27 de abril de 2021
Uma mesa redonda com pesquisadores acadêmicos da Queen's University, juntamente com o diretor de pesquisa da Measurand, foi realizada em dezembro de 2020. O Dr. Andy Take da Queen's University e o Dr. Neil Hoult juntaram-se à Christiane Levesque da Measurand, diretora de pesquisa, e Tyler Morency, gerente de conteúdo, para discutir seu recente projeto de pesquisa em monitoramento de assentamentos ferroviários com a Measurand's ShapeArray.
Dr. Andy Take e Dr. Neil Hoult, os dois principais pesquisadores do projeto, apresentaram seu trabalho de co-autoria, "Avaliação dos sensores ShapeArray para quantificar a distribuição espacial e a taxa sazonal de deformação da via", que descreve as vantagens do ShapeArray instalado horizontalmente para monitorar o assentamento sazonal da via em comparação com os métodos de medição ótica tradicionalmente usados para coletar conjuntos de dados similares.
O local de teste neste estudo de caso foi uma linha de esporão com tráfego ferroviário muito baixo: apenas dois trens por dia, um carregado e um descarregado. Embora a velocidade dos trens no esporão fosse limitada a apenas 16 km/h a fim de preservar a geometria da via, pontos macios localizados com 20 a 25 m de comprimento levavam a deformações suficientemente grandes para serem visíveis a olho nu. Por causa disso, o esporão tinha que ser rebatizado três vezes ao ano.
No geral, o site forneceu o cenário perfeito para examinar as seguintes questões:
Para responder a estas perguntas, os pesquisadores precisavam de tecnologia que pudesse medir as mudanças nas deformações, tanto no espaço quanto no tempo.
Os pesquisadores selecionaram o ShapeArray para avaliar seu desempenho em campo neste projeto de pesquisa com base em vários fatores. Ao contrário dos sistemas de medição ótica, ShapeArray takes suas medições determinando o ângulo de deslocamento de vários segmentos rígidos unidos de ponta a ponta com juntas flexíveis. O ângulo de inclinação de cada segmento individual é multiplicado por seu comprimento e deslocamentos de rolos para determinar a orientação precisa do segmento, e os dados de cada segmento são combinados para fornecer informações detalhadas sobre a forma de todo o conjunto.
Um fator importante na decisão de usar o ShapeArray foi sua capacidade de fornecer medições de deformação freqüentes, neste caso de hora em hora, em tempo real, permitindo uma visão de granulação fina do local ao longo do tempo.
Além disso, os pesquisadores levaram em consideração a facilidade de instalação e configuração da ShapeArray para a coleta remota de dados. Uma vez instalado e configurado para coleta remota de dados, o acesso contínuo no local não é necessário para a coleta de amostras de leitura.
Os pesquisadores usaram um sistema ShapeArray composto por:
Os pesquisadores instalaram os dois instrumentos, um de cada lado da via, para monitorar a torção da via férrea.
O ShapeArray não foi a única ferramenta de monitoramento utilizada no estudo. Os pesquisadores usaram um scanner laser terrestre FARO Focus S para completar as varreduras LIDAR (Light detection and ranging) para obter medições detalhadas do aterro da via, trilhos e amarras em intervalos de meio metro a um metro.
Esta tecnologia deu uma visão de muito alta resolução das características espaciais da pista, excelente para medições de linha de base. Entretanto, o processo consome tempo - uma única varredura requer um dia inteiro de trabalho e só poderia ser feita durante os períodos em que não houvesse tráfego ferroviário - não adequado para monitoramento contínuo.
Comparando os dados LIDAR com os dados da ShapeArray, foi confirmado que ambos os métodos forneceram measurements of precisos a forma da bacia de deslocamento. O lidar tinha mais algumas falhas em seus pontos de dados porque ele fornece uma nuvem de pontos em vez de pontos singulares, que às vezes poderiam falhar a marca por causa da interferência de partículas transportadas pelo ar.
