Güterzuglängsdynamik
| dc.contributor.advisor | Hecht, Markus | |
| dc.contributor.author | Jobstfinke, Daniel | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Hecht, Markus | |
| dc.contributor.referee | Stichel, Sebastian | |
| dc.date.accepted | 2020-09-18 | |
| dc.date.accessioned | 2020-11-02T11:38:01Z | |
| dc.date.available | 2020-11-02T11:38:01Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | Mehrere aktuelle und perspektivische Entwicklungen im Eisenbahnwesen haben potenziellen Einfluss auf die Längsdynamik von Güterzügen. Dazu gehören die Einführung einer Digitalen Automatischen Kupplung, längere Güterzüge sowie neuartige Bremssysteme. Bestehende Untersuchungen beschränken sich teilweise auf wenige Zugkonfigurationen und/oder Betriebsszenarien. Praktisch gibt es aber nahezu unbegrenzte Kombinationsmöglichkeiten verschiedener Einflussparameter der Fahrzeuge im Zug. Gleichzeitig erfordert die Berechnung zuglängsdynamischer Größen wegen der nichtlinearen Zusammenhänge Simulationsverfahren mit einem nicht vernachlässigbaren Rechenaufwand. Es wird ein Simulationsmodell entwickelt und auf Plausibilität geprüft, das durch kurze Rechenzeiten eine Parametervariation mit zahlreichen Parameterkombinationen ermöglicht. Ziel ist es, Güterzuglängsdynamik einerseits umfassend und allgemeingültig zu untersuchen und andererseits eine Differenzierung zu ermöglichen. Dazu wird das Verfahren der globalen Sensitivitätsanalyse (GSA) genutzt. Dieses erlaubt die Betrachtung des gesamten Eingangsparameterraumes und der Wechselwirkungen im Modell. Die Ergebnisse der GSA für mehrere Millionen Zugfahrten ermöglichen sowohl die Identifikation besonders einflussreicher Parameter, als auch solcher, die nur einen geringen Einfluss haben, und daher zukünftig vernachlässigt werden können. Auch allgemein zu präferierende Parameterausprägungen können abgeleitet werden. Die Masse der Wagen und mögliche Verteilungen haben großen Einfluss und sollten daher stets in Untersuchungen berücksichtigt werden. Auch bei Parametern mit Einfluss auf die Höhe der Bremskräfte sollte eine allfällige Verteilung verschiedener Ausprägungen entlang des Zuges berücksichtigt werden. Dazu gehören die Reibmaterialien, deren Charakteristika sehr einflussreich sind. Dies betrifft auch den gemischten Einsatz von Scheiben- und Klotzbremsen in einem Zug, der näher untersucht werden sollte. Die Längskräfte sind bei der elektro-pneumatischen (ep-) Bremse im Vergleich zur pneumatischen Bremse in der Gesamtheit deutlich niedrigerer, sie führt aber nicht in jedem Fall zu kleinen Kräften. Das Verhalten von Zügen mit ep-Bremse unterscheidet sich von dem der Züge mit pneumatischer Bremse, weshalb beispielsweise eine andere Art der Lastabbremsung vorteilhaft ist. Bei den Zug- und Stoßeinrichtungen sind die Vorspannung und die Form der Kennlinie besonders einflussreich. Parameterverteilungen sind hier weniger relevant. Aufbauend auf den Simulationsergebnissen wird ein auf künstlichen neuronalen Netzen basierender Ansatz zur Prädiktion von Zuglängsdynamik vorgestellt. Damit können zuglängsdynamische Größen in kürzester Zeit genau und ohne großen individuellen Rechenaufwand approximiert werden. Dieser Ansatz könnte perspektivisch in verschiedenen Anwendungen des Eisenbahnbetriebs und der Eisenbahnindustrie genutzt werden. | de |
| dc.description.abstract | Several current and prospective developments in the railway industry have a potential impact on the longitudinal dynamics of freight trains. These include the introduction of a Digital Automatic Coupler, longer freight trains and new braking systems. Existing studies are sometimes limited to a few train configurations and/or operating scenarios. In practice, however, there are almost unlimited combinations of different influencing parameters of the vehicles in the train. At the same time, the cal\-cu\-la\-tion of longitudinal dynamic values requires simulation methods with a non-negligible computational effort due to the non-linear relationships. A simulation model is developed and checked for plausibility, which enables parameter variation with numerous parameter combinations through short computing times. The aim is to investigate the longitudinal dynamics of freight trains in a comprehensive and universal way and yet to enable differentiation. The method of Global Sensitivity Analysis (GSA) is used for this purpose. This allows the examination of the entire input parameter space and the interactions in the model. The results of the GSA for several million train runs enable the identification of parameters that are particularly influential as well as those that only have a minor influence. The latter ones can therefore be neglected in the future. Parameter values that are generally preferable can also be derived. The mass of the wagons and possible distributions have a great influence and should therefore always be taken into account in studies. If there is a distribution of different values of a parameter that influences the level of braking forces along the train, it should also be considered. This includes the friction materials, which characteristics are very influential. This also applies to the mixed use of disc and block brakes in one train, which should be examined in more detail. The longitudinal forces in trains with electro-pneumatic (ep) brakes are overall significantly lower than in trains with pneumatic brakes. However, ep brakes do not always lead to small forces. The behavior of trains with ep brakes differs from that of trains with pneumatic brakes. This is why another type of load device is advantageous in trains with ep brake. Regarding buffers and drawgear, their preload force and the shape of their characteristic are particularly influential. Parameter distributions are less relevant in this case. Based on the simulation results, an approach for the prediction of train dynamics based on artificial neural networks is presented. This allows the approximation of longitudinal dynamic values in a very short time and without great individual computational effort. In the future, this approach could be used in various applications in railway operations and the railway industry. | en |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/11772 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-10660 | |
| dc.language.iso | de | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject.ddc | 625 Eisenbahn- und Straßenbau | de |
| dc.subject.other | Schienenfahrzeugdynamik | de |
| dc.subject.other | Schienengüterverkehr | de |
| dc.subject.other | globale Sensitivitätsanalyse | de |
| dc.subject.other | künstliche neuronale Netze | de |
| dc.subject.other | rail vehicle dynamics | en |
| dc.subject.other | rail freight transport | en |
| dc.subject.other | global sensitivity analysis | en |
| dc.subject.other | artificial neural networks | en |
| dc.title | Güterzuglängsdynamik | de |
| dc.title.subtitle | Sensitivitätsanalysen als Basis für Erkundung, Erfassung und Prädiktion | de |
| dc.title.translated | Longitudinal dynamics of freight trains | en |
| dc.title.translatedsubtitle | sensitivity analyses as basis for exploration, survey and prediction | en |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Land- und Seeverkehr (ILS)::FG Schienenfahrzeuge | de |
| tub.affiliation.faculty | Fak. 5 Verkehrs- und Maschinensysteme | de |
| tub.affiliation.group | FG Schienenfahrzeuge | de |
| tub.affiliation.institute | Inst. Land- und Seeverkehr (ILS) | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |