بخشی از مقاله
پیشبینی حداکثر سطح وزنی نویز با استفاده از شبکه عصبی و رگرسیون (مطالعه موردی: اداره کل راه آهن شرق)
چکیده
نویز به عنوان یکی از مهمترین موضوعات زیست محیطی تلقی می شود زیرا سلامت و آرامش موجودات زنده را به مخاطره می اندازد به همین دلیل دانش روز در پی یافتن علل ایجاد کننده نویز در صنایع مختلف و در نتیجه جلوگیری حداکثری از آن است. با توجه به توسعه خطوط راهآهن در ایران، شناسایی و مدل سازی عوامل ایجاد ارتعاشات و نویز حمل ونقل ریلی از اهمیت ویژهای برخوردار است و ارزیابی عملکرد راه آهن را نمی توان بدون اندازهگیری و مدیریت نویز تصور نمود. با توجه به شرایط اقلیمی خاص اداره کل راه آهن شرق و اهمیت استراتژیک این محور در اقتصاد کشور، در این مقاله، حداکثر سطح وزنی نویز را با اطلاعات به دست آمده از اندازه گیری های میدانی در مورد این اداره کل به وسیله شبکه عصبی، رگرسیون خطی و لگاریتمی مدل سازی نموده و با درصد اطمینان ۹۶ درصد دو عامل فاصله از محور ریل و سرعت قطار را در میزان و شدت نویز ایجادشده را شناسایی و
مدل سازی می نماید و در نهایت مدل های بدست آمده از هر یک از روش های مدل سازی فوق با یکدیگر مقایسه می گردد و در نهایت نشان میدهد رگرسیون لگاریتمی نسبت به دو شیوه دیگر مدل سازی که در این تحقیق مورد استفاده قرار گرفته اند، مدل بهتری ارائه مینماید.
۱- مقدمه:
نویز اثرات زیان باری در سه بخش روانی، ایمنی و بهداشتی دارد ] ۱ [ و با توجه به مطالعات صورت گرفته، نویز راه آهن نسبت به نویز ترافیک جادهای آزاردهنده و مخرب تر است ] ۲ [ . از مهمترین این اثرات در بخش حمل ونقل ریلی، اثرات آن در سلامت کارکنان و خواب مسافرین می باشد ]۳[ به همین دلیل بررسی نویز و میزان آن در راه آهن و حمل ونقل ریلی و راه های کاهش آن از اهمیت بالایی برخوردار است . دلایل عمده انتشار نویز در راه آهن سایش چرخ با ریل، نویز ترکشن و سیستم های کمکی در سرعتهای پایین و نویز آئرودینامیک در سرعتهای بالاتر از km/h ۲۰۰ است ] ۴[ نویز قطار علاوه بر زمان توقف، ترمز و شتاب گیری، در فعالیتهای مانوری که معمولا به صورت محلی انجام می شود نیز انتشار می یابد]۳[ در طراحی بزرگراه ها ، جادههای معمولی و ارزیابی تغییرات موجود یا پیشبینی شده « مدل های پیش بینی نویز ترافیک» به طراحان کمک شایانی می کنند. به طور منطقی، تعریف فوق در طراحی راه آهن، کاربردی است. بدون تردید، مدل های پیشبینی نویز ترافیک راهآهن، میتوانند نقش تعیین کنندهای در ارزیابی و مانیتورینگ تاثیر نویز در طرحهای توسعه راهآهن داشته باشند ]۳[به منظور شناخت نویز می بایست به مدلی مطمئن و مناسب دست یافت و با تجزیه و تحلیل مدل بتوان نویز و عوامل دخیل در ان را شناسایی و این عوامل را تا حد ممکن کاهش داد. برای ارائه این مدل از سه روش رگرسیون خطی ، رگرسیون لگاریتمی و شبکه عصبی استفاده می کنیم. در این مقاله پس از بیان اهمیت مطالعه مدل های پیش بینی نویز ، به معرفی منطقه مطالعاتی با توجه به نمونه گیری پرداخته شده و در مرحله بعد به تجزیه و تحلیل آماری پرداخته شده است.
