La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Une approche d'optimisation énergétique des profils de tunnel pour métro

Ruelland, François (2005). Une approche d'optimisation énergétique des profils de tunnel pour métro. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (5MB) | Prévisualisation

Résumé

Un simulateur de train pour calculer l'énergie consommée lors d'une circulation dans un profil longitudinal de tunnel entre deux stations de métro a été développé dans le cadre de ce projet de recherche. Le mémoire décrit les algorithmes générant des profils réalisables à partir d'un code de valeurs binaires ou réelles. Le coffret Matlab MC sur les algorithmes génétiques est utilisé pour évoluer une population de codes représentant les profils afin d'en minimiser l'énergie. Au terme de l'évolution, le meilleur profil est retenu.

La méthode de génération de profil divise le tunnel en segments auxquels sont attribuées des valeurs de déclivité respectant la localisation des stations et un rayon de courbure minimal de 1250 mètres.

Divers cas de figure sont étudiés et les résultats énergétiques sont comparés aux méthodes heuristiques ou de recherche directe comme celle de Hook et Jeeves. Sur le plan énergétique, les profils obtenus avec les algorithmes génétiques sont supérieurs à ceux obtenus avec les autres méthodes.

Titre traduit

An approach to tunnel profile energy optimization for subways

Résumé anglais

This memorandum is about energy minimization of subway tunnel profiles.

It first describes simulation algorithms of trains going from one station to the next on routes having gradients. The goal is to obtain speed, energy and time representing adequately the existing performance of Montreal's subway MR-73 rolling stock.

The memorandum then describes how to generate a tunnel profile between two station platforms from a binary or real number code. The distance and relative altitude of the two stations is previously known. The stochastic generation of an initial population of profiles is the first step to minimise the energy according to an evolution by genetic algorithms. These algorithms are provided by the MatLabmc toolbox about genetic algorithms and direct search.

Two methods of profile generation are discussed. The first one is a simple method where the distance between the stations is equally divided into segments. Each segment' s gradient is represented as a percentage of tolerance between a maximum and a minimum gradient derived from factors like the maximum allowable gradient and the next station's platform location. The tolerance values are taken from a virtual genetic code. This simple procedure allows one to illustrate concepts and to show some drawbacks. The second method of tunnel generation is more complicated because it aims to divide the tunnel profile in an arbitrarily large number of segments while complying to a curvature radius of 1250 meters.

The second algorithm is demonstrated in the remainder of the document and some evolution experiences are illustrated. A few scenarios are then compared. They might be a slower rolling stock, a different initial acceleration, a lower maximum speed in one direction, some energy recuperation when breaking. The profile differs in each case albeit only slightly sometimes.

For station platforms at the same level, it is shown that the symmetrical bathtub profile using the greatest gradients at the start and finish exhibits the best performance as was exposed previously at UITP seminars. Even though such a result is obtainable with heuristic methods, AG's show it to be slightly advantageous to build two depressions, one before and one after the flat portion of the bathtub shape. The depressions correspond to breaking after the initial acceleration in order to comply to the cruising speed. When the stations are at different levels significantly, one of the main conclusions is that genetic algorithms show a better performance than a Hook and Jeeves direct search method having its bottom point circumscribed by a rigid gradient frame. In fact, GA's always join stations with one constant gradient (if small undulations are neglected) having optimal value and depth, followed (or preceded) by the maximum allowable gradient reaching the stations platform.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l'École de technologie supérieure comme exigence à l'obtention de la maîtrise en technologie des systèmes". Bibliogr.: f. [209]. Chap. 1. Simulateur de train -- Chap. 2. Fonction objective -- Chap. 3. Abécédaire des algorithmes génétiques -- Chap. 4. Algorithme simplifié de génération d'un profil -- Chap. 5. Résultats et comparaisons.
Mots-clés libres: Algorithme, Energetique, Genetique, Longitudinal, Metro, Montreal, Optimisation, Profil, Simulation, STM, Train, Tunnel.
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Al-Haddad, Kamal
Programme: Maîtrise en ingénierie > Génie
Date de dépôt: 15 févr. 2011 20:39
Dernière modification: 02 nov. 2016 01:31
URI: http://espace.etsmtl.ca/id/eprint/354

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt

Statistique

Plus de statistique...