Avanços em Engenharia Automobilística
Acesso livre

Abstrato

Análise de um acidente de trânsito na Turquia

Yilmaz AC, Cigdem AC e Aydin K

A Lei de Trânsito Rodoviário Turco nº 2918 tem sido a legislação de referência para acidentes de trânsito na Turquia desde 1983. Embora essa lei consista em várias explicações e definições, ela ainda tem deficiências, especialmente na definição de taxas de falhas que são vitais para análises de acidentes de trânsito. Especialistas em acidentes determinam taxas de falhas principalmente de acordo com suas iniciativas, sem conduzir análises científicas sobre acidentes devido a instruções quantitativas inadequadas sobre taxas de falhas na lei. As análises de velocidade de envolvimentos em acidentes desempenham um papel importante nas investigações de acidentes. Um parâmetro mais abrangente, Velocidade Equivalente de Energia, pode ser definido para explicar a dissipação e a gravidade da energia de deformação e quantidades de esmagamento formadas em veículos, o que também dá dicas sobre taxas de falhas. Neste estudo, dados acessíveis foram coletados de uma cena de acidente de amostra (relatórios policiais, marcas de derrapagem, situações de deformação, profundidades de esmagamento etc.) e usados ​​como entradas para um software de reconstrução de acidentes chamado "vCrash", que é capaz de simular a cena do acidente em 2D e 3D. Os cálculos de velocidade equivalente de energia foram obtidos usando 784 parâmetros com um erro de previsão. Modelos de Rede Neural de Feed Forward Multicamadas e Rede Neural de Regressão Generalizada foram utilizados para estimar velocidades equivalentes de energia (velocidades imediatamente antes da colisão, ou seja, em caso de ausência de marcas de derrapagem) com base no uso desses parâmetros como dados de ensino para os modelos. O objetivo era que, ao se beneficiar desses métodos de rede neural, a necessidade de usar softwares de simulação caros para prováveis ​​acidentes no futuro pudesse ser evitada. Para observar o desempenho dos modelos de rede neural, o erro padrão das estimativas (erro quadrático médio) e múltiplos coeficientes de correlação também foram analisados ​​usando validação cruzada de 5 vezes no conjunto de dados. Foi observado que, em geral, o modelo de Rede Neural de Feed Forward Multicamadas produziu melhores resultados para análises de velocidade equivalente de energia e taxa de falhas. Com base nos resultados da simulação (velocidades e deformações equivalentes de energia) e na suposição de uma escala de taxa de falhas, as taxas de falhas foram estimadas em modelos de previsão assumindo a correspondência de cada incremento predeterminado na velocidade equivalente de energia de envolvimento específico a um incremento específico na taxa de falhas do mesmo envolvimento para apresentar uma abordagem científica e sistemática e compensar deficiências no ato.