Comparing energy consumption for rail transit routes through Symmetric Vertical Sinusoid Alignments (SVSA), and applying artificial neural networks. A case study of Metro Valencia (Spain)

[ES] Este artículo presenta el entrenamiento de una red neuronal artificial usando el consumo energético medido en la red metropolitana de Valencia, España, para estimar el consumo energético de un sistema metro. Después de la calibración y validación de la red neuronal, los resultados obtenidos muestran que esta puede ser utilizada para predecir el consumo energético con una gran precisión. Una vez entrenada, la red neuronal es utilizada para probar diferentes escenarios de operación hipotéticos con el objetivo de reducir el consumo energético de un sistema metro. Estos escenarios de operación incluyen diferentes trazados verticales que prueban que los Alineamientos Verticales Sinusoidales Simétricos (SVSA, por sus siglas en inglés) pueden reducir el consumo energético en un 18.41 % en contraste con un alineamiento plano (pendiente del 0%).[EN] This paper presents the training of an artificial neural network using consumption data measured in the metropolitan network of Valencia, Spain, to estimate the energy consumption of a metro system. After calibration and validation of the neural network, the results obtained show that it can be used to predict energy consumption with high accuracy. Once fully trained, the neural network is used for testing hypothetical operational scenarios aimed to reduce the energy consumption of a metro system. These operational scenarios include different vertical alignments that prove that Symmetric Vertical Sinusoid Alignments (SVSA) can reduce energy consumption by 18.41% in contrast to a flat (0% gradient) alignment.Pineda-Jaramillo, JD.; Salvador Zuriaga, P.; Insa Franco, R. (2017). Comparing energy consumption for rail transit routes through Symmetric Vertical Sinusoid Alignments (SVSA), and applying artificial neural networks. A case study of Metro Valencia (Spain). DYNA. 84(203):17-23. doi:10.15446/dyna.v84n203.65267S17238420