پيش‌بيني زوال هندسي خطوط راه‌آهن با استفاده از الگوريتم‌هاي يادگيري ماشين

با توجه به نقش حياتي و تاثيرگذار سيستم‌هاي حمل و نقل ريلي در رشد و توسعه اقتصادي كشورها و هزينه‌هاي بالاي نوسازي و تعمير زيرساخت‌هاي آن، دستيابي به يك سامانه‌ي كاراي مديريت تعميرونگهداري خطوط، مورد توجه خاص مديران راه‌آهن قرار گرفته است. يكي از بخش‌هاي مهم اين سامانه‌ها، توانايي پيش‌بيني صحيح وضعيت كيفي خط در آينده است كه توسط مدل‌هاي پيش‌بيني شرايط خط و يا مدل‌هاي زوال خط قابل دستيابي است. در اين پژوهش به منظور پيش‌بيني كيفيت خطوط ريلي از طريق مدل‌سازي زوال خطوط، كارايي الگوريتم‌هاي گوناگون يادگيري ماشين از قبيل شبكه‌هاي عصبي پرسپترون، ماشين‌هاي بردار پشتيبان و درخت تصميم ارزيابي شده و در هر مورد نتايج مدل‌سازي با استفاده از 4 شاخص مختلف مقايسه شده است. در اين راستا، داده‌هاي خام حاصل از خروجي ماشين اندازه‌گير خط EM120 در بين سال‌هاي 1390 تا 1395 نواحي اراك، لرستان، زاگرس و جنوب از راه‌آهن جمهوري اسلامي ايران مورد استفاده قرار گرفته است. پس از مرتب، دسته‌بندي و پيش‌پردازش اين داده‌ها، شاخص‌هاي هندسي TGI[1], TTQI[2], SD(LLL), Sigma(SDs) براي قطعات 100 متري از خط محاسبه و بهترين مدل براساس هركدام از الگوريتم‌هاي اشاره شده در بالا براي پيش‌بيني اين شاخص‌ها معرفي شده است. نتايج نشان مي‌دهد كه در مجموع، مدل‌هاي مبتني بر شبكه‌هاي عصبي پرسپترون نسبت به بقيه الگوريتم‌ها، براي پيش‌بيني كيفيت خطوط مناسب‌تر هستند. از ميان شاخص هاي اشاره شده براي بيان كيفيت خط، TTQI نسبت به بقيه عملكرد بهتري دارد و به عبارت ديگر مدل‌پذيرتر است. بايد توجه داشت كه تفاوت ذاتي شاخص‌ها از قبيل دامنه تغييرات، صعودي يا نزولي بودن آن نسبت به زوال، حساسيت آن نسبت به خرابي‌ها و... موجب مي‌شود تا براي هر شاخص به دنبال مدل مناسب آن بود. اما به طور كلي، از نقطه نظر دقت پيش‌بيني، مي‌توان به ترتيب، مدل‌هاي شبكه عصبي پرسپترون، بردار پشتيبان و درخت تصميم براي پيش‌بيني كيفيت خطوط را رتبه‌بندي كرد.   [1] Track Geometry Index [2] Total Track Quality Index