انتخاب مناسب و بهينه نوع تقاطع غيرهمسطح، مي‌تواند در كاهش مشكلات ترافيكي و جلوگيري از تقليل سطح سرويس و سطح ايمني تسهيلات ترافيكي، تأثير بسزايي داشته باشد. در اين راستا، به طور معمول، گزينه‌هاي طراحي قابل مقايسه، بر اساس تجربيات، سلايق و علاقه كارشناسان مرتبط و مسئول، ارائه و از بين آنها يك گزينه به عنوان پلان ارجح انتخاب مي‌شود. ليكن، ممكن است در اين روند پلان‌هايي ناديده گرفته شوند كه داراي عملكرد بهتري نسبت به گزينه‌هاي مطرح شده باشند. از طرف ديگر معيارهاي انتخاب نوع تقاطع غيرهمسطح در مطالعات و تحقيقات گذشته، متفاوت و مبهم است. با توجه به اينكه در آيين‌نامه‌ها و تحقيقات پيشين، روشي سيستماتيك و رياضي براي ارزيابي عملكرد ترافيكي تقاطع غيرهمسطح وجود نداشت، هدف اصلي و يكي از نوآوري‌هاي مهم اين رساله، دستيابي به روشي مدون و قابل اطمينان مبتني بر منطق فازي، براي ارزيابي عملكرد ترافيكي تقاطع غيرهمسطح و همچنين امتيازدهي يا اولويت‌بندي گزينه‌هاي مختلف طراحي، با استفاده از شاخصي جديد به نام شخص عملكرد ترافيكي (TOI) است. همچنين، در اين رساله الگوريتمي به منظور پيشنهاد تمام پلان‌هاي مختلف تقاطع غيرهمسطح به عنوان گزينه‎‌هاي قابل مقايسه در كنار گزينه‌هاي پيشنهادي كارشناسان مهندسي ترافيك، ارائه شد، كه در صورت استفاده از آن، مي‌توان مطمئن بود كه تمام گزينه‌هاي ممكن، جهت ارزيابي و مقايسه، در پيش رو قرار خواهند گرفت. از جمله اقداماتي كه در بحث ايمني براي اولين بار در جهان در اين رساله انجام شد، تركيب چهار روش جايگزين ايمني (SSM) زمان تا تصادف، نرخ شتاب كاهنده براي اجتناب از برخورد، اختلاف سرعت و انرژي جنبشي با استفاده از منطق فازي و تعيين سطح ايمني با معرفي شاخصي به نام شاخص پتانسيل عدم برخورد (NCPI) بود. محاسبه پارامترهايي همچون زمان رانندگي، چگالي، NCPI و كيفيت عملكرد ترافيكي در بخش‌هاي مختلف تقاطع غيرهمسطح، تنها با آگاهي از مشخصات هندسي و ترافيكي ساده و قابل اندازه‌گيري، از ديگر نوآوري‌هاي اين تحقيق بوده است. نتايج مطالعات ميداني و مطالعات آماري انجام گرفته، حاكي از صحت، دقت و اعتبار قابل قبول مدل‌ها و روش‌هاي پيشنهادي بودند. همچنين، نتايج نشان دادند كه با استفاده از مدل شبكه عصبي مصنوعي (ANN)، زمان رانندگي با خطاي محاسباتي 1± ثانيه، چگالي با خطاي 2± وسيله نقليه در خط در كيلومتر، NCPI با خطاي 5/8± درصد و TOI با خطاي 5/3± درصد قابل تخمين هستند. با استفاده از مدل بهينه‌سازي ازدحام ذرات (PSO) نيز مي‌توان زمان رانندگي را با خطاي 7± ثانيه، چگالي را با خطاي 5± وسيله نقليه در خط در كيلومتر، NCPI را با خطاي 9± درصد و TOI را با خطاي 10± درصد تخمين زد. همچنين نتايج حاكي از برتري 54 به 46 درصدي مدل ANN بر مدل PSO در دقت خروجي‌ها و برتري 55 به 45 درصدي مدل PSO بر مدل ANN در اعتبار مدل بودند.

1397/10/02

A Model Development for Interchange Type Selection Based on Traffic Operation Index

12/16/2019 12:00:00 AM

An appropriate interchange type selection would help tackle traffic problems and avoid the decreasing level of traffic service and safety. Design alternatives are usually generated according to an engineer’s experience. However, some useful types of them may be neglected. The criteria for interchange type selection vary from one study to another, but, the criterion that should be considered first is the traffic performance. In this thesis, an algorithm is suggested to auto-generate design alternatives. A Fuzzy-based method was also proposed to investigate traffic performance as well as to compare and prioritize the interchange design alternatives and an index called Traffic Operation Index (TOI) was introduced. In this investigation, four types of surrogate safety measures were combined using fuzzy tools for the first time in the world and an index called No-Collision Potential Index (NCPI) was proposed to determine the safety level. VISSIM simulation, Artificial Neural Network (ANN), Particle Swarm Optimization (PSO), and Fuzzy Inference System (FIS) were used to estimate the value of effective parameters. Finally, using the ANN and PSO models, the parameters could be estimated just by knowing simple traffic and geometrical characteristics of the interchange parts. The method is applied to two real-world interchanges. The findings showed an acceptable precision and validity of the models. It was also found that using the ANN model, the driving time, density, NCPI, and TOI could be estimated with maximum error of ±1 seconds, ±2 veh/ln/km, ±8.5 percent, and ±3.5 percent, respectively. The maximum error for estimating the driving time, density, NCPI, and TOI by PSO model was ±7 seconds, ±5 veh/ln/km, ±9 percent, and ±10 percent, respectively. Totally, results indicated that the ANN model was more precise than PSO model, however, the PSO model was more valid.