مدل‌سازی سوانح بالگرد با رویکرد مبتنی بر حالت با استفاده از یادگیری ماشینی

تاکنون تلاش‌های تحقیقاتی بسیاری برای درک دلایل وقوع سوانح هوایی انجام‌ شده است. درحالی‌که در برخی از مطالعات، بینش‌های مفیدی پیرامون سوانح ارائه شده است، اما اگر به آن‌ها از دید مبتنی بر رویداد نگاه گردد این گزارشات درک صحیحی از سوانح را ارائه نمی‌دهند. سوانح هوایى در ایران به‌ویژه در دو دهه اخیر کاهش معنى‌دارى را در تعداد سوانح و یا تلفات ناشى از آن‌ها نشان نمى‌دهد؛ از همین‌رو در این پژوهش به مهم‌ترین دلایل عمده‌ى وقوع سوانح هوایى بالگرد در کشورمان، ایران، پرداخته شده‌است. به این منظور در ابتدا، با استفاده از نرم‌افزار استاتیستیکا، حالت‌ها و عواملی که احتمالاً با سوانح مرگبار و غیرمرگبار مرتبط هستند شناسایی می‌شوند؛ در این نرم‌افزار به‌طور خودکار حالت‌ها، نشانه‌ها و کدهای اطلاعات مربوط به سوانح در یک پایگاه داده شناسایی شده و اطلاعات به صورت خودکار طبقه‌بندی می‌شود. مدل تولید شده توسط این نرم افزار، برای 6200 سانحه بالگرد که در بین سال‌های 1982 تا 2020 رخ داده است، اعمال شده‌است. برای درک بهتر دلایل وقوع سوانح، یک رویکرد مبتنی بر حالت برای بررسی شکاف‌های منطقی موجود یا موارد نادیده گرفته شده ارائه گردیده و سوابقی که به‌طور بالقوه پر از اشتباهات است مورد بررسی قرار می‌گیرد. هم‌چنین روش هستی‌شناسی سوانح هوایی و مدل‌سازی مبتنی بر حالت با ابزار یادگیری ماشین که روشی نوین در این حوزه بوده برای دستیابی به نتایج مطلوب‌تر بکار گرفته شده‌است.

A state-based approach to modeling helicopter accidents using machine learning

Several research efforts have been directed towards better understanding the causes of accidents. While some studies provide useful insights into accidents, they do not provide an accurate understanding of accidents if viewed from an eventbased perspective. Air accidents in Iran, especially in the last two decades, do not show a significant decrease in the number of accidents or casualties; In this study, we deal with the most important causes of helicopter aviation accidents in Iran. To better understand the causes of aviation accidents, this study offers a statebased approach to examining existing logical gaps or neglected cases. For this purpose, first, using statistica software, situations and factors that are possibly related to fatal and nonfatal accidents are identified; In this software, accident states, signs and accident information codes are automatically detected in a database and the information is automatically classified. We apply the model to 6200 helicopter accidents that occurred between 1982 and 2020. To better understand the causes of accidents, a statebased approach is proposed to examine existing logical gaps or omissions and examines records that are potentially full of errors. Also, the method of air accident ontology and modelbased modeling with machine learning tools, which is a new method in this field, has been used to achieve more desirable results.