基于机器学习的长编重联动车组碰撞能量管理方案优化

为有效缓解交通运输压力,采用动车组重联运行可以成倍提高载客量,然而一旦发生碰撞事故,巨大的碰撞能量将造成严重的乘员损伤和财产损失,长编重联动车组碰撞能量管理已成为重点研究对象。本文提出均匀耗散和集中耗散2种碰撞能量管理模式,以头车和中间车车端的吸能装置平台力和压缩行程为设计参数,基于KNN、MLS、RBF和RF的4种机器学习算法,开展长编重联动车组碰撞能量管理方案优化设计。研究结果表明:预测头车吸能量和中间车自身耗散能量方差的最优机器学习模型分别是MLS和RBF,相对误差均在4%以内;头车和中间车的吸能元件平台力是影响头车界面吸能量的主要参数,中间车吸能装置参数是影响中间车界面碰撞能量分布是否均匀的主要参数;集中耗散模式下头车和重联界面吸收了碰撞能量48.24%,中间车界面吸收了碰撞能量51.76%,该能量分配模式要求头车前端吸能装置具有更高的吸能量;均匀耗散模式下头车和重联界面吸收了22.75%的碰撞能量,中间车界面吸收了77.25%的碰撞能量,该能量分配模式会增大车间距导致列车长度增加;优化获得的2种碰撞能量管理方案都能在时速36 km/h对撞工况下保证长编重联动车组车体结构完整,且车体120 ms最大平均加速度分别为2.64g和2.36g。