-
شماره ركورد
30886
-
پديد آورنده
حانيه جابري
-
عنوان
پيشبيني زوال هندسي خطآهن بالاستي بر اساس پارامتر افتادگي با استفاده از روش يادگيري ماشيني
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي خط و ابنيه راه آهن
-
سال تحصيل
1399
-
تاريخ دفاع
1402/01/29
-
استاد راهنما
دكتر جبارعلي داكري سردردودي
-
استاد مشاور
دكتر احمد كسرائي
-
دانشكده
راه آهن
-
چكيده
نقش حياتي و تأثيرگذار راهآهن در رشد و توسعه اقتصادي - اجتماعي كشورها ازيكطرف و هزينههاي بالاي نوسازي و تعمير زيرساختهاي آن از طرف ديگر، وجود يك سامانه جامع مديريت نگهداري و تعمير خطوط را به يك ضرورت تبديل كرده است تا ضمن نگهداري سطح سرويس، قابليت اعتماد و ايمني خط در يك حد مطلوب، هزينههاي نگهداري را حداقل كند. مدلسازي مناسب زوال خط، بهعنوان يكي از اجزاي تشكيلدهنده اين سامانه بسيار حائز اهميت است. هدف از اين مطالعه پيشبيني نرخ زوال هندسه خط با استفاده از شبكه عصبي مصنوعي بوده است. اندازهگيريهاي هندسه خط، اطلاعات دارايي و سابقه نگهداري براي 8 بخش خط از شبكه راهآهن ناحيه شرق ايران جمعآوري، پردازش و براي توسعه مدل آماده شدند. اطلاعات خط در نظر گرفتهشده و ويژگيهاي مختلف بخشهاي مسير بهعنوان متغيرهاي ورودي مدل در نظر گرفته شدهاند. علاوه بر اين، يك روش براي بررسي اهميت نسبي متغيرهاي مؤثر بر نرخ زوال هندسي به كار گرفته شد. با تجزيهوتحليل عملكرد مدل، ما دريافتيم كه شبكه عصبي مصنوعي قابليت قابلقبولي در توضيح تغييرپذيري نرخ زوال در مكانهاي مختلف مسير دارد. علاوه بر اين، مشخص شد كه تعداد عمليات زيركوبي، سرعت قطارهايي كه در امتداد خط و خطوط ماسهگير حركت ميكنند، بيشترين سهم را در ميان مجموعه ويژگيهاي در نظر گرفتهشده در پيشبيني نرخ زوال دارند.
-
تاريخ ورود اطلاعات
1403/02/27
-
عنوان به انگليسي
Prediction of railway ballasted track geometry deterioration Based on Longitudinal level Using Machine Learning method
-
تاريخ بهره برداري
4/17/2024 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
حانيه جابري
-
چكيده به لاتين
The aim of this study has been to predict the track geometry degradation rate using machine learning method. Tack geometry measurements, asset information, and maintenance history for 8 line sections from the Iran railway network were collected, processed, and prepared to develop the ANN model. The information of track was taken into account and different features of track sections were considered as model input variables. In addition, Feature importance method was applied to explore the relative importance of the variables affecting geometry degradation rate. By analysing the performance of the model, we found out that the ANN has an acceptable capability in explaining the variability of degradation rates in different locations of the track. In addition, it is found that the number of tamping has the strongest contributions among the considered set of features in prediction of degradation rate.
-
كليدواژه هاي فارسي
افتادگي خط , شبكه عصبي مصنوعي
-
كليدواژه هاي لاتين
Longitudinal level , Artificial Neural Network
-
Author
Hanieh Jaberi
-
SuperVisor
Dr. Jabbar-Ali Zakeri
-
لينک به اين مدرک :