National Transport Library Research Database

Hållbara järnvägsövergångszoner genom prediktiva modeller (Sustainable Railway Transition Zones via Predictive Models)

Sponsors, duration, budget: Trafikverket ; 2025-10-01 -- 2027-10-01 ; 2 574 000 kronorRegistration number:
  • Trafikverket 2025/7010
Summary: Projektet utförs vid Kungliga Tekniska Högskolan som ett seniorforskningsprojekt i form av en tvåårig postdoktorstjänst. Det bygger vidare på ett doktorandprojekt finansierat av Trafikverket (TRV 2023/29717), där en modell för ballasterat spår utvecklades för att studera spårnedbrytning i övergångszoner, exempelvis mellan bank och bro. I postdoktorsprojektet uppgraderas modellen med AI för praktisk tillämpning inom järnvägsindustrin. Projektet fokuserar på att förbättra hållbarheten och kostnadseffektiviteten i Sveriges järnvägsunderhåll, särskilt i sårbara övergångszoner där ballastens försämring accelereras på grund av varierande grundförhållanden. Nuvarande metoder, såsom frekvent spårpackning och spårbyte, är resurskrävande och ineffektiva för att säkerställa långsiktig prestanda. Målet är därför att utveckla effektivare prediktiva modeller som optimerar underhållet och minskar driftkostnaderna. Befintliga modeller, såsom numeriska simuleringar med diskreta och finita elementmetoder (DEM respektive FEM), är tillämpbara i begränsade fall men är avancerade, komplexa och tidskrävande. Detta projekt använder resultaten från sådana numeriska modeller under olika scenarier för att träna en AI-modell som kan förutsäga oväntade fall. Projektet syftar till att förbättra dessa modeller med AI, vilket möjliggör förutsägelser om när och var underhåll behövs, samtidigt som hållbara material utvärderas för att minska miljöpåverkan. Metodiken inkluderar en AI-driven strategi för prediktivt underhåll och hållbara materialval, vilket både minskar miljöpåverkan och optimerar underhållet. Genom digitala tvillingar och AI förlängs järnvägens livslängd. Projektet är unikt i Sverige genom sin kombination av DEM, FEM och AI och skiljer sig från tidigare studier genom att erbjuda en integrerad lösning med praktiskt fokus för industrin.Summary: The project is conducted at the Royal Institute of Technology (KTH) as a senior research project in the form of a two-year postdoctoral position. It builds upon a doctoral project funded by the Swedish Transport Administration (TRV 2023/29717), where a model for ballasted tracks was developed to study track degradation in transition zones, such as between embankments and bridges. In the postdoctoral project, the model is upgraded with AI for practical applications in the railway industry. The project focuses on improving the sustainability and cost efficiency of railway maintenance in Sweden, particularly in vulnerable transition zones where ballast degradation accelerates due to varying ground conditions. Current methods, such as frequent track tamping and track replacement, are resource-intensive and inefficient for ensuring long-term performance. The goal is, therefore, to develop more effective predictive models to optimize maintenance and reduce operational costs. Existing models, such as numerical simulations using discrete and finite element methods (DEM and FEM, respectively), are applicable in limited cases but are advanced, complex, and time-consuming. This project leverages the results of such numerical models under various scenarios to train an AI model capable of predicting unexpected cases. The project aims to enhance these models with AI, enabling predictions of when and where maintenance is needed while evaluating sustainable materials to reduce environmental impact. The methodology includes an AI-driven approach to predictive maintenance and sustainable material selection, which reduces environmental impact and optimizes maintenance. By utilizing digital twins and AI, the project aims to extend the lifespan of railway infrastructure. The project is unique in Sweden due to its combination of DEM, FEM, and AI and differs from previous studies by offering an integrated solution with a practical focus for the industry.
Item type: