Теоретичне підґрунтя вибору нових локомотивів для України у післявоєнний час

Автор(и)

DOI:

https://doi.org/10.32703/2617-9059-2023-42-3

Ключові слова:

рухомий склад, дизельний локомотив, транспортна система, метод Saaty, штучна нейронна мережа.

Анотація

У випадку з дослідженням перспективних локомотивів ми маємо справу зі складним заходом – «вибір локомотива для впровадження». Для ефективного вирішення цієї проблеми пропонується розкласти цю подію. Тому метою даної роботи є розробка методології моделювання процесу оцінки за об’єктивними критеріями різних варіантів нового тягового рухомого складу. Метод Saaty був удосконалений шляхом перетворення ієрархії в штучну нейронну мережу. Навчання цієї мережі відбувається автоматично при аналізі матриць попарних порівнянь, а на виході маємо узагальнений критерій – рейтинг локомотива R, значення якого змінюється від 0 (найгірший показник) до 1. Це дозволило, на відміну від існуючого підходу, не порівнювати локомотиви шляхом складання матриці порівнянь на останньому етапі. Натомість складено матрицю порівнянь найважливіших критеріїв, за якими оцінюється тяговий рухомий склад. Розроблений метод має можливість підтримувати різні стратегії функціонування локомотивного парку. Це реалізується на етапі складання матриці порівняння критеріїв другого рівня. Залежно від завдань, які стоять перед залізницею, також можна регулювати ступінь переваги одного критерію над іншим. Це забезпечує ще більшу гнучкість використання запропонованого методу.

Посилання

Theodoridis, S., Koutroumbas, K. (2009) Pattern Recognition. Pattern Recognition, 961 p. https://doi.org/10.1016/B978-

-59749-272-0.X0001-2.

Wang, C., Hill, D.J. (2018) Deterministic learning theory for identification, recognition, and control Deterministic

Learning Theory for Identification, Recognition, and Control, pp. 1-197. https://doi.org/10.1201/9781315221755.

Braga-Neto, U. (2020) Fundamentals of Pattern Recognition and Machine Learning, pp. 1-357.

https://doi.org/10.1007/978-3-030-27656-0.

Gorobchenko, O., Nevedrov, O. (2020) Development of the structure of an intelligent locomotive DSS and assessment of its effectiveness Archives of Transport, 56 (4), pp. 47-58. https://doi.org/10.5604/01.3001.0014.5517.

Alanis, A.Y., Arana-Daniel, N., López-Franco, C. (2019) Artificial Neural Networks for Engineering Applications Artificial Neural Networks for Engineering Applications, pp. 1-157. https://doi.org/10.1016/C2018-0-01649-7.

Popov, K., De Bold, R., Chai, H. K., Forde, M. C., Ho, C. L., Hyslip, J. P., ... & Hsu, S. S. (2022). Big-data driven assessment of railway track and maintenance efficiency using Artificial Neural Networks. Construction and Building Materials, 349. https://doi.org/10.1016/j.conbuildmat.2022.128786.

Tyagi, A.K., Abraham, A. (2022) Recurrent Neural Networks: Concepts and Applications Recurrent Neural Networks: Concepts and Applications. https://doi.org/10.1201/9781003307822.

Gorobchenko, O., & Tkachenko, V. (2019). Statistical analysis of locomotives traction motors performance. In MATEC Web of Conferences (Vol. 287, p. 04002). EDP Sciences.

De Felice, F., Petrillo, A., & Saaty, T. (Eds.). (2016). Applications and Theory of Analytic Hierarchy Process: Decision Making for Strategic Decisions. BoD–Books on Demand.

Cunha, J., Reis, V., Teixeira, P. (2022) Development of an agent-based model for railway infrastructure project appraisal Transportation, 49 (6), pp. 1649-1681 https://doi.org/10.1007/s11116-021-10223-2.

Arencibia, A.I., Feo-Valero, M., García-Menéndez, L., Román, C. Modelling mode choice for freight transport using advanced choice experiments (2015) Transportation Research Part A: Policy and Practice, 75, pp. 252-267. https://doi.org/10.1016/j.tra.2015.03.027.

Slobodyanyuk, M., Gorobchenko, O. (2020) Structural analysis of territorial transport systems based on classification methods Eastern-European Journal of Enterprise Technologies, 1 (4-103), pp. 23-32

Lane, J. N., Teplitskiy, M., Gray, G., Ranu, H., Menietti, M., Guinan, E. C., & Lakhani, K. R. (2020). When Do Experts Listen to Other Experts?: The Role of Negative Information in Expert Evaluations for Novel Projects. Harvard Business School

https://zakon.rada.gov.ua/laws/show/262-96-%D0%BF#Text

Spiryagin, M., Yoo, H. H., Lee, K. S., Spiryagin, V., & Gorbunov, M. (2013). Investigation of influence of constraints with radius links on locomotive axle load distribution and wheelset steering ability. Journal of Mechanical Science and Technology, 27, 1903-1913.

Stofkova, J., Krejnus, M., Stofkova, K.R., Malega, P., Binasova, V. (2022) Use of the Analytic Hierarchy Process and Selected Methods in the Managerial Decision-Making Process in the Context of Sustainable Development Sustainability (Switzerland), 14 (18). https://doi.org/10.3390/su141811546.

Vermesan, O., Nava, M.D., Debaillie, B. Embedded Artificial Intelligence: Devices, Embedded Systems, and Industrial Applications (2022) Embedded Artificial Intelligence: Devices, Embedded Systems, and Industrial Applications, pp. 1-118.

##submission.downloads##

Опубліковано

2023-12-12 — Оновлено 2023-12-19

Версії

Як цитувати

Gorobchenko, O., Matsiuk, V., Holub, H., Zaika, D., & Gritsuk, I. (2023). Теоретичне підґрунтя вибору нових локомотивів для України у післявоєнний час. Транспортні системи і технології, (42), 34–44. https://doi.org/10.32703/2617-9059-2023-42-3 (Original work published 12, Грудень 2023)

Номер

Розділ

Техніка і технології

Статті цього автора (авторів), які найбільше читають

1 2 > >>