Då godsvagnar skall vägas med trådtöjningsgivare monterade i järnvägsräls finns ett antal faktorer som inverkar på mätresultatet. Denna rapport utreder genom datorbaserade simuleringar hur underlag och hastighet inverkar på töjningen i rälsen och även i viss mån hur deformationen i rälsen påverkas. Vidare utreds hur störningar i form av temperaturförändring samt förändring av kontaktkraften mellan vagnshjul och räls inverkar på töjningen. Förändringen av kontaktkraften kan exempelvis bero på hjulplatta, vibrationer från godsvagn eller ojämnheter i rälsen. / When goods wagons are weighed out with a strain gage assembled to a rail there are certain factors that affect the results of the measurement. This report investigates by computer based simulations how the foundation and the speed of a wagon affect the strain and the deformation of a rail. Furthermore, in the report investigations are made how disturbances in the form of changes in temperature and changes of the contact force between the wheel of a wagon and the rail affect strain. The changes can occur due to non-round wheels, vibrations of a wagon or irregular rail.

<p>Då godsvagnar skall vägas med trådtöjningsgivare monterade i järnvägsräls finns ett antal faktorer som inverkar på mätresultatet. Denna rapport utreder genom datorbaserade simuleringar hur underlag och hastighet inverkar på töjningen i rälsen och även i viss mån hur deformationen i rälsen påverkas. Vidare utreds hur störningar i form av temperaturförändring samt förändring av kontaktkraften mellan vagnshjul och räls inverkar på töjningen. Förändringen av kontaktkraften kan exempelvis bero på hjulplatta, vibrationer från godsvagn eller ojämnheter i rälsen.</p> / <p>When goods wagons are weighed out with a strain gage assembled to a rail there are certain factors that affect the results of the measurement. This report investigates by computer based simulations how the foundation and the speed of a wagon affect the strain and the deformation of a rail. Furthermore, in the report investigations are made how disturbances in the form of changes in temperature and changes of the contact force between the wheel of a wagon and the rail affect strain. The changes can occur due to non-round wheels, vibrations of a wagon or irregular rail.</p>

<p>Det finns flera olika metoder att väga ett tåg samt att detektera hjulskador såsom hjulplattor då ett tåg är i drift. I dagsläget används töjningsgivare som monteras på rälen och som kalibreras efter en statisk last. Kalibreringen går till så att ett tåg med känd last sakta passerar över givaren. Detta arbete avser att studera hur eventuella dynamiska effekter påverkar sådana mätningar. Dessa mätmetoder ska undersökas för att få reda på hur tillförlitliga de är. </p><p>Olika FEM-simuleringar utförs för att undersöka de dynamiska effekterna. Dels studeras en konstant åkande kraft och dels studeras en åkande kraft bestående av en konstant och en harmonisk (sinusvarierande) del. Skjuvspänningsfördelningen i rälen bestäms och den kan sedan räknas om till tvärkraft, varefter den passerande lasten kan beräknas. Rapporten behandlar även simuleringar av hjulplattor, vågutbredning, kontakttider samt hur en last med varierande frekvens och hastighet påverkar sådana mätningar. </p> / <p>Several different methods to weigh railway trains and to detect wheelflats are in use. One method make use of strain gauges calibrated with a static load. This means that a train with a known axle load slowly passes the gauge that is calibrated. The work presented here aims at studying how dynamic train/track interaction influences the shear stress in the rail. </p><p>Different FEM-analyses have been performed to study this. On the one hand analyses with a constant force travelling along the rail have been performed and on the other hand a travelling force that consists of a constant part and a harmonic part was used. The shear stress distribution in the rail gives the possibility to calculate the magnitude of the travelling force passing the gauge. The report also deals with detecting wheelflats, that is, detecting when an impact load hits the rail.</p>

Det finns flera olika metoder att väga ett tåg samt att detektera hjulskador såsom hjulplattor då ett tåg är i drift. I dagsläget används töjningsgivare som monteras på rälen och som kalibreras efter en statisk last. Kalibreringen går till så att ett tåg med känd last sakta passerar över givaren. Detta arbete avser att studera hur eventuella dynamiska effekter påverkar sådana mätningar. Dessa mätmetoder ska undersökas för att få reda på hur tillförlitliga de är. Olika FEM-simuleringar utförs för att undersöka de dynamiska effekterna. Dels studeras en konstant åkande kraft och dels studeras en åkande kraft bestående av en konstant och en harmonisk (sinusvarierande) del. Skjuvspänningsfördelningen i rälen bestäms och den kan sedan räknas om till tvärkraft, varefter den passerande lasten kan beräknas. Rapporten behandlar även simuleringar av hjulplattor, vågutbredning, kontakttider samt hur en last med varierande frekvens och hastighet påverkar sådana mätningar. / Several different methods to weigh railway trains and to detect wheelflats are in use. One method make use of strain gauges calibrated with a static load. This means that a train with a known axle load slowly passes the gauge that is calibrated. The work presented here aims at studying how dynamic train/track interaction influences the shear stress in the rail. Different FEM-analyses have been performed to study this. On the one hand analyses with a constant force travelling along the rail have been performed and on the other hand a travelling force that consists of a constant part and a harmonic part was used. The shear stress distribution in the rail gives the possibility to calculate the magnitude of the travelling force passing the gauge. The report also deals with detecting wheelflats, that is, detecting when an impact load hits the rail.

