برگزاری دفاعیه دکتری مهندس محمد علی زاینده رودی
| تاریخ ارسال: 1404/6/25 |
 |
مهندس محمد علی زاینده رودی دانشجوی دوره دکتری این دانشکده در رشته مهندسی عمران گرایش راه و ترابری، ۲۵ شهریور ماه سال ۱۴۰۴ از رساله خود تحت عنوان «رتبه بندی و انتخاب اقدامات متقابل ایمنی در گذرگاه های هم سطح جاده و ریل با استفاده از روش های یادگیری ماشین» به صورت حضوری با راهنمایی دکتر برات مجردی و دکتر مرتضی باقر دفاع می نماید. |
| چکیده این رساله به شرح زیر می‌باشد: چکیده تصادفات در گذرگاه‌های همسطح جاده و ریل یکی از چالش‌های اساسی حمل و نقل ریلی در سراسر جهان به شمار می‌رود. به همین دلیل، سازمان¬های حمل¬ و نقل ریلی با توجه به ویژگی های زیر ساختی هر گذرگاه، اقدامات متقابل ایمنی مؤثر را برای کاهش تصادفات در این گذرگاه‌ها به کار می‌گیرند. هدف این رساله ارزیابی و انتخاب مؤثرترین اقدامات متقابل ایمنی به منظور کاهش تصادفات در این گذرگاه‌ها، با استفاده از روش¬های داده محور است. در این پژوهش، از مجموعه داده‌های انجمن راه‌آهن فدرال 1(FRA ) ایالات متحده آمریکا در طول سال¬های ۲۰۱۰ تا ۲۰۲۲ استفاده شده است. عوامل تاثیرگذار بر تصادفات با استفاده از الگوریتم یادگیری ماشین LightGBM، شناسایی شدند و گذرگاه‌ها بر پایه روش تحلیل کلاس پنهان عمیق 2( DLCA) به چهار خوشه همگن تقسیم شدند. برای محاسبه ضریب تعدیل تصادف 3( CMF)، چندین رویکرد شامل قبل و بعد ساده، رویکرد پیشرفته‌تر مبتنی بر چارچوب بیز تجربی 4(EB ) و چارچوب بیز کامل 5( FB) به‌کار گرفته شد. در رویکرد بیز تجربی، مدل رگرسیون دوجمله‌ای منفی 6( NB) برای تخمین فراوانی تصادفات استفاده گردید و باقی‌مانده‌های تخمین با شبکه عصبی حافظه طولانی‌مدت 7(LSTM ) مدل‌سازی شدند. مدل NB-LSTM به دلیل توانایی در مدل‌سازی داده‌های سری زمانی و وابستگی‌های طولانی‌مدت، عملکرد بهتری از نظر مقادیر خطای استاندارد نسبت به سایر رویکردها داشت. بنابراین تخمین های CMF نهایی در این رساله برآمده از مدل NB-LSTM تحت چارچوب بیز تجربی در نظر گرفته شد. در این پژوهش، برای انتخاب بهترین اقدام متقابل در هر گذرگاه، از شبکه عصبی بیزی چند خروجی 8(BNN ) استفاده شده¬است. این مدل ابتدا خوشه مربوط به هرگذرگاه را پیش‌بینی کرده و CMF برای هر یک از اقدامات متقابل مورد بررسی برای آن گذرگاه را محاسبه می¬کند. سپس مؤثرترین اقدام متقابل ایمنی با انتخاب اقدام متقابلی که کمترین میزان CMF تخمین زده شده را دارد، پیشنهاد می¬شود. نتایج انتخاب اقدامات متقابل نشان داد برای گذرگاه‌هایی با تعداد بالای قطارهای روزانه، مسیرهای عمدتاً مستقیم، و سطح AADT بالاتر از ۴۰۰۰ وسیله نقلیه، دروازه‌ها معمولا به‌عنوان مؤثرترین اقدام متقابل انتخاب می¬شوند، همچنین در گذرگاه‌هایی با سطح AADT پایین‌تر از ۲۰۰۰ وسیله نقلیه که نشان‌دهنده جاده‌های کم‌ترافیک هستند، چراغ‌های چشمک‌زن به طور معمول جزء موثرترین اقدامات متقابل هستند. نتایج این پژوهش نشان می‌دهد که استفاده از مدل‌های داده‌محور، به ویژه مدل NB-LSTM تحت چارچوب بیز تجربی، می‌تواند به بهبود قابل توجهی در تخمین ضریب تعدیل تصادف و انتخاب مؤثرترین اقدامات ایمنی در گذرگاه‌های همسطح منجر شود. واژه¬های کلیدی: گذرگاه¬های همسطح جاده و ریل، انتخاب اقدامات متقابل، ضریب تعدیل تصادف، یادگیری ماشین [1] Federal Railroad Administration [2] Deep Latent Class Analysis [3] Crash Modification Factor [4] Empirical Bayes [5] Full Bayes [6] Negative Binominal [7] Long Short Term Memory [8] Bayesian Neural Network رایانامه جهت ارتباط با دانشجوی فوق: |
دفعات مشاهده: 1087 بار |
دفعات چاپ: 160 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر