Mejora del confort en trenes de muy alta velocidad mediante la optimización de la suspensión secundaria con algoritmos metaheurísticos

Contenido principal del artículo

Daniel Rodríguez León
https://orcid.org/0009-0004-5753-7068
Javier Martín de Toro
Julio Alberto López Gómez
https://orcid.org/0000-0001-6291-6637
Eduardo Palomares Novalbos
Ángel Luis Morales Robredo
https://orcid.org/0000-0003-3828-7767
Publio Pintado Sanjuán
https://orcid.org/0000-0001-9919-2142

Resumen

Este trabajo propone el empleo, en trenes de alta y muy alta velocidad, de una suspensión secundaria neumática adaptativa que mejora el comportamiento de las tradicionales configuraciones pasivas sin emplear complejos sistemas activos o semiactivos. La adaptabilidad se consigue mediante un control tipo lookup table que determina la sección óptima del orificio que restringe el flujo de aire entre el muelle neumático y el depósito auxiliar para cualquier combinación de velocidad de operación (entre 300 y 400 km/h en intervalos de 25 km/h) y calidad de vía (4 calidades definidas según la norma ORE).


Los diámetros óptimos se determinan previamente con el algoritmo metaheurístico Particle Swarm Optimization sobre un modelo 1D que incluye los modos flexibles de la caja y que ha sido validado por un modelo multicuerpo 3D desarrollado en ANSYS y ADAMS VI-Rail. La función de coste empleada considera la media del índice de confort NMV medido en las tres ubicaciones que indica la norma UNE-EN-12299 (en el centro y los extremos del compartimento de pasajeros). La naturaleza estocástica del problema conduce a una distribución de probabilidad de diámetros óptimos para cada par velocidad-calidad de vía, de modo que los mapas de selección del diámetro óptimo se determinan a partir del percentil 50 de dicha distribución.


Los resultados muestran que el uso del control adaptativo mejora el índice de confort NMV con respecto a una suspensión pasiva hasta en un 45% para una vía con bajas irregularidades recorrida a velocidades superiores a 375 km/h. De hecho, las mayores mejoras se observan para calidades de vía buenas o intermedias recorridas a altas velocidades, lo que apoya el empleo de este control dada la tendencia actual de aumentar las velocidades de operación y de mejorar las infraestructuras.

Detalles del artículo

Cómo citar
Rodríguez León, D., Martín de Toro, J., López Gómez, J. A., Palomares Novalbos, E., Morales Robredo, Ángel L., & Pintado Sanjuán, P. (2025). Mejora del confort en trenes de muy alta velocidad mediante la optimización de la suspensión secundaria con algoritmos metaheurísticos. Anales De Ingeniería Mecánica, 1(24). https://doi.org/10.63450/aim.1.150.2025
Sección
Artículos

Citas

Instituto Nacional de Estadística (INE). (2024). Estadística de transporte de viajeros. https://www.ine.es/jaxiT3/Datos.htm?t=20239

Zhang, C., Kordestani, H., & Shadabfar, M. (2023). A combined review of vibration control strategies for high-speed trains and railway infrastructures: Challenges and solutions. Journal of Low Frequency Noise, Vibration and Active Control, 42 (1), 272-291.

Fu, B., Giossi, R. L., Persson, R., Stichel, S., Bruni, S., & Goodall, R. (2020). Active suspension in railway vehicles: a literature survey. Railway Engineering Science, 28, 3-35.

Zong, L. H., Gong, X. L., Xuan, S. H., & Guo, C. Y. (2013). Semi-active H1 control of high-speed railway vehicle suspension with magnetorheological dampers. Vehicle System Dynamics, 51 (5), 600-626.

Allotta, B., Pugi, L., Colla, V., Bartolini, F., & Cangioli, F. (2011). Design and optimization of a semi-active suspension system for railway applications. Journal of Modern Transportation, 19, 223-232.

CEN, EN 12299:2009. Railway applications–ride comfort for passengers–measurements and evaluation. Standard, 2009.

Oda, N & Nishimura, S. Vibration of air suspension bogies and their design. Bull JSME. 1970; 13(55):43-51.

S. S. Rao, Vibration of Continuous Systems. Hoboken, New Jersey: John Wiley & Sons, Inc., 2007.

Marini, F. & Walczak, B. (2015). Particle swarm optimization (PSO). A tutorial. Chemometrics and Intelligent Laboratory Systems, 149, 153-165.

He, Y., Ma, W. J., & Zhang, J. P. (2016). The parameters selection of PSO algorithm influencing on performance of fault diagnosis. In MATEC Web of conferences (Vol. 63, p. 02019). EDP Sciences.

Khan, T. A., Taj, T. A., Asif, M. K., & Ijaz, I. (2012, September). Modeling of a standard Particle Swarm Optimization algorithm in MATLAB by dierent benchmarks. In Second International Conference on the Innovative Computing Technology (INTECH 2012) (pp. 271-274). IEEE.

Qimin, X., Liwei, L., & Qili, X. (2009). The optimal design and simulation of helical spring based on particle swarm algorithm and MATLAB. Wseas transactions on circuits and systems, 8(1), 84-93.

Shami, T. M., El-Saleh, A. A., Alswaitti, M., Al-Tashi, Q., Summakieh, M. A., & Mirjalili, S. (2022). Particle swarm optimization: A comprehensive survey. IEEE Access, 10, 10031-10061.

García-Ródenas, R., Linares, L. J., & López-Gómez, J. A. (2019). A memetic chaotic gravitational search algorithm for unconstrained global optimization problems. Applied Soft Computing, 79, 14-29.

García-Ródenas, R., Linares, L. J., & López-Gómez, J. A. (2021). Memetic algorithms for training feedforward neural networks: an approach based on gravitational search algorithm. Neural Computing and Applications, 33 (7), 2561-2588.

Boussaïd, I., Lepagnot, J., & Siarry, P. (2013). A survey on optimization metaheuristics. Information Sciences, 237, 82-117.Information sciences, 237, 82-117.

Alancay, N., Villagra, S., & Villagra, N. A. (2016). Algoritmos metaheurísticos trayectoriales para optimizar problemas combinatorios. Informe Científico Técnico UNPA, 8(3), 56-75.