Многоцелевая оптимизация в проектировании железнодорожных путей для обеспечения безопасности и эффективности

Введение: Закон о балансировке железнодорожного пути

Современные железнодорожные системы должны обеспечивать высокоскоростное обслуживание с высокой пропускной способностью при обеспечении абсолютной безопасности пассажиров и грузов. Достижение этих целей одновременно является серьезной инженерной задачей, поскольку проектирование геометрии железнодорожных путей, их подструктуры и выравнивания сопряжено с противоречивыми требованиями. Например, проектирование для более высоких скоростей часто требует более широких радиусов кривых и более плавных переходов, что увеличивает затраты на захват земли и строительство. И наоборот, минимизация затрат за счет использования более узких кривых может снизить эксплуатационные скорости и увеличить износ колес и рельсов. Это напряжение делает проектирование железнодорожных путей классической проблемой многоцелевой оптимизации (MOO), где инженеры должны найти наилучшие возможные компромиссы между безопасностью, эффективностью, стоимостью и долговечностью.

Многообъективная оптимизация обеспечивает структурированную основу для балансировки этих конкурирующих целей. Вместо того, чтобы искать один «лучший» дизайн, методы MOO генерируют набор оптимальных решений Pareto-проектов, в которых никакая цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Этот подход позволяет лицам, принимающим решения, выбирать дизайн, который наилучшим образом соответствует их конкретным приоритетам, будь то максимальная безопасность, минимальная стоимость жизненного цикла или самая высокая эксплуатационная пропускная способность.

В этой статье рассматриваются принципы многоцелевой оптимизации, применяемые к проектированию железнодорожных путей, подробно описываются ключевые цели, популярные алгоритмы, преимущества, проблемы и будущие направления.Понимая, как можно использовать MOO, железнодорожные инженеры могут создавать инфраструктуру, которая является более безопасной и эффективной, в конечном итоге поддерживая рост устойчивого железнодорожного транспорта.

Понимание многоцелевой оптимизации в железнодорожном машиностроении

Многообъективная оптимизация — это отрасль оптимизации, которая занимается проблемами, имеющими две или более объективных функций, которые должны быть сведены к минимуму или максимизированы одновременно.В математических терминах проблема MOO может быть выражена как:

Минимизировать/максимизировать f1(x), f2(x), ..., fn(x) при условии ограничений gj(x) ≤ 0, hk(x) = 0

Для проектирования железнодорожных путей типичные цели включают минимизацию затрат на строительство, минимизацию затрат на техническое обслуживание, максимизацию безопасности (например, минимизацию риска схода с рельсов) и максимизацию операционной эффективности (например, минимизацию времени в пути). Поскольку эти цели часто находятся в конфликте, не существует единого решения, которое оптимизирует все цели одновременно.

Решение является оптимальным (или не доминируемым), если нет другого возможного решения, которое улучшает одну цель, не ухудшая, по крайней мере, одну другую цель. Набор всех таких решений формирует границу Парето. Визуализация границы позволяет инженерам понять компромиссный ландшафт и выбрать дизайн, который отвечает их конкретной толерантности к риску и бюджетным ограничениям.

Ранние методы МОО в железнодорожном проектировании опирались на подходы взвешенной суммы, где инженеры присваивали веса каждой цели и комбинировали их в единую скалярную функцию. Однако этот метод имеет ограничения: он требует априорного знания предпочтений, и он может пропустить решения на невыпуклых участках границы. Современные методы используют эволюционные алгоритмы и метаэвристику для приближения всей границы Парето за один пробег, обеспечивая более богатый набор альтернатив дизайна.

Для более глубокого теоретического фона см. Обзор ScienceDirect многообъективной оптимизации .

Ключевые цели в дизайне железнодорожных путей

1.Безопасность

Безопасность является первостепенной задачей в любой железнодорожной системе. Конструкция пути напрямую влияет на риск схода с рельсов, стабильность движения и структурную целостность. Ключевые факторы безопасности включают:

Методы МОО помогают инженерам оценить, как различные параметры проектирования, связанные с безопасностью, взаимодействуют с затратами и эффективностью. Например, увеличение радиуса кривой улучшает запас прочности, но может потребовать дорогостоящего приобретения земли или туннелирования. Граница Парето показывает стоимость предельных улучшений безопасности.

2. Эффективность

Эффективность при проектировании железнодорожных путей включает как эксплуатационную скорость, так и энергопотребление. Более высокие скорости сокращают время в пути и увеличивают пропускную способность линии, но они требуют более строгих геометрических стандартов, таких как большие радиусы, более плавные переходы и лучшее качество поверхности. Эксплуатационная эффективность также включает:

Цели эффективности часто противоречат безопасности и стоимости. Например, очень быстрое выравнивание может значительно увеличить затраты на землю и строительство, а также может наложить более жесткие пределы безопасности, которые требуют дополнительных сигналов или барьеров. MOO помогает количественно оценить эти компромиссы.

