,所述待预测混合长编组列车的局部气动阻力模型为:
5.根据权利要求2所述的混合长编组列车气动阻力的预测方法,其特征在于,所述影响规律包括:对于位于混合长编组列车的最前端的前端编组单元,所述前端编组单元的综合气动阻力与前端编组单元内部各节车辆本身对所述前端编组单元气动阻力的单独效应、前端编组单元内部各节车辆的交互效应、以及前端编组单元内的车辆与在后的外部车辆的交互效应密切相关;设前端编组单元包括车辆A、B、C、D、E,且车辆A、B、C、D、E依次连接,且车辆E还连接车辆F,当求解的局部气动阻力为待预测混合长编组列车的前端编组单元的综合气动阻力时,所述待预测混合长编组列车的局部气动阻力模型为:
6.根据权利要求5所述的混合长编组列车气动阻力的预测方法,其特征在于,所述影响规律为:对于位于混合长编组列车的最后端的后端编组单元,所述后端编组单元的综合气动阻力与后端编组单元内部各节车辆本身对所述前端编组单元气动阻力的单独效应、后端编组单元内部各节车辆的交互效应以及后端编组单元内的车辆与靠前的外部车辆的交互效应密切相关,设后端编组单元包括车辆E、F、G、H、I;车辆C、D为连挂在车辆E前端的车辆,且C、D、E、F、G、H、I依次连接;当求解的局部气动阻力为待预测混合长编组列车的后端编组单元的综合气动阻力时,所述待预测混合长编组列车的局部气动阻力模型为:
7.根据权利要求6所述的混合长编组列车气动阻力的预测方法,其特征在于,基于所述影响规律构建所述待预测混合长编组列车的整车气动阻力模型,包括以下步骤:
将待预测混合长编组列车的整车阻力解耦成:混合长编组列车的前端编组单元的综合气动阻力,混合长编组列车中段编组单元的综合气动阻力以及混合长编组列车后端编组单元的综合气动阻力;
基于所述影响规律分别构建:用于计算前端编组单元的综合气动阻力的第一局部气动阻力模型、用于计算所述后端编组单元的综合气动阻力的第二局部气动阻力模型以及用于计算所述中段编组单元的综合气动阻力的第三局部气动阻力模型;
基于所述第一局部气动阻力模型、第二局部气动阻力模型以及第三局部气动阻力模型构建所述整车气动阻力模型。
8.根据权利要求7所述的混合长编组列车气动阻力的预测方法,其特征在于,所述整车气动阻力模型为:
其中,为待预测混合长编组列车的实时整车气动阻力,为前端编组单元的综合气动阻力,为中段编组单元的综合气动阻力,为后端编组单元的综合气动阻力;m为车辆类别序号,y2为前端编组单元气动阻力的截距,a′1m,b′2m,c′3m,d′4m,e′5m分别为待预测混合长编组列车前端编组单元内的第1节车辆、第2节车辆、第3节车辆、第4节车辆以及第5节车辆对前端编组单元气动阻力的单独效应影响值;σ(1234)m为待预测混合长编组列车前端编组单元内的第1节车辆、第2节车辆、第3节车辆、第4节车辆的编组方式对前端编组单元气动阻力的交互效应影响值,ξ(456)m为待预测混合长编组列车的第4节车辆、第5节车辆以及第6节车辆的编组方式对前端编组单元气动阻力的交互效应影响值;n为待预测混合长编组列车的车辆总数,i为在所述中段编组单元内的被测车辆在待预测混合长编组列车的位置序号,y1为中段编组单元气动阻力的截距,a(i-4)m、b(i-3)m、c(i-2)m、d(i-1)m分别为连挂在第i节车辆前端的4节车辆对所述待预测混合长编组列车第i节车辆气动阻力的单独效应影响值,eim为待预测混合长编组列车第i节车辆的基本阻力值;y3为后端编组单元气动阻力的截距,f(i+1)m为连挂在第i节车辆后端的第i+1节车辆的对第i节车辆的单独效应影响值,γ[(i-3)(i-2)(i-1)i]m为第i-3节车辆、第i-2节车辆、第i-1节车辆以及第i节车辆的编组方式对第i节车辆气动阻力的交互项;δ[(i-1)i(i+1)]m为第i-1节车辆、第i节车辆以及第i+1节车辆的编组方式对第i节车辆气动阻力的交互效应影响值;e(n-4)m,f(n-3)m,g(n-2)m,h(n-1)m,inm分别为待预测混合长编组列车后端编组单元内的第n-4节车辆、第n-3节车辆、第n-2节车辆、第n-1节车辆以及第n节车辆对后端编组单元气动阻力的单独效应影响值;λ[(n-6)(n-5)(n-4)(n-3)]m为待预测混合长编组列车的第n-6节车辆、第n-5节车辆、第n-4节车辆、第n-3节车辆的编组方式对后端编组单元气动阻力的交互效应影响值;η[(n-2)(n-1)n]m为待预测混合长编组列车第n-2节车辆、第n-1节车辆以及第n节车辆的编组方式对后端编组单元气动阻力的交互效应影响值。
9.一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011656.XA CN113780642B (zh) | 2021-08-31 | 2021-08-31 | 混合长编组列车气动阻力的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011656.XA CN113780642B (zh) | 2021-08-31 | 2021-08-31 | 混合长编组列车气动阻力的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780642A true CN113780642A (zh) | 2021-12-10 |
