Enhancing Train Network Simulation Model with a Moving Block System

Abstract

Moderne Eisenbahnnetze stoßen an ihre Kapazitätsgrenzen. Fortschrittliche Zugbeeinflussungssysteme wie Moving Block versuchen, dieses Problem zu entschärfen, indem sie den Zugfolgeabstand verringern. Diese Arbeit erweitert die Funktionalität des makroskopischen Simulators RailwaySim, um das kontinuierliche Verhalten von Moving-Block-Systemen besser zu erfassen.RailwaySim und FiBlo (eine Neuimplementierung des ersteren) emulieren ein Festblocksystem, indem sie das Netzwerk durch einen Graphen von Betriebsstellen als Knoten und Segmente dazwischen als Kanten modellieren. Züge belegen diese Infrastrukturelemente während ihrer Fahrt, und Kapazitätsgrenzen führen zu Engpässen und Verspätungen.Die Arbeit vergleicht zwei Methoden zur Schätzung der Kapazitätsgrenze eines Segments und zeigt deren Auswirkungen auf den Streckenkapazitätsverbrauch sowie die Verspätungsausbreitung. Die erste Methode verwendet die Gleisanzahl als Kapazitätsmaß, während die zweite die historisch beobachtete maximale Zugbelegung eines Segments heranzieht. Angewandt auf die Strecke Meidling-Wiener Neustadt führte der gleisbasierte Ansatz zu einem höheren Kapazitätsverbrauch mit 79% gegenüber 70% beim zweiten Ansatz.MoBlo verfeinert das FiBlo-Modell, indem es die Segmente in Mikrosegmente unterteilt und die Zugbewegung explizit simuliert. Die Mikrosegmente ermöglichen es MoBlo, eine Fahrterlaubnis auf Basis der Position und des Bremswegs eines Zuges zu reservieren (Moving Block). Die Zugbewegungsparameter – Beschleunigung, Bremsrate und Höchstgeschwindigkeit – werden für jede Zugkategorie kalibriert, indem der Fehler zwischen simulierten und geplanten Fahrzeiten minimiert wird. Der resultierende mittlere absolute relative Fehler (MARE) liegt zwischen 13,5% und 33,6%, und verdeutlicht die Limitierungen dieses einfachen Ansatzes.Eine Sensitivitätsanalyse zur Länge der Mikrosegmente in MoBlo zeigte, dass eine Reduzierung von 4096 m auf 64 m die Kapazitätsauslastung von 87% auf 73% senkt, jedoch der Rechenaufwand um das 60-fache stieg. MoBlo verwendet nur die erste Methode zur Schätzung der Kapazität eines Segments (Anzahl der Gleise) und resultiert in gerninger Kapazitätsauslastung als FiBlo mit demselben Kapazitätsmaß.

Modern railway networks are reaching their capacity limits. Advanced train protection systems like Moving Block aim to alleviate this issue by decreasing the headway between trains. This thesis extends the functionality of the macroscopic simulator RailwaySim to better capture the continuous nature of Moving Block systems.RailwaySim and FiBlo (a reimplementation of the former) emulate a Fixed Block system by modeling the network through a graph of operational control points as nodes and segments between them as edges. Trains occupy these infrastructure elements during their travel, and capacity limits lead to queuing and secondary delays.The thesis compares two methods for estimating the capacity limit of a segment and demonstrates their impact on line capacity consumption as well as delay propagation. The first method uses the number of tracks as a capacity measure, while the second uses the historic maximum number of trains observed on a segment. Applied to the Meidling-Wiener Neustadt corridor, the track-based approach resulted in higher capacity consumption with 79% versus 70% with the second approach.MoBlo refines the FiBlo model by splitting the segments into micro-segments and integrating train movement. The micro-segments allow MoBlo to reserve a movement authority based on the position and braking distance of a train (Moving Block). The train movement parameters—acceleration, deceleration, and maximum speed—are calibrated for each train category by minimizing the error between simulated and scheduled travel durations. The resulting Mean Absolute Relative Error ranges from 13.5% to 33.6% and highlights the limitations of this simple approach.A sensitivity analysis on the micro-segment length in MoBlo showed that reducing them from 4096 m to 64 m decreases capacity consumption from 87% to 73%, although computational demands rose by a factor of 60. MoBlo only employs the first method to estimate the capacity of a segment (number of tracks) and results in lower capacity consumption than FiBlo with the same capacity measure.