The importance of sound financial risk management has become increasingly emphasised in recent years, especially with the financial crisis of 2007-08. The Basel Committee sets the international standards and regulations for banks and financial institutions, and in particular under market risk, they prescribe the internal application of the measure Value-at-Risk. However, the most established non-parametric Value-at-Risk model, historical simulation, has been criticised for some of its unrealistic assumptions. This thesis investigates alternative approaches for estimating non-parametric Value-at-Risk, by examining and comparing the capability of three counterbalancing weighting methodologies for historical simulation: an exponentially decreasing time weighting approach, a volatility updating method and, lastly, a more general weighting approach that enables the specification of central moments of a return distribution. With real financial data, the models are evaluated from a performance based perspective, in terms of accuracy and capital efficiency, but also in terms of their regulatory suitability, with a particular focus on the Swedish market. The empirical study shows that the capability of historical simulation is improved significantly, from both performance perspectives, by the implementation of a weighting methodology. Furthermore, the results predominantly indicate that the volatility updating model with a 500-day historical observation window is the most adequate weighting methodology, in all incorporated aspects. The findings of this paper offer significant input both to existing research on Value-at-Risk as well as to the quality of the internal market risk management of banks and financial institutions. / Betydelsen av sund finansiell riskhantering har blivit alltmer betonad på senare år, i synnerhet i och med finanskrisen 2007-08. Baselkommittén fastställer internationella normer och regler för banker och finansiella institutioner, och särskilt under marknadsrisk föreskriver de intern tillämpning av måttet Value-at-Risk. Däremot har den mest etablerade icke-parametriska Value-at-Risk-modellen, historisk simulering, kritiserats för några av dess orealistiska antaganden. Denna avhandling undersöker alternativa metoder för att beräkna icke-parametrisk Value-at‑Risk, genom att granska och jämföra prestationsförmågan hos tre motverkande viktningsmetoder för historisk simulering: en exponentiellt avtagande tidsviktningsteknik, en volatilitetsuppdateringsmetod, och slutligen ett mer generellt tillvägagångssätt för viktning som möjliggör specifikation av en avkastningsfördelnings centralmoment. Modellerna utvärderas med verklig finansiell data ur ett prestationsbaserat perspektiv, utifrån precision och kapitaleffektivitet, men också med avseende på deras lämplighet i förhållande till existerande regelverk, med särskilt fokus på den svenska marknaden. Den empiriska studien visar att prestandan hos historisk simulering förbättras avsevärt, från båda prestationsperspektiven, genom införandet av en viktningsmetod. Dessutom pekar resultaten i huvudsak på att volatilitetsuppdateringsmodellen med ett 500 dagars observationsfönster är den mest användbara viktningsmetoden i alla berörda aspekter. Slutsatserna i denna uppsats bidrar i väsentlig grad både till befintlig forskning om Value-at-Risk, liksom till kvaliteten på bankers och finansiella institutioners interna hantering av marknadsrisk.

Accurate estimation of the load weight of freight trains is crucial for ensuring safe, efficient and sustainable rail freight transports. Traditional methods for estimating load weight often suffer from limitations in accuracy and efficiency. In recent years, machine learning algorithms have gained significant attention and use cases within the railway industry due to their strong predictive capabilities for classification and regression tasks. This study aims to present a proof of concept in the form of a comparative analysis of five machine learning regression algorithms: Polynomial Regression, K-Nearest Neighbors, Regression Trees, Random Forest Regression, and Support Vector Regression for estimating the load weight of freight trains using simulation data. The study utilizes two comprehensive datasets derived from train simulations in GENSYS, a simulation software for modeling rail vehicles. The datasets encompasses various driving condition factors such as train speed, track conditions and running gear configurations. The algorithms are trained and evaluated on these datasets and their performance is evaluated based on the root mean squared error and R2 metrics. Results from the experiments demonstrate that all five machine learning algorithms show promising performance for estimating the load weight. Polynomial regression achieves the best result for both of the datasets when using many features of the datasets are considered. Random forest regression achieves the best result for both of the data sets when a small number features of the datasets are considered. Furthermore, it is suggested that the methodical approach of this study is examined on real world data from operating freight trains to assert the proof of concept in a real world setting. / Noggrann uppskattning av godstågens lastvikt är avgörande för att säkerställa säkra, effektiva och hållbara godstransporter via järnväg. Traditionella metoder för att uppskatta lastvikt lider ofta av begränsningar i noggrannhet och effektivitet. Under de senaste åren har maskininlärningsalgoritmer fått betydande uppmärksamhet och användningsfall inom järnvägsindustrin på grund av deras starka prediktiva förmåga för klassificerings- och regressionsproblem. Denna studie syftar till att presentera en proof of concept i form av en jämförande analys av fem maskininlärningalgoritmer för regression: Polynom regression, K-Nearest Neighbors, Regression träd, Random Forest Regression och Support Vector Regression för att uppskatta lastvikten för godståg med hjälp av simuleringsdata. Studien använder två omfattande dataset konstruerade från tågsimuleringar i GENSYS, en simuleringsprogramvara för modellering av järnvägsfordon. Dataseten omfattar olika körfaktorer såsom tåghastighet, spårförhållanden och vagns konfigurationer. Algoritmerna tränas och utvärderas på dessa dataset och deras prestanda utvärderas baserat på root mean squared error och R2 måtten. Resultat från experimenten visar att alla fem maskininlärningsalgoritmerna visar lovande prestanda för att uppskatta lastvikten. Polynom regression uppnår det bästa resultatet för båda dataset när många variabler i datan beaktas. Random Forest Regression ger det bästa resultatet för båda dataset när ett mindre antal variabler i datan beaktas. Det föreslås det att det metodiska tillvägagångssättet för denna studie undersöks på verklig data från aktiva godståg för att fastställa en proof of concept på en verklig världsbild.