3.Стоимость.

В железнодорожном пути затраты широко классифицируются на затраты на строительство, расходы на техническое обслуживание и эксплуатационные расходы. Расходы на строительство включают земляные работы, дренаж, закупки железных дорог и спальных мест и рабочую силу. Расходы на техническое обслуживание включают регулярные проверки, шлифование, замена и замена компонентов. Эксплуатационные расходы включают энергию, экипаж и износ транспортных средств. Анализ стоимости жизненного цикла (LCCA), который суммирует эти расходы в течение срока проектирования, имеет важное значение для принятия обоснованных решений.

MOO позволяет инженерам изучить компромисс между более высокими первоначальными инвестициями (например, с использованием премиальных железнодорожных стальных или бетонных шпал) и более низким долгосрочным обслуживанием. Конструкция с более высокой первоначальной стоимостью, но гораздо более низким обслуживанием может быть оптимальной по сравнению с дешевой конструкцией, которая требует частого ремонта.

4. Прочность

Долговечность относится к способности компонентов трека противостоять износу с течением времени при повторной нагрузке и воздействии окружающей среды. Факторы, влияющие на долговечность, включают:

Цели в области долговечности часто согласуются с сокращением затрат на протяжении всего жизненного цикла, но могут вступать в противоречие с первоначальными затратами на строительство. MOO помогает определить проекты, которые предлагают наилучший баланс между краткосрочными расходами и долгосрочной надежностью.

Применение методов многоцелевой оптимизации

Для решения задач МОО в проектировании дорожек используется несколько алгоритмических подходов. Ниже приведены наиболее распространенные, с их сильными сторонами и ограничениями.

Генетические алгоритмы (GAs)

Генетические алгоритмы вдохновлены естественным отбором. Они работают на популяции кандидатов, кодирующих переменные дизайна (например, радиус кривой, сверхвысота, расстояние между спящими) в виде хромосом. Благодаря отбору, кроссоверу и мутации, популяция эволюционирует в течение поколений в направлении лучших решений. Многообъективные GA, такие как NSGA-II (недоминируемый сортирующий генетический алгоритм II) и SPEA2 (сильный эволюционный алгоритм Парето 2), явно поддерживают разнообразие вдоль границы Парето. Эти алгоритмы хорошо подходят для железнодорожного дизайна, потому что они эффективно справляются с нелинейными, прерывистыми и смешанными переменными проблемами.

Оптимизация теплоты частиц (PSO)

PSO моделирует рой частиц, движущихся через пространство дизайна. Каждая частица помнит свое личное лучшее положение и глобальное лучшее положение. В многообъективной PSO концепция доминирования используется для обновления лидеров и направления роя к границе Парето. PSO является вычислительно эффективной и часто сходится быстрее, чем GA, но может бороться с очень ограниченными проблемами.

Методы на основе парето

Эти методы непосредственно ищут решения, не требующие доминирования. Подход с взвешенной суммой, хотя и простой, может быть распространен на систематические вариации весов, но он не работает на невыпуклых фронтах. Более сложные методы, такие как метод ε-ограничения (оптимизация одной цели при одновременном рассмотрении других как ограничений), могут исследовать всю границу, но требуют нескольких прогонов.

Гибридные подходы

Инженерная практика часто использует гибридные методы, которые сочетают глобальный поиск (например, GA) с локальной утонченностью (например, оптимизацией на основе градиента). Например, GA может идентифицировать перспективные регионы, а затем метод последовательного квадратичного программирования (SQP) тонко настраивает дизайн. Это повышает точность решения без чрезмерных вычислительных затрат.

Практическим примером является оптимизация высокоскоростного железнодорожного выравнивания в горной местности. Исследователи применили NSGA-II для минимизации затрат на строительство, времени в пути и объема земляных работ, удовлетворяя ограничениям безопасности на радиусы кривых и сверхвысоту. Полученный фронт Парето дал планировщикам несколько выравниваний на выбор, каждый с различным балансом между стоимостью и скоростью. Для получения дополнительной информации об этом см. этот европейский журнал оперативных исследований по MOO в выравнивании железных дорог .

Преимущества многоцелевой оптимизации в дизайне треков

Сбалансированные решения

MOO обеспечивает рациональную, количественную основу для компромиссов. Вместо того, чтобы полагаться на интуицию или произвольные взвешивания, инженеры могут точно видеть, сколько стоит повышение безопасности с точки зрения эффективности или затрат. Это приводит к более обоснованным решениям, которые согласуются с приоритетами заинтересованных сторон - будь то нормативные цели безопасности, бюджетные ограничения или цели производительности.

Инновационные дизайны

Поскольку MOO исследует широкое пространство дизайна, он часто раскрывает нетрадиционные решения, которые могут упустить из виду дизайнеры-люди. Например, немного более длинное выравнивание с более мягкой кривой может достичь как более низкой стоимости, так и более высокой скорости, чем «прямое» выравнивание, которое требует дорогостоящего туннелирования. Эти творческие решения могут принести значительные преимущества.

