doi: 10.17586/2226-1494-2024-24-2-284-292


УДК 001.891.57

Модели и методика моделирования деформаций в САПР ANSYS для систем железнодорожных вагонных весов

Денисенко М.А., Исаева А.С., Синюкин А.С., Ковалев А.В.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Денисенко М.А., Исаева А.С., Синюкин А.С., Ковалев А.В. Модели и методика моделирования деформаций в САПР ANSYS для систем железнодорожных вагонных весов // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 2. С. 284–292. doi: 10.17586/2226-1494-2024-24-2-284-292
 


Аннотация
Введение. Возможность быстрого, удобного и точного определения массы груза в вагонах позволяет повысить безопасность транспорта, а также обеспечить учет активов в железнодорожной инфраструктуре. Известны трехмерные твердотельные модели участка железнодорожного пути и методики моделирования деформаций, возникающих в рельсах под действием механических нагрузок, передаваемых через вагонные колеса. В соответствии с этими методиками происходит пересчет возникающих деформаций в вес вагонов. Температура рельса влияет на его механические свойства и, соответственно, на величину его деформации. В работе впервые предложена методика, позволяющая учитывать деформацию рельса под действием нагрузки с учетом изменения его температуры при различных граничных условиях. Метод. Согласно предложенному подходу, вес вагона определяется по величине деформаций, которые измеряются тензометрическими датчиками, расположенными на шейке рельса. Разработанные модели включают железнодорожное колесо, шпалы и фрагмент рельса. Фрагмент рельса, соответствующий участку пути, на котором устанавливаются датчики, геометрически воспроизводит существующий тип рельса R50 и размещается на шпалах, зафиксированных с нижней стороны. Модель колеса соответствует существующему типу цельнокатаных вагонных колес с диаметром по кругу катания 920 мм, благодаря чему в модели сохраняется корректное пятно контакта. Согласно методике, на разработанные твердотельные модели накладывается конечно-элементная сетка, устанавливаются соединения между фрагментами модели, применяются граничные и температурные условия, а также воздействующие силы. Последовательно выполняется конечно-элементный анализ для всех возможных комбинаций координаты колеса, нагружаемой массы и температуры. Для каждого случая регистрируются значения деформаций в четырех узлах рельса, соответствующих местам установки тензодатчиков. Проведено сравнение результатов конечно-элементного анализа для двух разработанных твердотельных моделей. Модели отличаются способом крепления рельса к шпалам и заданием граничных условий на торцах фрагмента рельса, позволяющих учитывать возможность релаксации температурных напряжений. В модели 1 рельс жестко связан со шпалами, в модели 2 рельс и шпалы соединены контактом, допускающим движение рельса по шпале с заданным коэффициентом трения. Кроме того, в модели 2 имитируется воздействие прижимных болтов. Основные результаты. Методика реализована в среде мультифизического моделирования ANSYS для связанной трехмерной задачи с использованием модулей Static Structural и Steady-State Thermal. Результаты моделирования показали, что значения деформаций, обусловленные температурным воздействием, в предложенных моделях отличаются. Диапазон вертикальных деформаций фрагмента рельса, на котором закреплены тензодатчики, при нагружаемой на колесо массе 12 500 кг составляет от минус 245 мкм (изгиб вниз) до 15 мкм (изгиб вверх) для модели 1 в зависимости от температуры рельса (в диапазоне от минус 20 °C до 50 °C), а для модели 2 — от минус 225 мкм до минус 100 мкм. Это позволяет сделать вывод, что модель 2 более корректно воспроизводит процесс деформации, а воздействие температуры на деформации менее значимо по сравнению с величиной механической нагрузки. Обсуждение. Предлагаемая модель, в отличие от известных, предполагает статическое взвешивание, характеризуемое большей точностью, надежностью и простотой применения. В дальнейшем планируется выполнение более подробного исследования модели с двумя колесами и осью с целью определения оптимального времени моделирования и точности получаемых результатов.

Ключевые слова: железнодорожная система мониторинга, идентификация нагрузок, метод конечных элементов, твердотельное моделирование, совершенствование моделей

Благодарности. Работа выполнена в рамках проекта № FENW-2020-0022 «Разработка и исследование методов и средств мониторинга, диагностики и прогнозирования состояния инженерных объектов на основе искусственного интеллекта» по заданию Минобрнауки Российской Федерации.

