27 avril 2021

Surveillance de la déformation des pistes avec ShapeArray™ : Une table ronde

Tyler Morency
Il y a 2 ans

Surveillance de la déformation des pistes avec ShapeArray : Une table ronde

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.

Sélection des sites pour examiner les méthodes de surveillance de la déformation des voies

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 :

  • Les cuvettes de déplacement créées dans les parties molles s'approfondissent-elles de manière générale ou s'étendent-elles spécifiquement sur la longueur du rail ?
  • Les variations saisonnières de l'humidité affectent-elles le taux de croissance des déformations du rail ?
  • Comment peut-on quantifier le succès d'un programme d'assainissement ?

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.

Considérant ShapeArray

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. 

Des techniciens de terrain installent deux ShapeArrays de modèle SAAX parallèlement à la voie ferrée en août 2018.

Scans LIDAR de base

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. 

Les chercheurs utilisent un FARO Focus S pour scanner les informations optiques détaillées de la ligne ferroviaire.

Données LIDAR contre données ShapeArray

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. 

Détermination du mécanisme 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. 

Un système d'acquisition de données configuré pour recueillir des échantillons de données de ShapeArray à intervalles d'une heure.

Quel est le résultat final pour les propriétaires et les gestionnaires de rails avec la technologie ShapeArray ?

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.

Êtes-vous prêt à surveiller la déformation des voies avec ShapeArray ?
Parlez-nous de votre projet.

  • 1993

    Le début

    Measurand est établi à Fredericton, au Nouveau-Brunswick
  • 1994

    Développement d'un capteur de courbure

    Measurand développe et fait breveter des capteurs de flexion et de position à fibre optique pour les secteurs médical et automobile

    Brevet américain 5.321.257

  • 1995

    Agence spatiale canadienne

    Reçoit un financement de l'ASC pour développer une technologie de capteurs qui aboutira à l'invention de la bande ShapeTape

    Brevet américain 5.633.494

  • 1999

    Brevet sur le capteur à fibre optique

    Measurand reçoit un brevet pour un "capteur de flexion et de positionnement à fibre optique" délivré le 29 juin 1999

    Brevet canadien 2.073.162

  • 2001

    ShapeTape & ShapeHand début

    Measurand conçoit et développe une technologie innovante de capture du mouvement

    Brevet américain 6.127.672, 6.563.107

  • 2002

    Measurand participe au CIMPMG

    Premier contact avec le secteur géotechnique lors de la Conférence internationale sur la modélisation physique en géotechnique (ICPMG)
  • 2004

    ShapeArray

    Envoi d'une demande de brevet de dessin ou modèle concernant un nouveau produit conçu pour répondre aux besoins spécifiques de l'industrie géotechnique

    Brevet américain 6.127.672, 6.563.107

  • 2005-08

    ShapeWrap

    Measurand lance la technologie de capture de mouvement ShapeWrap pour l'industrie du film et de l'animation

    Brevet américain 7,296,363

  • 2006

    Installation à Malibu

    ShapeAccelArray installé pour la première fois à Malibu, CA, pour la surveillance du sol

    Brevet canadien 2.472.421

  • 2007

    ShapeMRI

    Ensemble d'instruments développés pour la capture de mouvement dans les appareils d'imagerie par résonance magnétique (IRM)

    Brevet américain 7,296,363

  • 2011

    SAAScan lancé

    Conçu pour un déploiement rapide et un usage répété

    Brevet canadien 2.472.421

  • 2014

    Lancement de SAAX

    Conçu pour une installation horizontale robuste

    Demande canadienne 2 815 199 & 2 815 195

  • 2017

    SAAV a lancé

    Le seul instrument géotechnique avec une méthode d'installation cyclique brevetée

    Cyclical Sensor Array, application canadienne 2 815 199 & 2 911 175