Снижение рисков

Определяя всю границу Парето, MOO помогает инженерам понять чувствительность безопасности к изменениям в конструкции. Проекты вблизи границы осуществимости (например, очень жесткие кривые с высоким сверхвысотой) могут быть идентифицированы как высокорисковые и избежать. Ранняя оценка риска снижает вероятность дорогостоящих перепроектов или инцидентов безопасности позже.

Экономия средств

Например, если у железнодорожного ведомства есть фиксированный бюджет, то пограничный пункт Парето показывает, какие улучшения безопасности обеспечивают лучший «взрыв для доллара». Аналогичным образом, анализ стоимости жизненного цикла, интегрированный с MOO, помогает минимизировать общие затраты в течение десятилетий, а не только первоначальные затраты. Исследование, проведенное Международным союзом железных дорог (МСЖД), показало, что проектирование на основе MOO может снизить затраты на жизненный цикл до 15% по сравнению с обычными методами.

Проблемы и ограничения

Несмотря на свои преимущества, применение MOO для проектирования железнодорожных путей сталкивается с рядом практических проблем.

Будущие направления: интеграция данных и машинное обучение

Будущее многоцелевой оптимизации в проектировании железнодорожных путей лежит в сближении трех тенденций: цифровых двойников, машинного обучения и мониторинга в режиме реального времени.

Цифровые близнецы и оптимизация в реальном времени

Цифровой двойник железнодорожного пути непрерывно получает данные от датчиков (акселерометров, тензометров, видеоинспекции). Эти данные могут использоваться для обновления цифровой модели и повторного запуска MOO для корректировки графиков технического обслуживания или даже изменения эксплуатационных параметров (например, ограничения скорости). Например, если участок пути показывает ускоренный износ, цифровой двойник может предложить новый дизайн, такой как модифицированный профиль надстройки или шлифования рельсов, который оптимизирует безопасность и оставшийся срок службы. Такие компании, как Siemens Mobility уже внедряют цифровые платформы-близнецы для железнодорожной инфраструктуры.

Машинное обучение суррогатных моделей

Для преодоления вычислительной сложности суррогатные модели (например, нейронные сети, гауссовские процессы) могут приблизиться к дорогостоящему моделированию. Модели машинного обучения обучаются на наборе симуляционных заданий, а затем используются для прогнозирования объективных значений для новых конструкций. Алгоритмы MOO могут запрашивать суррогат в тысячи раз быстро, с периодической валидацией против высокоточного моделирования. Этот подход значительно сокращает время вычислений при сохранении точности. Недавние исследования в Журнале Центрального Южного университета демонстрирует эффективность суррогатных моделей на основе Kriging для оптимизации выравнивания железнодорожного пути.

Включение целей устойчивого развития

Поскольку железные дороги нацелены на чистые нулевые выбросы, рамки МОО расширяются, чтобы включать экологические цели, такие как воплощенный углерод, шумовое загрязнение и воздействие на землепользование. Эти цели могут быть интегрированы вместе с традиционными целями безопасности и эффективности, создавая по-настоящему целостный подход к проектированию. Например, оптимизированное выравнивание может выбирать переработанные материалы или компоненты электрификации, которые минимизируют углеродный след, все еще соблюдая стандарты производительности.

Эволюционные алгоритмы для многообъективных задач

Будущие методы МОО будут обрабатывать несколько уровней точности одновременно. Модели с низкой точностью (например, аналитические формулы) могут использоваться для быстрого исследования, в то время как модели с высокой точностью (например, моделирование конечных элементов) используются для перспективных проектов. Многоверность байесовской оптимизации и эволюционные алгоритмы являются активными областями исследований с прямой применимостью к проектированию железнодорожных путей.

Заключение

Многообъективная оптимизация стала незаменимым инструментом для проектирования железнодорожных путей, позволяя инженерам ориентироваться в присущих компромиссах между безопасностью, эффективностью, стоимостью и долговечностью. Создавая границы Pareto не доминирующих решений, MOO обеспечивает прозрачную и рациональную основу для принятия решений, что приводит к проектам, которые являются более безопасными и более эффективными, чем те, которые производятся традиционными однообъективными или эвристическими методами. В то время как проблемы остаются - особенно в вычислительной стоимости, точности модели и интеграции данных - продолжающиеся достижения в машинном обучении, цифровых двойниках и оптимизации многоточности обещают сделать MOO более доступным и мощным, чем когда-либо.

Для железнодорожных властей и инженерных фирм инвестирование в возможности MOO - это не просто академическое упражнение; это практическая стратегия для создания инфраструктуры, которая отвечает требованиям 21-го века. По мере расширения и модернизации железнодорожных сетей способность оптимизировать несколько целей будет иметь решающее значение для достижения устойчивых, высокоэффективных железнодорожных систем. Для дальнейшего чтения обратитесь к руководящим принципам UIC по оптимизации проектирования путей .