Blog

Tehlikeli Madde Taşımacılığında Kaza Sıklığı Değerlendirmesi için Bulanık Mantık MetodolojisiÜlkede her yıl yaklaşık 300 milyon tehlikeli madde (HazMat) sevkiyatı yapılmaktadır. Üretilen toplam HazMat tonunun yılda yüzde 2 oranında büyüyeceği tahmin ediliyor. Hava yoluyla ve intermodal olarak taşınan HazMat miktarındaki artış, toplam üretim artışından sırasıyla 4 kat ve 3 kat daha hızlı olabilir [l]. Bu nedenle, etkili önlemler alınmadığı sürece halka yönelik potansiyel risk de artabilir.Ulaştırma Bakanlığı (DOT) standartlarını minimum güvenlik seviyelerini [2, 31] karşılayacak şekilde belirlemiştir, ancak bu düzenlemeler donanım ve prosedürlere odaklanmaktadır, DOT düzenlemelerine uyum hiçbir rota için güvenli değildir.En iyi (en güvenli) rotayı nasıl seçebiliriz? Ulaştırma risk analizi (TRA), potansiyel sonuçlara ve bu sonuçların ilişkili sıklıklarına ilişkin nicel tahminler sağlayan kullanışlı bir tekniktir. TRA'nın faydaları olmadan, rota seçimiyle ilgili yargılar öznel olarak yapılır ve statüko genellikle kabul edilir.Risk iki parametre ile tanımlanır: kaza sıklığı ve kaza sonucunun büyüklüğü. Kaza sıklığı, TRA'nın en önemli bileşenidir. Şu anda en popüler anılan kaza oranı verileri sadece birkaç faktör göz önüne alındığında, projemizde, kamyon konfigürasyonunun, işletiminin, ortamın ve yol koşullarının doğasını açıklayan çok sayıda parametrenin etkilerini dahil ederek farklı yol segmentleri için kaza oranını değerlendireceğiz. Nicel kaza oranının türetilmesi için bulanık modelleme kullanılacaktır.Kaza Sıklığı DeğerlendirmesiAnalistin makul kaza oranları elde etmek için üç temel seçeneği vardır. Birincisi, bir veya daha fazla kaza veri tabanını elde etmek ve veri setinin istenen ayrımın yapılmasına izin verdiğini varsayarak, istenen belirli koşullar için hem kaza hem de seyahat verilerini elde etmek için analizler yapmaktır.Çoğu yetkili kaza oranı çalışması bu seçeneği kullanmıştır ve bu en pahalı ve zaman alıcı seçenektir ve uygun istatistiksel analizleri içerir. İkinci seçenek, belirli rotalar için durum veritabanlarına erişmektir. Devletler sık ​​sık büyük devlet karayolları için kilometre işareti numarasına göre kaza ve seyahat verilerine sahiptir.Hesaplanan değerin küçük olması nedeniyle değiştirilmesi gerekip gerekmediğini belirlemek için beklenen değerlerle istatistiksel bir test gerçekleştirmek için genellikle özel bir prosedüre ihtiyaç duyulsa da, veriler kesin ilgi rotası için olduğundan, bu genel halk için en savunulabilir seçenektir. İs kazası Sıklık oranı hesaplama İş kazalarının önlenebilme oranı kaçtır İs kazası sıklığı İs kazası ağırlık hızı İs kazası hesaplamaları Türkiye İS kazası Sıklık Oranı Kayıp iş günü Nedir İş Güvenliği Aktivite Oranı hesaplamaÜçüncü seçenek, veritabanlarının mevcut analizlerinden birini kullanmak ve sonuçları belirli ilgi yollarına uygulamaktır. Bu seçenek en ucuz olanıdır ve diğer risk parametresindeki tüm belirsizlikler göz önüne alındığında makul derecede doğru değerlerle sonuçlanmalıdır.Birçok çalışan tarafından kamuya açık çeşitli veritabanlarının ayrıntılı analizleri, kaza olasılıklarını yol tipi, kamyon tipi ve nüfus yoğunluğunun bir fonksiyonu olarak mil bazında belirlemeyi mümkün kılmıştır. Bu tür verilerin en ayrıntılı analizlerinden biri Hanvood ve Russell tarafından yapılmıştır.Hanvood ve Russell, üç eyaletten (California, Illinois ve Michigan) bilgisayarlı veri dosyalarına dayanarak, bildirilen kazaların sayısını ve kat edilen toplam kamyon mili sayısını kullanarak kaza olasılıklarını hesapladılar. Bu veriler çoğunlukla kaza olasılıkları için temel olarak kabul