پیش بینی زوال هندسی خطوط راه آهن با استفاده از الگوریتمهای یادگیری ماشین

با توجه به نقش حیاتی و تاثیرگذار سیستمهای حمل و نقل ریلی در رشد و توسعه اقتصادی کشورها و هزینه های بالای نوسازی و تعمیر زیرساختهای آن، دستیابی به یک سامانهی کارای مدیریت تعمیرونگهداری خطوط، مورد توجه خاص مدیران راه آهن قرار گرفته است. یکی از بخشهای مهم این سامانه ها، توانایی پیشبینی صحیح وضعیت کیفی خط در آینده است که توسط مدلهای پیشبینی شرایط خط و یا مدلهای زوال خط قابل دستیابی است. در این پژوهش به منظور پیشبینی کیفیت خطوط ریلی از طریق مدلسازی زوال خطوط، کارایی الگوریتم های گوناگون یادگیری ماشین از قبیل شبکه های عصبی پرسپترون، ماشینهای بردار پشتیبان و درخت تصمیم ارزیابی شده و در هر مورد نتایج مدلسازی با استفاده از 4 شاخص مختلف مقایسه شده است. در این راستا، داده های خام حاصل از خروجی ماشین اندازهگیر خط EM120 در بین سالهای 1390 تا 1395 نواحی اراک، لرستان، زاگرس و جنوب از راه آهن جمهوری اسلامی ایران مورد استفاده قرار گرفته است. پس از مرتب، دسته بندی و پیشپردازش این داده ها، شاخصهای هندسی TGI , TTQI , SD(LLL), Sigma(SDs) برای قطعات 100 متری از خط محاسبه و بهترین مدل براساس هرکدام از الگوریتمهای اشاره شده در بالا برای پیشبینی این شاخصها معرفی شده است. نتایج نشان میدهد که در مجموع، مدلهای مبتنی بر شبکه های عصبی پرسپترون نسبت به بقیه الگوریتمها، برای پیشبینی کیفیت خطوط مناسبتر هستند. از میان شاخص های اشاره شده برای بیان کیفیت خط، TTQI نسبت به بقیه عملکرد بهتری دارد و به عبارت دیگر مدل پذیرتر است. باید توجه داشت که تفاوت ذاتی شاخصها از قبیل دامنه تغییرات، صعودی یا نزولی بودن آن نسبت به زوال، حساسیت آن نسبت به خرابیها و... موجب میشود تا برای هر شاخص به دنبال مدل مناسب آن بود. اما به طور کلی، از نقطه نظر دقت پیش بینی، میتوان به ترتیب، مدلهای شبکه عصبی پرسپترون، بردار پشتیبان و درخت تصمیم برای پیشبینی کیفیت خطوط را رتبه بندی کرد.

کلیدواژه ها:

زوال هندسی خطوط ریلی ، یادگیری ماشین ، پیشبینی