Une table ronde avec des chercheurs universitaires de l'Université Queen's ainsi que le directeur de recherche de Measurand a eu lieu en décembre 2020. Andy Take et Neil Hoult de l'Université Queen's se sont joints à Christiane Levesque, directrice de la recherche de Measurand, et à Tyler Morency, gestionnaire de contenu, pour discuter de leur récent projet de recherche sur la surveillance du tassement des rails à l'aide du ShapeArray de Measurand.
Andy Take et Neil Hoult, les deux chercheurs principaux du projet, ont présenté leur article co-écrit, "Evaluation of ShapeArray sensors to quantify the spatial distribution and seasonal rate of track deformation", qui décrit les avantages d'une installation horizontale de ShapeArray pour surveiller le tassement saisonnier des voies par rapport aux méthodes de mesure optique traditionnellement utilisées pour recueillir des ensembles de données similaires.
Le site d'essai de cette étude de cas était un embranchement où le trafic ferroviaire était très faible : seulement deux trains par jour, un chargé et un déchargé. Bien que la vitesse des trains sur l'embranchement ait été limitée à seulement 16 km/h afin de préserver la géométrie de la voie, des zones molles localisées de 20 à 25 m de long ont entraîné des déformations suffisamment importantes pour être visibles à l'œil nu. De ce fait, l'embranchement devait être remblayé trois fois par an.
Dans l'ensemble, le site a fourni un scénario parfait pour examiner les questions suivantes :
Pour répondre à ces questions, les chercheurs avaient besoin d'une technologie capable de mesurer l'évolution des déformations dans l'espace et dans le temps.
Les chercheurs ont choisi ShapeArray pour évaluer ses performances sur le terrain dans le cadre de ce projet de recherche en se basant sur plusieurs facteurs. Contrairement aux systèmes de mesure optiques, ShapeArray prend ses mesures en déterminant l'angle de déplacement de plusieurs segments rigides reliés bout à bout par des joints flexibles. L'angle d'inclinaison de chaque segment individuel est multiplié par ses décalages de longueur et de roulis pour déterminer l'orientation précise du segment, et les données de chaque segment sont combinées pour fournir des informations détaillées sur la forme de l'ensemble du réseau.
Un facteur important dans la décision d'utiliser ShapeArray était sa capacité à fournir des mesures de déformation fréquentes, en l'occurrence toutes les heures, en temps réel, ce qui permet d'avoir une vue fine du site dans le temps.
En outre, les chercheurs ont tenu compte de la facilité d'installation et de configuration de ShapeArray pour la collecte de données à distance. Une fois installé et configuré pour la collecte de données à distance, un accès permanent sur site n'est pas nécessaire pour prélever des échantillons.
Les chercheurs ont utilisé un système ShapeArray composé de :
Les chercheurs ont installé les deux instruments, un de chaque côté de la voie, pour surveiller la torsion de la voie ferrée.
ShapeArray n'était pas le seul outil de surveillance utilisé dans l'étude. Les chercheurs ont utilisé un scanner laser terrestre FARO Focus S pour effectuer des balayages LIDAR (Light detection and ranging) afin d'obtenir des mesures détaillées du remblai de la voie, des rails et des traverses à des intervalles d'un demi-mètre à un mètre.
Cette technologie a permis d'obtenir une vue à très haute résolution des caractéristiques spatiales de la voie, excellente pour les mesures de référence. Cependant, le processus prend beaucoup de temps - un seul balayage nécessite une journée entière de travail et ne peut être effectué que pendant les périodes où il n'y a pas de trafic ferroviaire - ce qui ne convient pas à une surveillance continue.
La comparaison des données LIDAR avec les données ShapeArray a confirmé que les deux méthodes fournissaient des mesures précises de la forme du bol de déplacement. Le lidar présentait un peu plus de lacunes dans ses points de données car il fournit un nuage de points plutôt que des points singuliers, qui pouvaient parfois manquer la cible en raison des interférences des particules en suspension dans l'air.
