23466

مدلسازي سوانح خروج از خط قطارباري با استفاده از منطق ماركف

كارشناسي ارشد

مهندسي حمل و نقل ريلي

1399

1398/08/14

دكتر مرتضي باقري

دكتر عباس احمدي

مهندسي راه آهن

هدف از انجام اين مطالعه مدل‌سازي شدت سوانح خروج از خط قطار باري در خطوط اصلي و همچنين ارائه روشي براي بهبود مدل‌هاي موجود در ادبيات موضوع است. در مدل‌هاي پيشين همواره دو فرض استقلال و يكسان بودن احتمال خروج از خط واگن‌هاي مختلف مشاهده مي‌شود. همچنين در اين مطالعات تأثير طول قطار با استفاده از نرمال كردن طول ناديده گرفته‌شده است. داده‌هاي موردبررسي در اين مطالعه داده‌هاي 20 سال (1999-2018) سوانح خروج از خط قطارهاي باري در خطوط اصلي آمريكا است. اين داده‌ها از پايگاه داده راه‌آهن فدرال آمريكا (FRA) استخراج‌شده است. به‌منظور رفع خلأهاي عنوان‌شده، ابتدا با استفاده از الگوريتم‌هاي دسته‌بندي درخت تصميم، جنگل تصادفي، ماشين بردار پشتيبان و ادبوست به مدل‌سازي شدت و شناسايي عوامل مؤثر بر آن و سپس از طريق مدل ماركف مرتبه اول به بررسي نقطه خروج از خط و شدت خروج در طول قطار پرداخته‌شده است. به‌منظور بازه بندي شدت خروج از خط از سه سناريو استفاده‌شده است كه درنهايت يك سناريو به‌عنوان سناريوي برگزيده معرفي‌شده است. سپس مدل‌هاي دسته‌بندي با استفاده از سنجه‌هاي متفاوت مقايسه شده و در پايان بهترين مدل به همراه بهترين سناريو شدت معرفي گشته است. با استفاده از مدل ماركف نيز احتمال نقطه خروج از خط هر واگن در قطارهاي با طول مختلف و احتمال شدت خروج سوانح خروج از خط محاسبه‌شده است. درنهايت براي هر طول باقي‌مانده مقدار ميانگين تعداد واگن خارج‌شده محاسبه‌شده به‌دست‌آمده است. براي انجام محاسبات و پياده‌سازي مدل ماركف و الگوريتم‌هاي دسته‌بندي از زبان برنامه‌نويسي پايتون استفاده‌شده است. نتايج نشان مي‌دهد سرعت قطار، علت سانحه و نسبت وزن به طول قطار عوامل تأثيرگذار برشدت سوانح خروج از خط مي‌باشند. همچنين درخت تصميم به‌عنوان مدل برتر جهت دسته‌بندي و تخمين شدت سوانح خروج از خط انتخاب‌شده است. مقايسه مدل ماركف مرتبه اول و مدل هندسي كه در مطالعات پيشين استفاده‌شده است نيز نشان مي‌دهد كه مدل ماركف عملكرد بهتري در تخمين احتمال نقطه خروج از خط خصوصاً در واگن‌هاي ابتدايي دارد.

1399/11/26

Freight train derailment modeling using Markov logic

11/5/2021 12:00:00 AM

This study focused on identifying effective factors and a model to predict derailment severity. There are two major assumptions in previous studies: 1) cars in a train get involved in derailment independently of one another, and 2) probabilities of cars involved in derailments are all the same along the train length. Also, in these studies, the effect of train length has been ignored by normalizing the length. These assumptions seem to cause some limitations to model the real world. Some machine learning algorithms have been developed to release these fixed assumptions; first, using a Decision tree, Random forest, Support vector machine, and Adaboost classification algorithms, the severity of accidents has been investigated, and the effective factors were found. Concerning the treatment of train length in POD modeling, several studies express POD in normalized form(NPOD). While the NPOD accounts for relative train length, it fails to reflect dynamic forces acting on the train concerning POD that causes car-track instability and derailment. A first ordered Markov model is developed to avoid using NPOD and improving car dependency assumption in previous models. Although various factors influence POD, this study has taken a step forward in POD modeling with respect to the train length effect, and there is no claim that this research solves the POD problem entirely. The US Federal Railroad Administration(FRA) database for 1999-2018 is used to evaluate the model. Results show cause of accident, train speed and ratio of train weight to length are effective features on derailment accidents. Also comparison between the Markov model and the Geometric model shows that the new model could better explain data distribution, especially in the front section of trains.

شدت سوانح، خروج از خط، الگوريتم دسته‌بندي، يادگيري ماشين، درخت -تصميم، ماركف مرتبه اول

Accident severity, Train derailment, Classification algorithems, Railway Transportation, Machine learning, Decision tree, First-order Markov