كليدواژه :
تصادفات , مدل‌سازي , روسازي راه , شبكۀ عصبي مصنوعي , شرايط آب‌وهوايي
چكيده فارسي :
به‌دليل نقش زيربنايي و حياتي جاده‌ها، جابه‌جايي‌هايي انجام‌شده در آن‌ها، تأثير فراواني روي رشد اقتصادي كشورها دارد. در سال‌هاي اخير، حوادث جاده‌اي به‌دليل استانداردنبودن وسايل نقليه و جاده‌‌هاي موجود، عوامل محيطي و همچنين عوامل پيرامون جاده‌ها، به‌طور چشـمگيري افزايش داشته است. عدم رعايت اصول ايمني در طراحي هندسي و برنامۀ نگهداري راه‌ها موجب گرديده كه خسارت‌هاي سنگيني بر كشور وارد شود. از سوي ديگر، مدل‌سازي تصادفات و بررسي متغيرهاي مؤثر بر وقوع آن، به‌منظور ارائۀ گزينه‌هاي اصلاحي، انجام نشده است؛ بنابراين در اين مقاله، با كمك مدل هوشمند شبكۀ عصبي مصنوعي، تأثير هم‌زمان عوامل جوّي (آب‌وهوايي) و خرابي روسازي راه، بر وقوع تصادفات در مسيرهاي پرتردد استان خوزستان، بررسي و مدل‌سازي شد. اطلاعات هواشناسي و آمار تصادفات براي دورۀ آماري سال‌هاي 1391-1393 تهيه گرديد و متغيرهاي مستقل و وابسته به‌عنوان ورودي‌ها و خروجي‌هاي شبكۀ عصبي، در سه سطح تصادفات كل، تصادفات جرحي و خسارتي تعريف شدند. مدل‌سازي با نرم‌افزار Neuro Solution و به‌صورت پيش‌رو و بر اساس قاعدۀ آموزش لونبرگ - ماركوات و تابع انتقال سيگموئيدي انجام شد. نتايج حاصل از معماري‌هاي مختلف نشان داد كه شبكۀ عصبي طراحي‌شده، با ضريب تبيين بالا مي‌تواند تعداد كل تصادفات را مدل‌سازي نمايد. مؤثرترين مؤلفه‌ها بر ايجاد تصادفات در اين مدل، شرايط آب‌وهوايي (هواي باراني و ابري)، خرابي راه (شاخص PCI و خرابي غالب) و يك عامل ديگر (تعداد تصادفات جلو به جلو) به‌عنوان ورودي مدل بود. ورودي‌هاي مؤثر براي مدل‌سازي تصادفات خسارتي شامل تعداد تصادفات (جرحي و خسارتي)، آمار خرابي راه (PCI مسيرها و خرابي غالب) و شرايط آب‌وهوايي لحظۀ وقوع تصادف بود. دستيابي به ضريب تبيين بسيار بالا در اين مدل نيز بيانگر توانايي شبكۀ عصبي معماري‌شده در مدل‌سازي تصادفات بود. نتايج به‌دست‌آمده نشان مي‌دهد كه با استفاده از متغيرهاي معرفي‌شده مي‌توان به پيش‌بيني تصادفات از نظر نرخ و شدت تصادفات (جرحي، فوتي يا خسارتي) پرداخت. همچنين تأثير عوامل جوّي بر وقوع تصادفات، واقعيتي انكارناپذير بوده و بايد به اصلاح مسيرها، افزايش ايمني راه و اطلاع‌رساني مناسب به رانندگان به‌منظور كاهش تصادفات در هنگام وقوع بارش و يا شرايط يخ‌بندان و مه اقدام نمود.
چكيده لاتين :
Because of the infrastructure and critical role of roads, the displacements made in them have an enormous impact on the economic growth of countries. In recent years, road accidents have increased dramatically due to the lack of standardization of vehicles and existing roads, environmental factors as well as roadside contributors. Failure to observe safety principles in geometric design and maintenance plan of roads has caused serious damages to the country. On the other hand, modeling of crashes and examining the variables affecting its occurrence has not been done to provide corrective options. Therefore, in this paper, with the help of the intelligent artificial neural network model, the simultaneous effect of atmospheric factors and road pavement collapse was investigated and modeled on the occurrence of accidents on the busy routes of Khuzestan province. Meteorological data and accidents statistics for the statistical period of 2011-2014 were prepared. Independent and dependent variables, as inputs and outputs of the neural network, were defined at three levels of total accidents, damage accidents and injuries accidents. The modeling was conducted using the Neuro Solution software as leading and based on the Levenburg-Marquardt training principle and Sigmoid axon transfer function. The results of various architectures showed that the designed neural network, with high explanatory factor, can model the total number of accidents. In this model, the most effective parameters on the creation of accidents were weather conditions (rain and cloudy weather), road failures (PCI index and prevailing failures), and another factor (the number of forward-facing crashes) as model inputs. For modeling of damage accidents, effective inputs included the number of accidents (damages and losses), road failures statistics (PCI paths and prevailing failures) and weather conditions at the moment of accident. The achievement of the high-level explanatory factor in this model also reflects the ability of the architectural neural network to model the crashes. The obtained results show that using the variables introduced, prediction of accidents can be used in terms of the rate and severity of accidents (incidence, fate or damage). Also, the impact of atmospheric factors on the occurrence of accidents is an undeniable fact, and it is necessary to modify the routes, increase road safety and inform the drivers, to reduce accidents during the occurrence of precipitation or frost and mist conditions
