سطوح آسیب ساختاری پل ها در آتش سوزی برخورد وسایل نقلیه

خلاصه

آتش‌سوزی یک خطر بزرگ برای یکپارچگی ساختاری پل یا به تدریج برای خرابی پل ایجاد می‌کند. این مطالعه از شبکه عصبی مصنوعی استفاده می کند(ANN) برای بررسی عوامل تعیین کننده در حوادث آتش سوزی پل. اجرای این مدل قدرتمند تخمینی از سطوح آسیب را تولید می کند. اساس مدل پیشنهادی توسط عوامل حیاتی، از جمله مکان پل، مواد، سیستم‌های ساختاری، میانگین ترافیک روزانه سالانه (AADT)، منبع احتراق، نوع قابل احتراق و سطح پل در معرض آتش تعیین می‌شود. نتایج نشان می‌دهد که پل‌های تیر آهن فولادی حساس‌ترین سیستم سازه‌ای در آتش‌سوزی هستند. علاوه بر این، آتش سوزی شامل تانکرهای حاوی سوخت هیدروکربنی و کامیون هایی با محموله های جامد قابل احتراق خطرناک ترین برای یک پل است. دقت مدل پیشنهادی تأیید می‌شود و می‌توان از نتیجه آن برای تعیین خطر آتش سوزی بر اساس ویژگی‌های گسسته استفاده کرد. بر اساس مدل پیشنهادی،

معرفی

نگرانی ها در مورد آسیب پذیری پل ها در برابر آتش به دلیل گسترش سریع سیستم های حمل و نقل و حمل و نقل فزاینده مواد خطرناک مورد توجه قرار گرفته است. پیامدهای آتش سوزی پل می تواند منجر به شکست جزئی یا کامل به دلیل زوال ساختاری شدید ناشی از به خطر افتادن ظرفیت اجزای حمل بار شود [1]، [2]، [3]. علت اصلی آتش‌سوزی پل، برخورد خودروها و سوختن سوخت در مجاورت پل است. در ایالات متحده، آتش سوزی ها سه برابر بیشتر از زمین لرزه ها، بین سال های 1960 و 2008 باعث فروریختن پل ها شدند [4]، [5]. علاوه بر این، یک بررسی که فروریختن 1746 پل را در 18 ایالت آمریکا بررسی کرد، نشان داد که 52 پل به دلیل آتش سوزی فرو ریخته است در حالی که تنها 17 مورد از خرابی ها به دلیل زلزله بوده است. [4]، [6]، [7].

آتش سوزی های بنزین که به عنوان آتش سوزی هیدروکربنی نیز شناخته می شوند، که نرخ گرمایش سریع دارند، معمولاً دلایل اصلی آتش سوزی پل ها هستند [7]. چندین مدل آتش سوزی با مطالعات موردی خاصی برای آتش سوزی در پل های روگذر، مانند سناریوهای آتش سوزی پیشنهاد شده توسط Bennets و معین الدین [8] برای ارزیابی اثر آتش سوزی تانکر بر روی پل کابلی اقتباس شده است. فقدان واضح مقررات در کدها و دستورالعمل های موجود برای آتش سوزی سازه برای پل ها وجود دارد [9]. مانع اصلی برای توسعه چنین اقداماتی، ناکافی بودن داده های قابل اعتماد در مورد پاسخ پل در معرض آتش است، که می تواند تا حدی با استفاده از روش های یادگیری ماشین (ML) حل شود. بیشتر تحقیقات مرتبط در مورد استفاده از رویکردهای ML در مهندسی پل در جدول 1 خلاصه شده است. بر اساس این تحقیق،

لی و بورگوئو [10] از پایگاه داده فهرست ملی پل (NBI) برای ساخت مدل‌های پیش‌بینی‌کننده برای زوال تکیه‌گاه‌های پل در پل‌های موجود و جدید با رویکردهای محاسباتی نرم استفاده کردند. نگوین و دین [11] پیش بینی بهتری از شرایط عرشه پل با استفاده از ANN ارائه کردند. عابدی و ناصر [12] از یادگیری عمیق و الگوریتم های یادگیری ماشین ژنتیک برای تخمین میزان حساس بودن پل ها به آتش استفاده کردند. داده های مورد استفاده برای ارزیابی این خطرات آتش سوزی از 135 آتش سوزی پل است که در سطح بین المللی رخ داده است. پل های فولادی و بتنی مختلف برای تعیین حساسیت آنها به خطر آتش سوزی توسط کدور و ناصر [1] با استفاده از تکنیک ML ارزیابی شدند. برای اطمینان از دقت، رویکرد ML از سه الگوریتم استفاده کرد: ماشین بردار پشتیبانی (SVM)، جنگل تصادفی (RF) و مدل افزایشی تعمیم دهنده (GAM). کندل و همکاران [13] رفتار تیرهای پل بتنی پیش تنیده را با استفاده از حسگرهای فیبر نوری ارزیابی کرد و یک تکنیک آماری شناسایی و شناسایی آسیب را پیشنهاد کرد. در روش پیشنهادی، داده‌ها در موقعیت‌های مختلف روی تیر پل جمع‌آوری می‌شوند و از ANN برای ارتباط الگوهای کرنش استفاده می‌شود.

