مدل‌سازي سوانح بالگرد با رويكرد مبتني بر حالت با استفاده از يادگيري ماشيني

A state-based approach to modeling helicopter accidents using machine learning

تاكنون تلاش‌هاي تحقيقاتي بسياري براي درك دلايل وقوع سوانح هوايي انجام‌ شده است. درحالي‌كه در برخي از مطالعات، بينش‌هاي مفيدي پيرامون سوانح ارائه شده است، اما اگر به آن‌ها از ديد مبتني بر رويداد نگاه گردد اين گزارشات درك صحيحي از سوانح را ارائه نمي‌دهند. سوانح هوايى در ايران به‌ويژه در دو دهه اخير كاهش معنى‌دارى را در تعداد سوانح و يا تلفات ناشى از آن‌ها نشان نمى‌دهد؛ از همين‌رو در اين پژوهش به مهم‌ترين دلايل عمده‌ى وقوع سوانح هوايى بالگرد در كشورمان، ايران، پرداخته شده‌است. به اين منظور در ابتدا، با استفاده از نرم‌افزار استاتيستيكا، حالت‌ها و عواملي كه احتمالاً با سوانح مرگبار و غيرمرگبار مرتبط هستند شناسايي مي‌شوند؛ در اين نرم‌افزار به‌طور خودكار حالت‌ها، نشانه‌ها و كدهاي اطلاعات مربوط به سوانح در يك پايگاه داده شناسايي شده و اطلاعات به صورت خودكار طبقه‌بندي مي‌شود. مدل توليد شده توسط اين نرم افزار، براي 6200 سانحه بالگرد كه در بين سال‌هاي 1982 تا 2020 رخ داده است، اعمال شده‌است. براي درك بهتر دلايل وقوع سوانح، يك رويكرد مبتني بر حالت براي بررسي شكاف‌هاي منطقي موجود يا موارد ناديده گرفته شده ارائه گرديده و سوابقي كه به‌طور بالقوه پر از اشتباهات است مورد بررسي قرار مي‌گيرد. هم‌چنين روش هستي‌شناسي سوانح هوايي و مدل‌سازي مبتني بر حالت با ابزار يادگيري ماشين كه روشي نوين در اين حوزه بوده براي دستيابي به نتايج مطلوب‌تر بكار گرفته شده‌است. كليدواژه‌ها

Several research efforts have been directed towards better understanding the causes of accidents. While some studies provide useful insights into accidents, they do not provide an accurate understanding of accidents if viewed from an event-based perspective. Air accidents in Iran, especially in the last two decades, do not show a significant decrease in the number of accidents or casualties; In this study, we deal with the most important causes of helicopter aviation accidents in Iran. To better understand the causes of aviation accidents, this study offers a state-based approach to examining existing logical gaps or neglected cases. For this purpose, first, using statistica software, situations and factors that are possibly related to fatal and non-fatal accidents are identified; In this software, accident states, signs and accident information codes are automatically detected in a database and the information is automatically classified. We apply the model to 6200 helicopter accidents that occurred between 1982 and 2020. To better understand the causes of accidents, a state-based approach is proposed to examine existing logical gaps or omissions and examines records that are potentially full of errors. Also, the method of air accident ontology and model-based modeling with machine learning tools, which is a new method in this field, has been used to achieve more desirable results.