۲- مرور ادبیات
شبکه عصبی مصنوعی (ANN)، یکی از روش های مدل سازی است که در دهههای اخیر کاربرد قابل توجهی داشته است . به عنوان مثالی Cammarata و همکارانش در سالی ۱۹۹۵ به منظور پیشبینی Acq مL » با اندازهگیری نویز در ایتالیا یک شبکه عصبی پس انتشار را توسعه داده اندا ۵. آنها پیشبینی های شبکههای عصبی را با چندین مدل معمولی مقایسه کردند. همچنین HamOd در ۲۰۰۸ ، شبکه عصبی رگرسیون عمومی و شبکه عصبی پس انتشار" را برای پیش بینی ساختار نویز سر و صدای ناشی از ساختوساز برای ارزیابی اثرات زیست محیطی ، توسعه دادهاند ۶ . نتایج نشان داد پیشبینی های شبکه رگرسیون عمومی دقیق تر از شبکه پس انتشار است. این نتایج، قابلیت شبکه های عصبی را برای پیش بینی ساختار نویز در نشان میدهد. در ایران نیز همانند سایر کشورها مطالعاتی در این زمینه صورت گرفته است. به طور مثال گیورگیس و همکارانش در سال ۲۰۰۷، معادله ای که LAmax (حداکثر سطح وزنی نویز ) قطار محلی تهران- کرج (مدل دیزل GE) را محاسبه میکند توسعه دادهاند ۴. فرم مدل پیشنهادی از معادلات پیش بینی LAmax، برای قطار تک لوکوموتیو نشأت گرفته است. این مدل در کتابچه ی راهنمای اداره حمل ونقل فدرال ایالات متحده و در مدل پیش بینی نویز ریل فرانسه ارائه شده است. گیورگیس و کریمی در سال ۲۰۰۹ سه مدل ریاضی، آماری و عصبی را به منظور مقایسه LAmax قطار سریع السیر تهران - کرج توسعه دادند]۳[ نتایج این سه مدل، بدون تفاوت آماری معناداری رضایت بخش بوده است. با این حال، نویسندگان تاکید کردهاند که کار بیشتری برای توسعه و ارزیابی مدل های پیچیدهتر نیاز است. همچنین در زمینه جاده ای، محمودی و همکاران در سال ۲۰۰۸ مدل CORTN را با برآورد پارامترهای رگرسیون غیرخطی برای پیش بینی LAcquh جادههای تهران در فاصله کمتر از ۴ متری حاشیه جاده، کالیبره کرده اند ] ۷ [. در ادامه گیورگیس و کریمی در سال ۲۰۱۰ یک شبکه عصبی مصنوعی را برای پیش بینی LAeq 1|h جادههای تهران در فاصله کمتر از ۴ متری حاشیه جاده ارائه کردهاند
۳- منطقه مطالعاتی
به دلیل اهمیت محور راه آهن شرق و عدم بررسی و مطالعه نویز در این مکان ، این محور به عنوان منطقه مطالعاتی این مقاله انتخاب شده است. همچنین به علت وجود همه عوامل ایجاد نویز در این محور و ترافیک روان و عادی آن نسبت به سایر محورها، امکان مطالعه دقیق در این محور فراهم است.
۴- نمونه گیری
دستگاه اندازهگیری سطح صدا-BTuel & Kjaer 2230، به طور متناوب در ارتفاع ۱/۵ متری و فاصله های ۲۵، ۳۵، ۴۵، ۵۵ و ۶۵ متری از خط تقارن محور، نصب شده است. در هر یک از این نقاط، مقادیر LAmax مربوط به ۱۰ قطار در حال عبور اندازهگیری شده است.
۵- تجزیه و تحلیل آماری
در این مطالعه، تجزیه و تحلیل آماری بر اساس مدل های شبکه عصبی و رگرسیون توسط نرم افزار SPSS انجام شده است. هر چند برای پیادهسازی شبکه عصبی و تجزیه و تحلیل آماری آن می توان از سایر نرمافزارهای آماری و جعبه ابزار شبکه عصبی نرم افزار متلب استفاده کرد.
۱-۵- مدل شبکه عصبی
در پیشبینی مدل شبکه عصبی از ۵۰ مورد نمونه به دست آمده، ۳۶ مورد به عنوان نمونه آموزشی (Training) و ۱۴ مورد به عنوان نمونه تست (TeSting) مدل انتخاب شده است. همان طور که در جدول ۱ مشاهده می شود ، خطای آنتروپی این مدل در نمونه آموزشی ۰/۰۵۴ و در نمونه تست ۰۲۸/۰ به دست امده است. صحت پیش بینی مدل در نمونه آموزشی، ۶۹۴ درصد است که نسبتاً از دقت بالا و مورد قبولی برخوردار است.
شکل ۱، نشان میدهد در مدل شبکه عصبی، به ترتیب متغیرهای مستقل سرعت قطار(Km/h)، ایستگاه نمونه برداری و فاصله از مرکز مسیر (Km) در پیشبینی حائز اهمیت هستند. به عبارتی ، در مدل شبکه عصبی، موثرترین متغیر مستقل در پیشبینی LAmax سرعت قطار (Km/h) است و فاصله از مرکز مسیر (Km) در مقایسه با سه متغیر دیگر تأثیر کمتری در پیش بینی
