ارايه الگوريتم و مدل ارزيابي تحليل سوانح ريلي با استفاده از سيستم هاي هوشمند عصبي- فازي (مطالعه موردي خروج از خط)

Introducing the rail accident analysis model and algorithm by using neuro-fuzzy intelligent systems (case study derailment)

سانحه ريلي از مسايل مهمي است كه آگاهي و شناخت علل ايجاد آن, نقش موثري در افزايش ضريب ايمني و كاهش خسارات جاني و مالي در حمل ونقل ريلي خواهد داشت. با بررسي آمار سوانح ريلي در مي يابيم كه از بين انواع سوانح ريلي، خروج از خط داراي بيشترين سهم ميباشد. معمولا شناخت و تحليل تخصصي عوامل و علل خروج از خط خطاي انساني, وسايل نقليه ريلي و عوامل طبيعي به دليل پيچيدگي و مبهم بودن رفتار بين خط و هريك از علل، آسان نخواهد بود و يك رابطه كمي?كيفي است. بررسي سوانح ريلي حاكي از آن است كه در تحليل جامع آنها به تعداد معدود، به مدلهاي تحليلي سنتي پرداخته شده است. در اين ميان محدوديتهاي اين مدلها چون: تك بعدي بودن ،عدم لحاظ شرايط موثر در ارزيابيهاي كمي ، پيچيدگي در توصيف رفتاري و عدم استنتاج از آنها جهت تصميم سازيهاي چند منظوره به وضوح نمايان ميباشد. در اين تحقيق با كاربرد روشهاي تركيبي استنتاجي هوشمند عصبي? فازي، نسبت به سادهسازي توصيف رفتاري كمي?كيفي، بسترسازي و ارزيابي كمي?كيفي و استنتاج شرطي جهت تصميم سازي هاي چند منظوره در ارزيابي سوانح ريلي و در نهايت ارايه يك مدل پيش بيني گام برداشته ميشود. لازم به ذكر است كه عليرغم وجود مسايلي چون پيچيدگي رفتاري بين عوامل تاثيرگذار در سوانح و عدم جامع بودن آمار و اطلاعات موجود، محققان اين تحقيق تلاش نموده تا با شناخت و آگاهي كامل از كليه مشكلات و مسايل و با توجه به بضاعت موجود، الگوريتم انجام طرح را در اين تحقيق به صورت موردي و قابل تعميم براي تحليل جامع تر و ارزيابي چند بعدي معيارها و علل سوانح ارايه نمايند. مطمينًا مدل پيشبيني ارايه شده و الگوبرداري از آن زمينه مناسب جهت برنامه ريزي مديريت ايمني در سوانح ريلي را فراهم خواهد ساخت.

Due to the safety of Rail transportation, Investigation on characteristics and phenomenon which causes accidents has an important role, in order to enhance the safety of rail transport and, in turn, reduce the rate of accidents. According to the rail accident statistics, among all factors causing train accidents, derailment has the biggest share, which can be because of human errors, track and rolling stock deficiencies, etc. Investigation and technical analyses of these factors will be complicated, because of the quantitative/qualitative relationships. Investigation on available derailment results indicates that a few numbers of traditional analytical models have been used. Herein, limited capability of these models such as being one dimensional, taking not into account all factors involved and complexity in behavior description can be clearly observed. Regarding the importance of the current situation in the derailment investigation, in this research a new combined intelligent Neuro-Fuzzy model has been developed. This study has simplified the quantitative/qualitative behavior description for derailment, prepared and simplified a practical and more accurate quantitative/ qualitative evaluation to achieve multi-dimensional decision making evaluation model, by using Adaptive Neuro Fuzzy Inference System (ANFIS). This research has developed a method of operation based on human factors. Regarding the results, analyses of the developed N-F model make a foundation for a more comprehensive accident management system.