Après seulement un mois, le système ShapeArray a montré une forme de bol très cohérente, avec un déplacement de 10 mm. Après huit mois de surveillance, les résultats des systèmes lidar et ShapeArray étaient toujours à 7 mm près. La principale différence, cependant, est que le système ShapeArray a pu fournir des relevés horaires sur site pendant toute la période.
Une autre caractéristique importante de la surveillance assurée par ShapeArray était l'information sur les niveaux transversaux qu'elle fournissait. C'est pourquoi le choix de placer ShapeArray sur les deux rails était si important : il permettait de mesurer presque en temps réel le tassement différentiel.
Pour ce faire, ils ont comparé le déplacement du ShapeArray de chaque rail afin de déterminer l'angle du sol perpendiculaire aux voies. Les chercheurs ont constaté que le rail ouest était invariablement plus bas que le rail est, avec une différence de plus de 40 mm. Bien que cette différence soit dans les limites autorisées pour le site, il était utile de pouvoir capturer ces informations supplémentaires car elles ont aidé les chercheurs à mieux comprendre les mécanismes de défaillance.
Le principal avantage des données ShapeArray dans ce cas est qu'elles ont été enregistrées toutes les heures. Cela a permis de suivre l'évolution de la forme du bol de déplacement dans le temps, en montrant les effets du changement de saison. Ce degré de granularité temporelle serait impossible avec un suivi fourni uniquement par le LIDAR.
Cette résolution temporelle était importante car elle a montré que la quantité totale de déformation n'était pas le résultat d'un seul événement de rupture, mais le résultat cumulé de petits déplacements quotidiens influencés par les niveaux saisonniers d'humidité ambiante. Les deux méthodes différentes de collecte de données racontent deux histoires différentes, et avec le lidar, une partie importante de l'image est perdue.
Le fait de disposer de ces données a non seulement permis de mieux illustrer la cause du problème, mais aussi d'aider les chercheurs à proposer de meilleures solutions pour atténuer ces défaillances. Ce cas montre comment ShapeArray peut être plus qu'un simple outil de surveillance ; il peut également jouer un rôle important dans la résolution préliminaire des problèmes du côté de l'enquête. Connaître et comprendre les problèmes est essentiel pour trouver les bonnes solutions. ShapeArray fournit ces informations supplémentaires.
De plus, qu'il s'agisse de données transversales ou de déplacement global, il est facile d'automatiser le suivi pour fournir des alertes lorsque certains seuils sont franchis. Les données provenant de ShapeArray sont rapides à convertir et à interpréter. Cela contraste avec les données provenant d'un système LIDAR qui, malgré toute sa précision, nécessite un travail supplémentaire de traitement qui peut s'avérer peu pratique dans les situations où des relevés réguliers sont nécessaires.
Une autre méthode encore moins pratique pour recueillir des données était un relevé manuel par station totale. Outre l'erreur humaine potentielle inhérente à la nécessité de tenir physiquement une perche à prisme droite pour chaque lecture, cette méthode a rencontré les mêmes problèmes que le lidar en termes de temps nécessaire pour effectuer les lectures.
L'un des plus grands défis de l'assainissement des rails est de déterminer si une stratégie d'assainissement a permis de résoudre le problème. L'un des principaux avantages de la collecte de données avec ShapeArray pour les propriétaires et les gestionnaires de rails est sa capacité à quantifier l'efficacité de ces stratégies. En installant ShapeArray avant l'intervention, vous pouvez déterminer précisément la nature du problème, sa fréquence et son caractère saisonnier. Et une fois les travaux d'assainissement terminés, vous pouvez réinstaller ShapeArray et voir comment le déplacement a changé - a-t-il résolu le problème ou l'a-t-il rendu plus facile à gérer que de devoir refaire le lestage tous les quelques mois ? Tout cela est possible grâce à l'installation rapide de ShapeArray et à l'accès facile aux données qu'il fournit.
Références :
[1] R. Yan, A. W. Take, N. A. Hoult, J. Meehan et C. Levesque, "Evaluation of Shape Array sensors to quantify the spatial distribution and seasonal rate of track settlement", Transportation Geotechnics, vol. 27, p. 100487, mars 2021, doi : 10.1016/j.trgeo.2020.100487.