Avances en Ingeniería del Automóvil
Acceso abierto

abstracto

Análisis de un Accidente de Tránsito en Turquía

Yilmaz AC, Cigdem AC y Aydin K

No.2918 La Ley Turca de Tránsito en Carreteras ha sido la legislación de referencia para los accidentes de tránsito en Turquía desde 1983. Aunque esta ley consta de varias explicaciones y definiciones, todavía tiene deficiencias, especialmente en la definición índices de fallas que son vitales para los análisis de accidentes de tráfico. Los expertos en accidentes determinan las tasas de falla en su mayoría de acuerdo con sus iniciativas sin realizar análisis científicos sobre los accidentes debido a instrucciones cuantitativas inadecuadas sobre las tasas de falla en el acto. Los análisis de velocidad de las implicaciones de accidentes juegan un papel importante en las investigaciones de accidentes. Se puede definir un parámetro más completo, la velocidad equivalente de energía, para explicar la disipación y la gravedad de la energía de deformación y las cantidades de aplastamiento formadas en los vehículos que también dan pistas sobre las tasas de fallas. En este estudio, se recopilaron datos accesibles de una escena de accidente de muestra (informes policiales, marcas de derrape, situaciones de deformación, profundidades de aplastamiento, etc.) y se usaron como entradas para un software de reconstrucción de accidentes llamado “vCrash” que es capaz de simular la escena del accidente en 2D y 3D. Los cálculos de velocidad de energía equivalente se lograron utilizando 784 parámetros con un error de predicción. Se utilizaron modelos de red neuronal de alimentación directa multicapa y de red neuronal de regresión generalizada para estimar las velocidades equivalentes de energía (velocidades justo antes de la colisión, es decir, en caso de ausencia de marcas de derrape) en función del uso de estos parámetros como datos didácticos para los modelos. El objetivo era que, al beneficiarse de estos métodos de redes neuronales, se evitara la necesidad de utilizar costosos softwares de simulación para accidentes probables en el futuro. Para observar el rendimiento de los modelos de redes neuronales, también se analizaron el error estándar de las estimaciones (error cuadrático medio) y los coeficientes de correlación múltiple utilizando una validación cruzada de 5 veces en el conjunto de datos. Se observó que, en general, el modelo de red neuronal de avance de múltiples capas arrojó mejores resultados para los análisis de velocidad de energía equivalente y tasa de fallas. Con base en los resultados de la simulación (velocidades y deformaciones equivalentes de energía) y la suposición de una escala de tasa de falla, las tasas de falla se estimaron en modelos de predicción asumiendo la correspondencia de cada incremento predeterminado en la velocidad equivalente de energía de participación específica con un incremento específico en la tasa de falla del mismo participación para proponer un enfoque científico y sistemático y compensar las deficiencias en el acto.