این مقاله حوادث آتش سوزی پل را بر اساس برخوردهای مختلف خودرو در مجاورت پل ها شناسایی می کند. حساسیت پل به آسیب آتش سوزی را می توان با در نظر گرفتن پارامترهایی که بر احتمال آتش سوزی (مثلاً انواع قابل احتراق) و پیکربندی ساختاری پل تأثیر می گذارد، ارزیابی کرد. در این مطالعه، یک مدل جامع مبتنی بر ML برای در نظر گرفتن سناریوهای واقعی آتش‌سوزی بر اساس پارامترهای اساسی فقط در برخوردهای پل خودرویی مانند مکان پل (به عنوان مثال، کلاس منطقه)، منبع احتراق، نوع قابل احتراق، AADT، مواد ایجاد شده است. ، سیستم ساختاری و قرار گرفتن در معرض آتش. اهمیت هر پارامتر با استفاده از یک مدل مبتنی بر ML تعیین می‌شود که می‌تواند سطح آسیب هر پل جاده‌ای را که در معرض آتش‌سوزی خودرو قرار می‌گیرد، پیش‌بینی کند. ویژگی قابل توجه مدل مبتنی بر ML توانایی آن در پیش بینی سناریوهای آتش سوزی معقول و پیش بینی شاخص های آسیب مربوطه است که در بخش 3 توضیح داده شده است. عملی ترین پیامدها با ارزیابی شاخص های آسیب 9180 آتش سوزی پل بالقوه به دست آمد. تعداد کل حوادث پیش بینی شده در جدول 3 خلاصه شده است. علاوه بر این، رویکردهای تایید شده مبتنی بر ML می توانند به عنوان منطق تصمیم گیری در هر نرم افزاری برای افزایش پذیرش این رویکردها استفاده شوند. مدل پیشنهادی می‌تواند برای بررسی پل‌های در معرض خطر موجود برای ارزیابی آسیب‌پذیری آنها در برابر آسیب‌های عمده یا فروپاشی در یک سناریوی آتش‌سوزی مورد استفاده قرار گیرد. علاوه بر این،

قطعات بخش

توسعه یک مدل یادگیری ماشینی در آتش سوزی پل

برخلاف مدل‌های سنتی، برنامه‌نویسی نرم در الگوریتم‌های یادگیری ماشین، عملکرد خروجی را با تنظیم پارامترها بر اساس ورودی داده‌های جدید (یعنی تجربه و مشاهدات) بهتر تخمین می‌زند. بخش تجربه الگوریتم/مدل یادگیری ماشین به عنوان مرحله یادگیری شناخته می شود [19]. جزئیات بیشتر در مورد فرآیند آموزش در بخش 2.2 ارائه شده است. مدل‌سازی شبکه عصبی مصنوعی (ANN) در این مطالعه به دلیل ویژگی‌های ترجیحی آن یعنی خودآموزی استفاده شد.

اجرای مدل ANN در آتش سوزی پل های خودرویی

هدف اولیه توسعه مدل ANN پیش بینی تمام حوادث احتمالی آتش سوزی در یک پل با در نظر گرفتن هفت پارامتر تأثیرگذار است. برای هر پل موجود، محل پل، سیستم ساختاری، مواد و ADDT آن که از زیر و بالای پل عبور می کند، تعیین می شود در حالی که منبع اشتعال، نوع قابل احتراق و موقعیت آتش ناشناخته است. مدل پیشنهادی می تواند تمام سطوح آسیب ناشی از ورودی های مختلف ناشناخته را پیش بینی کند. پس از اطمینان از صحت

مطالعه موردی

کاربرد مدل بر روی طیف گسترده ای از پل ها در اتاوا، ON، کانادا مورد مطالعه قرار گرفت. بزرگراه 417 یک بزرگراه چهار خطه است که از غرب به شرق اتاوا می گذرد. اطلاعات مربوط به پل های اصلی این بزرگراه به مدل ANN وارد شد و آسیب پذیری آنها ارزیابی شد. همانطور که قبلا ذکر شد، برای هر پل، مکان پل، سیستم ساختاری، مواد و AADT آن مشخص است، در حالی که پارامترهای باقی مانده مربوط به حوادث آتش سوزی مانند منبع اشتعال، قابل احتراق است.

یک نرم افزار کاربر پسند توسعه دهید

ایجاد نرم‌افزاری که برای کاربران آسان باشد و یافته‌های یک شبکه عصبی مصنوعی را در خود بگنجاند، یک رویکرد مناسب برای استفاده از مزایای یادگیری ماشین در موقعیت‌های عملی است. نرم‌افزار مبتنی بر یادگیری ماشینی می‌تواند رابط کاربرپسندتری ارائه دهد و به کاربرانی که دانش گسترده‌ای از یادگیری ماشین ندارند، اجازه می‌دهد تا از قدرت آن استفاده کنند. رویکرد پیاده‌سازی عملی ML در مسائل واقعی، مهندسان را قادر می‌سازد تا نتایج دقیقی را از ANN به دست آورند

نتیجه گیری

توسعه یک مدل ANN که سطوح آسیب ناشی از آتش سوزی در پل ها را مشخص می کند با استفاده از 108 حادثه آتش سوزی پل جاده ای ایجاد شد. مدل ANN برای پیش‌بینی میزان آسیب یک پل در انواع سناریوهای آتش‌سوزی استفاده شد. پس از اعتبارسنجی مدل، 9180 آتش سوزی احتمالی پل آینده با استفاده از مدل مورد تجزیه و تحلیل قرار گرفت. با استفاده از سطوح خسارت پیش‌بینی‌شده، که نتایج مدل ANN بود، از شاخص میانگین وزنی خسارت (AWDI) و شاخص خسارت عمده (MDI) استفاده شد.