Após apenas um mês, o ShapeArray mostrou uma forma de tigela muito consistente, captando um deslocamento de 10 mm. Após oito meses de monitoramento, os resultados dos sistemas de lidar e ShapeArray foram still within 7 mm um do outro. A maior diferença, porém, foi que o ShapeArray was able forneceu leituras de hora em hora durante todo o período.
Outra característica importante do monitoramento do ShapeArray foi a informação de nível cruzado que ele forneceu. Foi por isso que a escolha de colocar o ShapeArray em ambos os trilhos foi tão importante: ele permitiu a medição quase em tempo real da liquidação diferencial.
Isto foi feito comparando o deslocamento do ShapeArray de cada trilho para determinar o ângulo do solo perpendicular aos trilhos. Os pesquisadores descobriram que a via oeste era invariavelmente mais baixa que a via leste, com uma diferença de mais de 40 mm para cima. Embora esta diferença was within seja a quantidade permitida para o site, foi útil poder captar esta informação adicional porque ajudou os pesquisadores a entender melhor os mecanismos de falha.
A principal vantagem dos dados do ShapeArray neste caso era que eles eram registrados de hora em hora. Isto tornou possível monitorar o desenvolvimento da forma da tigela de deslocamento ao longo do tempo, mostrando os efeitos das mudanças de estação. Este grau de granularidade temporal seria impossível com o monitoramento fornecido apenas pela LIDAR.
Esta resolução temporal foi importante porque mostrou que a quantidade total de deformação não era o resultado de um único evento de falha, mas o resultado cumulativo de pequenos deslocamentos diários influenciados pelos níveis sazonais de umidade ambiente. Os dois métodos diferentes de coleta de dados contam duas histórias diferentes, e com o lidar, uma parte significativa do quadro se perde.
Ter esses dados não apenas ilustra melhor qual foi a causa do problema, mas também ajuda os pesquisadores a sugerir melhores soluções para mitigar essas falhas. Este caso mostra como o ShapeArray pode ser mais do que apenas uma ferramenta de monitoramento; ele também pode desempenhar um papel importante in preliminary resolução de problemas no lado da investigação. Conhecer e compreender os problemas é a chave para encontrar as soluções corretas. O ShapeArray fornece essa informação extra.
Além disso, quer se trate de dados cruzados ou deslocamento geral, é fácil automatizar o monitoramento para fornecer alertas quando determinados limites são ultrapassados. Os dados do ShapeArray são rápidos de converter e interpretar. Isto contrasta com os dados de um sistema LIDAR, que, por toda sua precisão, requer trabalho extra para processar que pode ser impraticável em situações em que são necessárias leituras regulares.
Um método alternativo ainda menos prático para a coleta de dados foi um levantamento manual da estação total. Além do erro humano potencial inerente à necessidade de segurar fisicamente um poste de prisma diretamente para cada leitura, este método encontrou os mesmos problemas de tempo que o lidar em termos de tempo necessário para fazer as leituras.
Um dos maiores desafios com a remediação ferroviária é determinar se uma estratégia de remediação resolveu o problema. Um grande benefício para os proprietários e gerentes de ferrovias ao coletar dados com o ShapeArray é sua capacidade de quantificar quão bem essas estratégias têm funcionado. Ao instalar o ShapeArray antes da intervenção, você pode determinar qual é exatamente o problema, qual é o índice occurring and se ele for afetado sazonalmente. E uma vez concluído o trabalho de remediação, you can reinstala o ShapeArray e vê como o deslocamento mudou - ele resolveu o problema ou o tornou mais manejável do que ter que reequilibrá-lo a cada poucos meses? Tudo isso é possível devido à rápida instalação do ShapeArray e ao pronto acesso aos dados que ele fornece.
Referências:
[1] R. Yan, A. W. Take, N. A. Hoult, J. Meehan, e C. Levesque, "Evaluation of Shape Array sensors to quantify the spatial distribution and seasonal rate of track settlement", Transportation Geotechnics, vol. 27, p. 100487, Mar. 2021, doi: 10.1016/j.trgeo.2020.100487.
