Modelagem de engates ferroviários em trens de carga para gestão de condução

Abstract

Resumo: O aumento da demanda por trens de carga mais longos e pesados no setor ferroviário impõe tensões dinâmicas elevadas sobre os engates, que fazem a conexão entre os vagões, potencializando riscos de falhas operacionais e comprometendo a integridade desses componentes. Para mitigar tais desafios, este trabalho propõe o desenvolvimento de um modelo de comportamento dinâmico dos engates ferroviários, focado na gestão de condução e previsão de esforços críticos. O estudo aborda a modelagem dos engates e emprega técnicas de aprendizagem de máquina, com o uso de redes neurais artificiais (RNA), para diagnosticar comportamentos prejudiciais durante a operação. Os dados utilizados para a modelagem são obtidos por sensores instalados nos engates, fornecendo informações sobre esforços de tração e compressão, especialmente em trechos caracterizados por altimetria variável e curvas acentuadas. A metodologia aplicada combina o pré-processamento dos dados, a modelagem dos engates e a integração com algoritmos de aprendizado supervisionado, permitindo a identificação de padrões que indicam esforços críticos. Os resultados obtidos apontam para a melhoria na vida útil dos engates e maior eficiência na condução ferroviária. Espera-se contribuir ainda para a prevenção de falhas, possibilitando a adoção de medidas proativas e reforçando a segurança e a eficiência no transporte ferroviário

Abstract: The increasing demand for longer and heavier freight trains in the railway sector imposes high dynamic stresses on couplers, which make the connection between the wagons, escalating the risk of operational failures and compromising the integrity of these components. To address these challenges, this study proposes the development of a dynamic behavior model for railway couplers, focused on operational management and the prediction of critical forces. The research includes the modeling of couplers and the application of machine learning techniques, specifically artificial neural networks (ANN), to diagnose harmful behaviors during train operations. Data for the model are collected from sensors installed on the couplers, providing information on traction and compression forces, particularly in segments characterized by variable altimetry and sharp curves. The methodology combines data preprocessing, coupler modeling, and integration with supervised learning algorithms, enabling the identification of patterns indicative of critical forces. The obtained outcomes point to the extension of coupler lifespan and increased operational efficiency in train management. Further contributions to failure prevention are also expected, supporting proactive measures and enhancing safety and efficiency in railway transportation