edilir. Argonne Ulusal Laboratuvarı'nın raporunda, Hanvood ve Russell istatistikleri eyaletler arası ve eyaletler arası (eyalet otoyolu) olmak üzere iki yol kategorisine ve kentsel, banliyö ve kırsal olmak üzere üç nüfus yoğunluğu kategorisine ayrıldı.Tehlikeli Madde Bilgi Sistemi (HMIS), malzemelerin, ambalajların ve ilgili diğer bilgilerin ayrıntılarını içeren HazMat karayolu taşımacılığı kazalarının tek ulusal veritabanını temsil eder, ancak eyaletler arası taşıyıcıların karıştığı kazaların olmaması ve dökülmeyen HazMat kapsamının olmaması onu güvenilmez kılmaktadır. özellikle eyaletler arası otoyollar için bu veri tabanından kaza oranını türet. Battelle'nin Federal Motorlu Taşıyıcı Güvenlik İdaresi için hazırladığı raporunda, HMIS verilerini diğer dökülme kazaları (özellikle eyalet içi kazalar) ve dökülme dışı kazalara ilişkin verilerle desteklemek için HMIS'i tamamlayan ek veri tabanlarına başvurulmuştur.Hanvood ve Russell'ın çalışmasında kaza sıklığını etkileyen parametreler olarak yol tipi, kamyon tipi ve nüfus yoğunluğu dikkate alınmıştır. Argonne'nin raporu, yolun, kamyonun, çevrenin ve sürücü koşullarının doğasını tanımlayan daha fazla parametre ekleyerek kaza oranı verilerinin hassasiyetini iyileştirmede başarısız oldu. Bu tür bir eksiklik, kısmen, risk analizi için gerekli olan bu parametrelerin not edilmediği veri tabanı eksikliğinden kaynaklanmaktadır.Bu çalışma için, daha ilgili parametreleri dahil ederek kaza oranlarını daha güvenilir ve doğru bir şekilde değerlendirmeyi bekleyen diğer veri tabanlarına yöneliyoruz. Kamu Güvenliği Departmanı (DPS) kaza veri tabanı, çalışmamız için iyi bir kaynak olarak bulundu, çünkü daha fazla parametre kaydediliyor ve bu veri tabanı yol tipine göre kolayca sıralanabiliyor ve belirli bir yolun kaza oranının değerlendirilmesini nispeten daha kolay hale getiriyor.Kaza sayısına ek olarak, kat edilen mil sayısı (maruziyet verileri) gereklidir; bu iki veri seti birbiriyle pek uyuşmuyor çünkü her biri için veriler bağımsız mekanizmalar tarafından toplanıyor. Kaza verileri polis raporlarına, maruz kalma verileri ise anketlere veya trafik sayımlarına dayanmaktadır.İki tür verinin şu anda ilgili faktörlere göre ayrıştırılamaması gibi ek bir sorunu olabilir, bu nedenle bu iki tür veriyi birleştirmek için genellikle varsayımlara ihtiyaç vardır. Veri toplama sürecinin ve veri kombinasyonunun sorunları ve sınırlamaları, analizle ilişkili belirsizliği artırır.Fuzzv Lopik ModeliGeleneksel olarak, bir sistem için matematiksel bir model, sistemden alınan girdi-çıktı ölçümlerinin analiz edilmesiyle oluşturulur. Bu sayısal ölçümler önemlidir çünkü sistemin davranışını nicel olarak temsil ederler. Ancak, birçok mühendislik sistemi için başka bir önemli bilgi kaynağı daha vardır: insan uzmanlarından alınan bilgiler.Dil bilgisi olarak bilinen bu bilgi, sistem hakkında nitel yönergeler ve açıklamalar sağlar. Geleneksel matematiksel modeller bu tür bilgileri içeremezken, bulanık modeller bu tür bilgileri doğal ve uygun bir şekilde dahil edebilir.Bir bulanık if-then kuralı, dilsel değişkenler ve gazlı kümeler kullanılarak açıklanan bir koşulu bir sonuca bağlar. Üç tür bulanık kural tabanlı model vardır: Mamdani Modeli, Takagi-Sugeno-Kang (TSK) modeli ve Kosko'nun toplamsal modeli (SAM) [7]. İlk iki model, veri tabanının analizi için kullanılacakları için burada tanıtılacaktır.Mamdani modeli, Ui'nin girdi değişkenlerinin alanları ve W'nin çıktı değişkeninin alanı olduğu UIXU2x...x Ur'dan W'ye bir eşlemeyi tanımlayan aşağıdaki dil kurallarından oluşur.Ri: Eğer X I Ail ise ve ...ve Xr Hava ise, o zaman y Ci'dir