CN113780642B CN113780642B (zh) | 2024-02-02 |
Family
ID=78840271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011656.XA Active CN113780642B (zh) | 2021-08-31 | 2021-08-31 | 混合长编组列车气动阻力的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780642B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114275012A (zh) * | 2022-03-04 | 2022-04-05 | 西南交通大学 | 一种列车控制级位的自适应调控方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441137A (zh) * | 2009-01-07 | 2009-05-27 | 中南大学 | 列车气动性能模拟动模型试验制动方法及其制动装置 |
CN102121874A (zh) * | 2011-01-21 | 2011-07-13 | 铁道部运输局 | 轨道交通车辆惯性和运行阻力模拟方法、装置及系统 |
CN103648880A (zh) * | 2011-07-04 | 2014-03-19 | 捷豹路虎有限公司 | 车辆控制系统和用于控制车辆的方法 |
CN105398473A (zh) * | 2015-11-30 | 2016-03-16 | 中国神华能源股份有限公司 | 一种计算列车受力的设备和方法 |
CN109657342A (zh) * | 2018-12-17 | 2019-04-19 | 西南交通大学 | 一种基于动力需求的高速列车轻量化设计方法 |
US20190301969A1 (en) * | 2016-05-19 | 2019-10-03 | 1323079 Alberta Ltd. | Method and apparatus for monitoring fluid dynamic drag |
CN110321588A (zh) * | 2019-05-10 | 2019-10-11 | 中车青岛四方车辆研究所有限公司 | 基于数值模拟的轨道车辆空气阻力计算方法 |
CN210310342U (zh) * | 2019-08-02 | 2020-04-14 | 中南大学 | 一种降低列车气动阻力的列车头部流线型结构及列车 |
CN111222293A (zh) * | 2020-01-10 | 2020-06-02 | 大连交通大学 | 基于sngr方法的高速列车气动噪声计算方法 |
CN113032902A (zh) * | 2021-03-18 | 2021-06-25 | 中南大学 | 一种基于机器学习优化的高速列车气动头部外形设计方法 |
-
2021
- 2021-08-31 CN CN202111011656.XA patent/CN113780642B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441137A (zh) * | 2009-01-07 | 2009-05-27 | 中南大学 | 列车气动性能模拟动模型试验制动方法及其制动装置 |
CN102121874A (zh) * | 2011-01-21 | 2011-07-13 | 铁道部运输局 | 轨道交通车辆惯性和运行阻力模拟方法、装置及系统 |
CN103648880A (zh) * | 2011-07-04 | 2014-03-19 | 捷豹路虎有限公司 | 车辆控制系统和用于控制车辆的方法 |
CN105398473A (zh) * | 2015-11-30 | 2016-03-16 | 中国神华能源股份有限公司 | 一种计算列车受力的设备和方法 |
US20190301969A1 (en) * | 2016-05-19 | 2019-10-03 | 1323079 Alberta Ltd. | Method and apparatus for monitoring fluid dynamic drag |
CN109657342A (zh) * | 2018-12-17 | 2019-04-19 | 西南交通大学 | 一种基于动力需求的高速列车轻量化设计方法 |
CN110321588A (zh) * | 2019-05-10 | 2019-10-11 | 中车青岛四方车辆研究所有限公司 | 基于数值模拟的轨道车辆空气阻力计算方法 |
CN210310342U (zh) * | 2019-08-02 | 2020-04-14 | 中南大学 | 一种降低列车气动阻力的列车头部流线型结构及列车 |
CN111222293A (zh) * | 2020-01-10 | 2020-06-02 | 大连交通大学 | 基于sngr方法的高速列车气动噪声计算方法 |
CN113032902A (zh) * | 2021-03-18 | 2021-06-25 | 中南大学 | 一种基于机器学习优化的高速列车气动头部外形设计方法 |
Non-Patent Citations (4)
Title |
---|