Список литературы
  1. Pau A., Vestroni F. Weigh-in-motion of train loads based on measurements of rail strains // Structural Control Health Monitoring. 2021. V. 28. N 11. P. e2818. https://doi.org/10.1002/stc.2818
  2. Molodova M., Li Z., Núñez A., Dollevoet R. Automatic detection of squats in railway infrastructure // IEEE Transactions on Intelligent Transportation Systems. 2014. V. 15. N 5. P. 1980–1990. https://doi.org/10.1109/TITS.2014.2307955
  3. Xu L., Zhai W. Train–track coupled dynamics analysis: system spatial variation on geometry, physics and mechanics // Railway Engineering Science. 2020. V. 28. N 1. P. 36–53. https://doi.org/10.1007/s40534-020-00203-0
  4. Molodova M., Li Z., Dollevoet R. Axle box acceleration: measurement and simulation for detection of short track defects // Wear. 2011. V. 271. N 1-2. P. 349–356. https://doi.org/10.1016/j.wear.2010.10.003
  5. Pintão B., Mosleh A., Vale C., Montenegro P., Costa P. Development and validation of a weigh-in-motion methodology for railway tracks // Sensors. 2022. V. 22. N 5. P. 1976. https://doi.org/10.3390/s22051976
  6. Zakharenko M., Frøseth G.T., Rönnquist A. Train classification using a weigh-in-motion system and associated algorithms to determine fatigue loads // Sensors. 2022. V. 22. N 5. P. 1772. https://doi.org/10.3390/s22051772
  7. Allota B., D’Adamio P., Marini L., Meli E., Pugi L., Rindi A. A new strategy for dynamic weighing in motion of railway vehicles // IEEE Transactions on Intelligent Transportation Systems. 2015. V. 16. N 6. P. 3520–3533. https://doi.org/10.1109/TITS.2015.2477104
  8. Senyanskiy D.M. Problem of increasing the accuracy of railway carriages weighing in motion // Proc. of the XVII IMEKO World Congress Metrology in the 3rd Millennium. 2003. P. 374–377.
  9. Mosleh A., Costa P.A., Calçada R. A new strategy to estimate static loads for the dynamic weighing in motion of railway vehicles // Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit. 2020. V. 234. N 2. P. 183–200. https://doi.org/10.1177/0954409719838115
  10. Mosleh A., Costa P.A., Calçada R. Development of a low-cost trackside system for weighing in motion and wheel defects detection // International Journal of Railway Research. 2020. V. 7. N 1. P. 1–9.
  11. Costa B.J.A., Martins R., Santos M., Felgueiras C., Calçada R. Weighing-in-motion wireless system for sustainable railway transport // Energy Procedia. 2017. V. 136. P. 408–413. https://doi.org/10.1016/j.egypro.2017.10.260
  12. Meli E., Pugi L. Preliminary development, simulation and validation of a weigh in motion system for railway vehicles // Meccanica. 2013. V. 48. N 10. P. 2541–2565. https://doi.org/10.1007/s11012-013-9769-9
  13. Zhou W., Abdulhakeem S., Fang C., Han T., Li G., Wu Y., Faisal Y. A new wayside method for measuring and evaluating wheel-rail contact forces and positions // Measurement. 2020. V. 166. P. 108244. https://doi.org/10.1016/j.measurement.2020.108244
  14. Delprete C., Rosso C. An easy instrument and a methodology for the monitoring and the diagnosis of a rail // Mechanical Systems and Signal Processing. 2009. V. 23. N 3. P. 940–956. https://doi.org/10.1016/j.ymssp.2008.06.004
  15. Sekuła K., Kołakowski P. Piezo-based weigh-in-motion system for the railway transport // Structural Control Health Monitoring. 2012. V. 19. N 2. P. 199–215. https://doi.org/10.1002/stc.416
  16. Filograno M.L., Guillén P.C., Rodríguez-Barrios A., Martín-López S., Rodríguez-Plaza M., Andrés-Alguacil A., González-Herráez M. Real-time monitoring of railway traffic using fiber Bragg grating sensors // IEEE Sensors Journal. 2012. V. 12. N 1. P. 85–92. https://doi.org/10.1109/JSEN.2011.2135848
  17. Kouroussis G., Kinet D., Moeyaert V., Dupuy J., Caucheteur C. Railway structure monitoring solutions using fibre Bragg grating sensors // International Journal of Rail Transportation. 2016. V. 4. N 3. P. 135–150. https://doi.org/10.1080/23248378.2016.1184598
  18. Roveri N., Carcaterra A., Sestieri A. Real-time monitoring of railway infrastructures using fibre Bragg grating sensors // Mechanical Systems and Signal Processing. 2015. V. 60–61. P. 14–28. https://doi.org/10.1016/j.ymssp.2015.01.003
  19. Johansson A., Nielsen J.C.O. Out-of-round railway wheels-wheel-rail contact forces and track response derived from field tests and numerical simulations // Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit. 2003. V. 217. N 2. P. 135–145. https://doi.org/10.1243/095440903765762878
  20. Vendittozzi C., Ciro E., Felli F., Lupi C., Marra F., Pulci G., Astri A. Static and dynamic weighing of rolling stocks by mean of a customized FBG-sensorized-patch // International Journal of Safety and Security Engineering. 2020. V. 10. N 1. P. 83–88. https://doi.org/10.18280/ijsse.100111
  21. Ereiz S., Duvnjak I., Jiménez-Alonso J.F. Review of finite element model updating methods for structural applications // Structures. 2022. V. 41. P. 684–723. https://doi.org/10.1016/j.istruc.2022.05.041
  22. Chirende B., Li J.Q., Vheremu W. Application of finite element analysis in modeling of bionic harrowing discs // Biomimetics. 2019. V. 4. N 3. P. 61. https://doi.org/10.3390/biomimetics4030061
  23. Baggio C., Sabbatini V., Santini S., Sebastiani C. Comparison of different finite element model updates based on experimental onsite testing: the case study of San Giovanni in Macerata // Journal of Civil Structural Health Monitoring. 2021. V. 11. N 3. P. 767–790. https://doi.org/10.1007/s13349-021-00480-1
  24. Denisenko M.A., Isaeva A.S., Sinyukin A.S., Kovalev A.V. A method for measuring the mass of a railroad car using an artificial neural network // Infrastructures. 2024. V. 9. N 2. P. 31. https://doi.org/10.3390/infrastructures9020031


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика