ارزيابي و مدلسازي سرعت خودروها در ورود به تونل‌هاي دو طرفه برون شهري

Assessing and Modeling Speed of Vehicles in Arterial Two-way Tunnels

نحوه رفتار رانندگان در راه ها نشات گرفته از وضعيت محيط پيرامون آن ها است. تحقيقات محقق نشان مي دهد كه خودرو در فاصله اي مشخص از تونل با مشاهده آن شروع به كاهش سرعت مي كند و با رسيدن به ابتداي تونل كمترين سرعت خود را دارد. به محض اتمام تونل خودرو مجددا سرعت خود را در طي طول مشخصي افزايش مي دهد. هدف اصلي اين تحقيق مدلسازي سرعت ورود خودروها در ورود به تونل هاي برون شهري بر مبناي تغييرات سرعت آن ها قبل از ورود به تونل، با استفاده از شبكه ي عصبي - فازي است. سپس جهت اعتبارسنجي مدل طراحي شده از داده هاي ثبت شده 30 راننده مختلف كه در شرايط مشابه، به وسيله يك دستگاه خودروي رنو لوگان داراي سيستم انتقال قدرت دندهاي مسير را طي مي كنند، استفاده شده است. با استفاده از روش تحليل همبستگي پيرسون، ميزان ارتباط بين متغيرهاي سرعت ورودي به تونل و تغييرات سرعت خودروها بررسي شده است. مقدار ضريب همبستگي 0.7- و به معني داشتن همبستگي منفي قوي بين دو متغير است. نتايج تحقيق نشان مي دهد كه روش شبكه ي عصبي - فازي با دقت بالايي توانايي پيش بيني تغييرات سرعت را بر اساس سرعت اوليه ورود به تونل را دارد. از نتايج اين تحقيق جهت تحليل و بررسي رفتار رانندگان در تونل هاي برون شهري استفاده مي شود. با توجه اهميت تغييرات ناگهاني سرعت به صورت نامتعارف علي الخصوص در مسيرهاي دو طرفه مي توان، با كم كردن عوامل استرس زا در رانندگان ايمني تونل ها را افزايش داد.

The way drivers behave on roads is based on the state of the environment around them. Previous research shows that the vehicle starts to slow down at a certain distance from the entrance of tunnel. The main purpose of this research is to model the speed of vehicles entering the urban tunnels based on their velocity changes before entering the tunnel using neural-fuzzy network. 30 different drivers, were examined in similar conditions to study the behaviors of drivers. The study was conducted in a Renault Logan with manual transmission. Using Pearson correlation analysis, the relationship between the input speed variables to the tunnel and the vehicle speed variations is investigated.. The correlation coefficient value is -0.7 which means that there is a negative correlation between the two variables. The results show that the neural-fuzzy neural network method is able to predict velocity changes based on the lateral distance of the cars with the tunnel wall.. The results of this study are used to analyze the behavior of drivers in suburban tunnels.. Given the importance of abrupt changes in speed and transverse movement of cars, especially on two-way lanes, it can be possible to increase tunnel safety by reducing stressors.