Noise prediction of trains in curves

Abstract

Um die zunehmende Lärmsensitivität der Bevölkerung zu berücksichtigen, werden Grenzwert ein Gesetzen und Verordnungen immer strenger. Zur Verhinderung, dass Lärm ein limitierender Faktor im Eisenbahnbetrieb wird, wird in hohem Ausmaß in Lärmschutzmaßnahmen investiert, die Bau- und Erhaltungskosten erhöhen. Zur Planung dieser besteht ein Bedarf an umfassenden Prognosemodellen. Trotz der Entwicklung solcher in der Vergangenheit,wird in diesen die Emission in der Bogenfahrt nicht ausreichend behandelt. Die Berücksichtigung erfolgt – wenn überhaupt – durch einen einzelnen additiven Zuschlag zur Gesamtemission. Die gegenständliche Arbeit beschäftigt sich mit einer umfassenden Untersuchung von Einflussfaktoren sowohl auf die Auftrittswahrscheinlichkeit, den Spitzenwert und die relative Auftrittszeit von drei unterschiedenen hochfrequenten Kurvengeräuschen, als auch auf die allgemeine Schallemission in der Bogenfahrt. Die Untersuchung umfasst empirische und statistische Auswertungen, welche auf Schallmessungen von fünf verschiedenen Messquerschnitten im österreichischen Vollbahnnetz mit Bogenradien zwischen 226 m und 440 m und zulässigen Geschwindigkeiten zwischen 60 kmh-1 und 90 kmh-1 basieren. Nach der Datenfilterung verbleiben insgesamt 29097 Zugsvorbeifahrten in der Auswertung. Ein automatisierterAlgorithmus wertet Terzpegel-Zeitverläufe hinsichtlich dem Auftreten von erhöhten hochfrequenten Anteilen aus. Die durchgeführte Untersuchung beinhaltet insgesamt 190 Parameter.Tendenzen hinsichtlich Auftrittshäufigkeit zeigen relative Luftfeuchte der Schiene mit einem Maximum zwischen 72 % und 75 % und einem abnehmenden Verlauf in beide Richtungen,einzelne Zugstypen, positive Korrelationen mit dem Radialstellungsindex (RSI) und freier Seitenbeschleunigung, sowie stark verringerte Werte in Zusammenhang mit Regen, Tau und Frost. Im nächsten Schritt werden, aufbauend auf den formulierten Haupteinflussfaktoren,Klassifizierungsmodelle für die Auftrittsvorhersage von hochfrequenten Kurvengeräuschen entwickelt. Der Fokus liegt dabei auf allgemeiner Praxisanwendbarkeit (möglichst wenig Einflussfaktoren).Zur Einschätzung der Vorhersagequalität auf neuen Datensätzen wird das Modell auf Datenpunkten von zwei Messquerschnitten trainiert und in den verbleibenden drei validiert. Somit wird das Modell auf Datensätze mit abweichenden Streckeneigenschaften,Zugmix und klimatischen Bedingungen angewandt. Auf diesem Validierungsset wird eine Erkennungsrate von hochfrequenten Kurvengeräuschen von 68 % bis 84 % in Verbindung mit einer allgemeinen Klassifizierungsgenauigkeit von 55 % bis 68 % erreicht. Das finale Endergebnis stellt ein Regressionsmodell zur Vorhersage der Schallemission in der Bogenfahrt dar. Aufgrund der wesentlich verbesserten Prognosegenauigkeit, werden kategoriale Variablen,die das Auftreten von jeweils einem Typ hochfrequenter Kurvengeräusche beinhalten, in das Modell inkludiert. Somit ist die Anwendung der entwickelten Klassifizierungsmodelle vorder Schallemissionsprognose durchzuführen. Prognose des Validierungsset mit inkludiertem prognostizierten Auftritt von hochfrequenten Kurvengeräuschen resultiert in Kennwerten von4 dB RMSE und 57 % R2. Vergleich zwischen energetischen Mittelwerten gemessener und prognostizierter Emissionswerte in den einzelnen Validierungsquerschnitten über die gesamte Messdauer liefert Abweichungen zwischen -1.1 dB und -0.5 dB. Zur vertiefenden Validierung wird eine Anwendung auf weitere Datensätze empfohlen.

People become more and more aware of noise and noise regulation thresholds decrease to satisfy the needs of a quiet environment, while also preventing health issues due to noise pollution.Avoidance of noise as a limiting factor in train operation results in a huge investment regardingnoise mitigation measures, which raises building and maintenance costs significantly. Thus,noise prediction to plan mitigation measures adequately and cost-efficiently is going to become essential. Although standards for calculating the noise emission of trains were developed insome countries in Europe, the elevated noise emission in curves is either considered with a single additive factor dependent on the radius or not considered at all. Hence, neither higher rolling noise in curves nor curve squeal, which states one of the most disturbing noise source semitted from railways, is sufficiently accounted in current noise emission models. The present thesis investigates influence factors on frequency of occurrence, peak levels and relative occurrence time of three distinguished curve squeal types as well as on general noise emission incurves. Examinations are carried out empirically and statistically using sound measurements of train pass bys collected in five different sections in the Austrian heavy rail network with radii between 226 m and 440 m and speed limits between 60 kmh-1 and 90 kmh-1. After datafiltering, 29097 train pass bys are considered in the final evaluation. An empirically elaboratedalgorithm detects time increments containing curve squeal (distinguished in all three stated types) out of short-time averaged (64 ms) third-octave band time spectra. Influence examination considers a total of 190 parameters, which are grouped in five categories – track,vehicle, dynamic, general and environmental. Main findings on frequency of occurrence are a high impact of relative rail humidity with peaking probabilities between 72 % and 75 % for all three types and decreasing rates in both directions in the remaining area, partly distinct traintype dependencies in probability magnitude, positive correlation of radial steering index (RSI) and lateral acceleration and significantly decreased relative frequency of occurrence regardingrain, dew and frost presence. Building on formulated influence factors, classification models to predict occurrence of each curve squeal type with a general scope on practical usefulness(including a low quantity of parameters) and general applicability are developed. For thelatter, model training is carried out on data points of two sections, while the remaining threeare used to validate predictive behaviour on different sections with deviating properties, traintype distribution and climatic conditions. Results are curve squeal detection rates of 68 %to 84 % in conjunction with an overall classification accuracy of 55 % to 68 % among the whole validation set. The final result is a regression model for noise emission prediction incurves. Since predictive performance can be significantly improved by inclusion of categorical predictors for occurrence of curve squeal, previously formulated classification models have tobe executed prior to estimation of overall noise emission. With inclusion of predicted curvesqueal occurrence, benchmarks of 4 dB RMSE and 57 % R2 are achieved on the whole validation set. Application on the validation sets leads to deviations in energetic mean between prediction and originally measured levels from -1.1 dB to -0.5 dB – depending on the section.Building on that promising result, further validation on other datasets is recommended.