Rail4Future

Projektbeschreibung

Das COMET¹-Projekt Rail4Future² (R4F) zielt darauf ab, als erstes Mal, eine vollständig virtuelle Bewertung des Verhaltens des Eisenbahninfrastruktursystems zu ermöglichen. Dafür werden großmaßstäbliche Simulationen, basierend auf die mit KI³-Fähigkeiten, Echtzeitdaten aus dem Eisenbahnbetrieb und visuellen Analysemethoden erweiterten Hybridmodelle, eingesetzt.

Ein Diagramm, das die zugehörigen Abläufe von dem Rail4Future Projekt beschreibt. (PNG) — © TU Wien MIVP

Ablaufdiagramm von Rail4Future

Methodik

Entwicklung einer R4F-Plattform, die in der Lage ist, verschiedene Ebenen von den durch Simulationen, maschinelles Lernen und Datenanalyse gewonnenen Erkenntnissen zu verarbeiten.
Virtuelle Integrationsstrategien für heterogene Daten: Abschnittsinformationen (digitalisierte Schienennetzinformationen usw.), Kontextinformationen, Sensordaten und Modellierungsansätze von vereinfachten analytischen Berechnungen über umfassende FEM⁴-Simulationen bis hin zu Machine Learning-Modellen usw.
Funktionsentwicklung (Ersatzmodell/Modellreduktion) für spezifische Schadens- und Verschlechterungsanalysen von Eisenbahnabschnitten.
Aufbau eines gemeinsamen Frameworks für die Bewertung der Zuverlässigkeit der Eisenbahninfrastruktur.
Entwicklung relevanter Tests, Validierungsszenarien (KPIs⁵) auf Basis realer Daten.
Automatisierte Integration von Modellen und Informationen mit unterschiedlichem Detaillierungsgrad (Tool-Chains, FMI⁶, etc.)

IT-Architektur, die verwendete IT-Technologien sowie deren Beziehungen miteinander in der Rail4Future Plattform zeigt. (PNG) — © TU Wien MIVP

IT-Architektur von Rail4Future Plattform

Auswirkungen und Folgen

Verschiedene Eisenbahninfrastruktur-Assets können automatisch und effizient integriert werden.
Ein kontinuierlicher Fluss von verlässlichen und aussagekräftigen Informationen über die gesamte Lebensdauer verschiedener Teilsysteme von der Eisenbahninfrastruktur kann sichergestellt werden.
Die R4F-Plattform kann auch eine wesentliche Grundlage für die Gestaltung einer virtuellen Bewertungsplattform als universell einsetzbare Lösung für digitalisierte Eisenbahnsysteme in der Zukunft sein.

Projektpartner

Ansprechpartner TU Wien MIVP

Projektverantwortlicher: Ao. Univ. Prof. Dipl.-Ing. Dr. techn. Manfred Grafinger
E-Mail: manfred.grafinger@tuwien.ac.at
Telefon: +43 1 58801 30723

Schlüsselperson: Shiyang Zhou M.Sc.
E-Mail: shiyang.zhou@tuwien.ac.at

Schlüsselperson: Ozan Kugu M.Sc.
E-Mail: ozan.kugu@tuwien.ac.at
Telefon: +43 1 58801 30737

Relevante Webseiten

Rail4Future FFG, öffnet eine externe URL in einem neuen Fenster

Rail4Future Startseite, öffnet eine externe URL in einem neuen Fenster

Eckdaten Rail4Future

Projektstart: 01.04.2021

Projektende: 30.09.2024

Projektdauer: 42 Monate

Zeitraum: 2021 - 2024

Status: abgeschlossen

Schlüsselwörter: Large Scale Simulation; Weiche & Schiene; Brücke & Tunnel; Predictive Analytics; Hybride Modellierung

Veröffentlichung

Kugu, O., Zhou, S., Reiterer, S. H., Schwaiger, M., Wurth, L., & Grafinger, M. (2024). Pipeline-Based Automated Integration and Delivery Testing of Simulation Assets with FMI/SSP in a Railway Digital Twin. Proceedings of the American Modelica Conference 2024, Storrs, Connecticut, USA, October 14-16, 2024, pp. 189-198. URL: https://doi.org/10.3384/ecp207189, öffnet eine externe URL in einem neuen Fenster

Zhou, S., Kugu, O., Wurth, L., & Grafinger, M. (2024). A Reinforcement-Learning-based Parameter Tuning Methodology for Traction Control in the Holistic Railway Digital Twin System. Procedia CIRP, Vol. 128, pp. 828-833. URL: https://doi.org/10.1016/j.procir.2024.06.040, öffnet eine externe URL in einem neuen Fenster

Kugu, O., Zhou, S., Nowak, R., Müller, G., Reiterer, S.H., Meierhofer, A., Lachinger, S., Wurth, L. & Grafinger, M. (2023). An FMI- and SSP⁷-based Model Integration Methodology for a Digital Twin Platform of a Holistic Railway Infrastructure System. Proceedings of the 15th International Modelica Conference 2023, Aachen, October 9-11, Vol. 204, pp. 717-726. URL: https://doi.org/10.3384/ecp204717, öffnet eine externe URL in einem neuen Fenster

Zhou, S., Meierhofer, A., Kugu, O., Xia, Y., & Grafinger, M. (2023). A Machine-Learning-based Surrogate Modeling Methodology for Submodel Integration in the Holistic Railway Digital Twin Platform. Procedia CIRP, Vol. 119, pp. 345-350. URL: https://doi.org/10.1016/j.procir.2023.02.141, öffnet eine externe URL in einem neuen Fenster

Zhou, S., Dumss, S., Nowak, R., Riegler, R., Kugu, O., Krammer, M., & Grafinger, M. (2022). A Conceptual Model-based Digital Twin Platform for Holistic Large-scale Railway Infrastructure Systems. Procedia CIRP, Vol. 109, pp. 362–367. URL: https://doi.org/10.1016/j.procir.2022.05.263, öffnet eine externe URL in einem neuen Fenster

Abkürzungen

¹ COMET -> Competence Centers for Excellent Technologies

² Rail4Future -> Railways for Future: Resilient Digital Railway Systems to enhance performance

³ KI -> Künstliche Intelligenz

⁴ FEM -> Finite-Elemente-Methode

⁵ KPI -> Key Performance Indicator

⁶ FMI -> Functional Mock-up Interface

⁷ SSP -> System Structure and Parameterization