Determining Stress-Free Temperature in Railways: A New Method Developed for Türkiye Using Machine Learning and Current Meteorological Data

Öz

In our era, the increasing effects of global warming and climate change have highlighted the need to revise the conventional Stress-Free Temperature (SFT) determination methods. This study proposes a novel SFT determination method tailored to the climatic conditions of Türkiye. In this context, current meteorological data from the Türkiye's 81 provinces were analyzed using the Sequential Least Squares Programming (SLSQP) algorithm available in Python's Scipy.optimize module. Optimal SFT values were calculated for each province and the relationship between these values and potential maximum rail temperatures was investigated using linear regression and machine learning based models. As a result, a new nationally applicable SFT correlation was developed. The results indicate that when using the existing (conventional) method for SFT determination, critical rail temperatures are exceeded in 43 out of 81 provinces, with the magnitude of this exceedance (ΔT) reaching up to 48°C. Such conditions can lead to reduced operational capacity and financial losses. In contrast, the SFT values calculated using the proposed method require speed restrictions in only one province and maintain ΔT values below 36 °C in the remaining 80 provinces. In conclusion, this new SFT correlation is expected to contribute to the sector by enabling more efficient management of the risk of thermal buckling in rails.

Anahtar Kelimeler

• Stress-free Temperature
• Railway rail thermal buckling
• Sun kink
• Climate change

Demiryollarında Gerilimsiz Ray Sıcaklığı Belirleme: Makine Öğrenmesi ve Güncel Meteorolojik Verilerle Türkiye İçin Geliştirilen Yeni Bir Yöntem

Öz

Çağımızda, küresel ısınma ve iklim değişikliğinin artan etkileri, konvansiyonel Gerilimsiz Ray Sıcaklığı (SFT) belirleme yöntemlerinin revize edilmesini gündeme getirmiştir. Bu çalışma, Türkiye’nin iklim koşullarına uygun, yeni bir SFT belirleme metodu sunmaktadır. Bu bağlamda çalışma kapsamında, Türkiye’nin 81 iline ait güncel meteorolojik veriler, Scipy.optimize modülünde yer alan SLSQP (Sequential Least Squares Programming, Ardışık En Küçük Kareler Programlaması) algoritması kullanılarak analiz edilmiştir. Her il için optimum SFT değerleri hesaplanmış ve bu değerlerin olası en yüksek ray sıcaklıklarıyla ilişkisi, Sklearn kütüphanesinin LinearRegression sınıfı kullanılarak oluşturulan bir makine öğrenmesi modeliyle incelenmiştir. Bu şekilde, ülke genelinde uygulanabilecek yeni bir SFT bağıntısı geliştirilmiştir. Sonuçlar, mevcut (konvansiyonel) yöntemle SFT belirlemesi yapıldığı takdirde, 81 ilin 43’ünde kritik ray sıcaklıklarının aşıldığını ve bu aşım miktarının (ΔT) 48 °C’ye kadar ulaştığını göstermektedir. Bu durum, işlem kapasitesinde düşüşlere ve mali kayıplara yol açabilecektir. Önerilen yöntemle hesaplanan SFT değerleri ise yalnızca bir ilde hız kısıtlaması gerektirmekte ve diğer 80 ilde ΔT değerlerini 36 °C’nin altında tutmaktadır. Sonuç olarak, bu yeni SFT bağıntısının, rayların termal burkulması (flambaj) riskini daha verimli yönetmek adına sektöre katkı sağlaması beklenmektedir.

Anahtar Kelimeler

• Gerilimsiz ray sıcaklığı
• Demiryolu ray termal burkulması
• Flambaj
• İklim değişikliği

Kaynakça

1. [1] A. Miri, D. P. Thambiratnam, T. Chan, “Thermal challenges of replacing jointed rails with CWR on steel railway bridges,” Journal of Constructional Steel Research, vol. 181, no. 106627, 2021, doi: https://doi.org/10.1016/j.jcsr.2021.106627
2. [2] G. Isgrò, C. J. Kleverlaan, H. Wang, A. J. Feilzer, “Thermal dimensional behavior of dental ceramics.” Biomaterials, vol. 25 (12), pp. 2447-2453, 2004, doi: https://doi.org/10.1016/j.biomaterials.2003.09.027
3. [3] M. Saltan, F. Çeçen, Ö. F. Acar, “Rail thermal buckling risk management: comparative analysis of stress-free temperature determination in the USA and Türkiye,” in ICivilTech, Isparta, Türkiye, 2024, pp. 68
4. [4] F. Çeçen, B. Aktaş, “Ray sıcaklığı takip sistemleri (RSTS) için en uygun yerlerin belirlenmesinde termal kameralardan yararlanılması: hızlı analiz metotları geliştirilmesi,” Demiryolu Mühendisliği, vol. 20, pp. 141-154, Temmuz 2024, doi: https://doi.org/10.47072/demiryolu.1474099
5. [5] Anonymous, The Indira Gandhi National Open University (IGNOU): unit 2: thermal stresses, Accessed: 19.08.2024. [Online]. Available: https://www.egyankosh.ac.in/bitstream/123456789/31825/1/Unit-2.pdf
6. [6] Anonymous, Dlubal: cross-section properties: UIC 60, Accessed: 19.08.2024. [Online]. Available: https://www.dlubal.com/en/cross-section-properties/uic-60-din-en-13674-1
7. [7] BBC.com, Türkiye'de son 15 yılın ölümlü tren kazaları, Accessed: 19.08.2024. [Online]. Available: https://shorturl.at/mHP8U
8. [8] CNN.com, Sıcaktan tren rayları bile genleşti!, Accessed: 19.08.2024. [Online]. Available: https://www.cnnturk.com/turkiye/sicaktan-tren-raylari-bile-genlesti-11-12-2018?page=3

9. [9] Baker C. J. K., L. Chapman, A. D. Quinn, “The future cost to the United Kingdom’s railway network of heat-related delays and buckles caused by the predicted increase in high summer temperatures owing to climate change,” Journal of Rail and Rapid Transit, vol. 224 (1), pp. 25-34, 2009, doi: https://doi.org/10.1243/09544097JRRT292
10. [10] MEB (Milli Eğitim Bakanlığı). UKR (Uzun kaynaklı ray), 2013. Accessed: 19.08.2024. [Online]. Available: http://www.megep.meb.gov.tr/mte_program_modul/moduller_pdf/UKR%20(Uzun%20Kaynakl%C4%B1%20Ray).pdf
11. [11] AREMA (American Railway Engineering and Maintenance-of-Way Association), Manual for Railway Engineering, Chapter 5: Track, Part 5: Track Maintenance, (2005). Accessed: 19.11.2024. [Online]. Available: https://railtec.illinois.edu/wp/wp-content/uploads/AREMA-Chapter-5-2007.pdf
12. [12] T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, Meteoroloji Genel Müdürlüğü, Resmi İklim İstatistikleri, Accessed: 19.11.2024. [Online]. Available: https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?m