ارزیابی و مدلسازی سرعت خودروها در ورود به تونل‌های دو طرفه برون شهری

نحوه رفتار رانندگان در راه ها نشات گرفته از وضعیت محیط پیرامون آن ها است. تحقیقات محقق نشان می دهد که خودرو در فاصله ای مشخص از تونل با مشاهده آن شروع به کاهش سرعت می کند و با رسیدن به ابتدای تونل کمترین سرعت خود را دارد. به محض اتمام تونل خودرو مجدداً سرعت خود را در طی طول مشخصی افزایش می دهد. هدف اصلی این تحقیق مدلسازی سرعت ورود خودروها در ورود به تونل‌های برون شهری بر مبنای تغییرات سرعت آن ها قبل از ورود به تونل، با استفاده از شبکه ی عصبی – فازی است. سپس جهت اعتبارسنجی مدل طراحی شده از داده های ثبت شده 30 راننده مختلف که در شرایط مشابه، به وسیله یک دستگاه خودروی رنو لوگان دارای سیستم انتقال قدرت دندهای مسیر را طی می کنند، استفاده شده است. با استفاده از روش تحلیل همبستگی پیرسون، میزان ارتباط بین متغیرهای سرعت ورودی به تونل و تغییرات سرعت خودروها بررسی شده است. مقدار ضریب همبستگی 0.7 و به معنی داشتن همبستگی منفی قوی بین دو متغیر است. نتایج تحقیق نشان می‌دهد که روش شبکه‌ی عصبی – فازی با دقت بالایی توانایی پیش‌بینی تغییرات سرعت را بر اساس سرعت اولیه ورود به تونل را دارد. از نتایج این تحقیق جهت تحلیل و بررسی رفتار رانندگان در تونل‌های برون شهری استفاده می‌شود. با توجه اهمیت تغییرات ناگهانی سرعت به صورت نامتعارف علی الخصوص در مسیرهای دو طرفه می توان، با کم کردن عوامل استرس زا در رانندگان ایمنی تونل ها را افزایش داد.

Assessing and Modeling Speed of Vehicles in Arterial Twoway Tunnels

The way drivers behave on roads is based on the state of the environment around them. Previous research shows that the vehicle starts to slow down at a certain distance from the entrance of tunnel. The main purpose of this research is to model the speed of vehicles entering the urban tunnels based on their velocity changes before entering the tunnel using neuralfuzzy network. 30 different drivers, were examined in similar conditions to study the behaviors of drivers. The study was conducted in a Renault Logan with manual transmission. Using Pearson correlation analysis, the relationship between the input speed variables to the tunnel and the vehicle speed variations is investigated.. The correlation coefficient value is 0.7 which means that there is a negative correlation between the two variables. The results show that the neuralfuzzy neural network method is able to predict velocity changes based on the lateral distance of the cars with the tunnel wall.. The results of this study are used to analyze the behavior of drivers in suburban tunnels.. Given the importance of abrupt changes in speed and transverse movement of cars, especially on twoway lanes, it can be possible to increase tunnel safety by reducing stressors.