CHANGDA TAN 等: "Influences of marshalling length on the flow structure of a maglev train", 《INTERNATIONAL JOURNAL OF HEAT AND FLUID FLOW》, vol. 85, pages 1 - 12 * |
司瑜: "明线上高速列车气动阻力特性数值模拟研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 033 - 294 * |
田红旗: "列车编组方式对运行空气阻力的影响", 《机车电传动》, no. 4, pages 9 - 11 * |
蔡军爽 等: "基于DES的高速列车气动阻力分布特性研究", 《铁道科学与工程学报》, vol. 11, no. 5, pages 64 - 69 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114275012A (zh) * | 2022-03-04 | 2022-04-05 | 西南交通大学 | 一种列车控制级位的自适应调控方法 |
CN114275012B (zh) * | 2022-03-04 | 2022-05-20 | 西南交通大学 | 一种列车控制级位的自适应调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113780642B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108269399A (zh) | 一种基于公路网客流od反推技术的高铁客流需求预测方法 | |
CN106777752A (zh) | 一种高速列车追踪运行曲线优化设定方法 | |
CN107609317B (zh) | 一种钢桥疲劳评估荷载建模及疲劳评估方法 | |
CN108647813B (zh) | 一种基于弹复力调整的高速列车动态间隔节能优化方法 | |
Le Good et al. | Effects on the aerodynamic characteristics of vehicles in longitudinal proximity due to changes in style | |
CN109118052B (zh) | 节能评价方法 | |
CN105868865A (zh) | 基于多元线性回归与比例替代法的电动汽车保有量预测方法 | |
CN109670217A (zh) | 隧道气动载荷影响因素的权重分析方法及计算机系统 | |
CN113780642A (zh) | 混合长编组列车气动阻力的预测方法及系统 | |
Cunillera et al. | A literature review on train motion model calibration | |
CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
CN112330416A (zh) | 一种轨道交通车辆产品设计方法 | |
Meynerts et al. | Concept of integrated life cycle assessment and costing–application to the case of designing a hybrid train | |
CN110245461A (zh) | 一种城市轨道交通牵引负荷建模方法、系统及存储介质 | |
CN116611864A (zh) | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 | |
CN112722003A (zh) | 列车脱轨风险的监测方法与设备 | |
CN113836733B (zh) | 车辆曲线通过性能监测设备的布局位置确定方法及装置 | |
CN116256184A (zh) | 一种铁路货车健康状态的评价方法、装置、设备及介质 | |
CN114580176B (zh) | 一种基于多维特征聚类的汽车荷载智能化重构方法 | |
Baohua et al. | A computer-aided multi-train simulator for rail traffic | |
CN112071073B (zh) | 一种噪声地图系统的道路噪声自动修正方法 | |
CN112200370A (zh) | 一种针对不同车型的城市间货运排放估算方法 | |
CN113971467A (zh) | 一种基于bp神经网络的车辆信号设备智能运维方法 | |
Zhaolu et al. | Prediction of tram energy consumption based on modified regression model | |
Fullerton et al. | Sensitivity of freight and passenger rail fuel efficiency to infrastructure, equipment, and operating factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |