دانلود رایگان ترجمه مقاله چارچوب ارزیابی ریسک برای حمل و نقل مواد خطرناک در بزرگراه – IEEE 2014

دانلود رایگان مقاله انگلیسی یک چارچوب ارزیابی خطر برای حمل و نقل مواد خطرناک در بزرگراه ها توسط شبکه های پتری رنگی به همراه ترجمه فارسی

 

عنوان فارسی مقاله یک چارچوب ارزیابی خطر برای حمل و نقل مواد خطرناک در بزرگراه ها توسط شبکه های پتری رنگی
عنوان انگلیسی مقاله A Risk Assessment Framework for Hazmat Transportation in Highways by Colored Petri Nets
رشته های مرتبط  مهندسی عمران و مهندسی صنایع، مهندسی راه و ترابری، برنامه ریزی حمل و نقل، بهینه سازی سیستم ها و برنامه ریزی و تحلیل سیستم ها
کلمات کلیدی شبکه های پتری رنگی (CPN)، سیستم پشتیبان تصمیم گیری(DSS)، حمل و نقل مواد خطرناک، شبیه سازی
فرمت مقالات رایگان

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
نشریه آی تریپل ای – IEEE
مجله یافته ها در حوزه سیستم ها، انسان ها و سایبرنتیک – TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS
سال انتشار ۲۰۱۴
کد محصول F541

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

  

فهرست مقاله:

چکیده

مقدمه

معماری DSS

ارزیابی خطر وDM

الف: مشخصات RAM

ب: ارزیابی خطر حمل و نقل مواد خطرناک توسط شبیه سازی

پ: مشخصات DM

۴-SM

الف-پیش زمینه ای در خصوص CTPN

ب: مدل شبکه بزرگراه

مدل تصادف

۵-نمونه DSS

مشخصات SM

ب: شبیه سازی و کاربرد DMs

۶-نتیجه گیری

 

بخشی از ترجمه فارسی مقاله:

۱- مقدمه
مدیریت حمل و نقل مواد خطرناک در جاده ها، توجه روز افزونی را توسط محققان در سال های اخیر به خود جلب کرده است. در واقع، حمل و نقل مواد خطرناک به طور بالقوه اشاره به ریسک های بالا بسته به ماهیت ماده خطرناک حمل شده و رخداد های فیزیوشیمیایی مربوط به این مواد، محل زندگی و تراکم افراد تحت تاثیر، ویژگی ها و وضعیت جاده ها، تراکم ترافیک و شرایط زیست محیطی دارد. کاهش خطر حمل و نقل مستلزم اجرا و پیاده سازی طیف وسیعی از ابزار های سیاسی نظیر تیم های (تخصصی) پاسخ اضطراری حوادث مربوط به مواد خطرناک(۲۹) می باشد. به علاوه، هدف برخی از اقدامات امنیت حمل و نقل کاهش اثرات و عواقب نامطلوب احتمالی حوادث در بر گیرنده اتتشار کالاهای خطرناک در طی حمل و نقل است(۴-۲۶-۳۰). در این شرایط، تصمیم گیران و نهاد های مختلف در مسائل تصمیم گیری نقش دارند که می توان آن ها را از نظر بخش های کنترلی و برنامه ریزی طبقه بندی کرد(۲۱). مسائل برنامه ریزی اشاره به تصمیمات بلند مدت( طراحی مسیر، تخصیص منابع)دارد که در آن نیازی به اطلاعات در زمان واقعی نیست.
از سوی دیگر، مسائل کنترل مربوط به تصمیمات کوتاه مدت/ یا زمان واقعی(مسیر یابی وسایل نقلیه، عملیات اورژانس، روش های احیا پس از حادثه) می باشد که نیازمند مدل های دینامیک و اطلاعات زمان واقعی است.
تحقیقات در زمینه مسائل برنامه ریزی بر دو مسئله اصلی متمرکز هستند(۲۹): ۱- ارزیابی خطر ایجاد شده بر روی جمعیت از طریق ترابری و حمل و نقل مواد خطرناک در شبکه جاده ای(۱۰-۱۱)، و ۲- شناسایی مسیر هایی که خطر حمل و نقل جاده ای را به حداقل برساند(۴-۷). یک شاخص رایج، تعداد افرادی است که در یک فاصله آستانه از مسیر های مورد استفاده توسط کامیون های حمل و نقل مواد خطرناک زندگی می کنند. یک مدل پیشنهادی توسط باتا و چیو(۳) بر مواجهه بر خطر تاکید می کند تا بر وقوع حادثه. هم چنین، چندین محقق احتمال وقوع حادثه را به عنوان یک شاخص خطر مطرح کرده اند(۱-۱۲-۲۵).
کارا و ورتر(۱۵) در خصوص دومین مسئله تحقیقاتی، یک مدل برنامه نویسی دو سطحی را برای مسئله طراحی یک شبکه جاده ای برای حمل و نقل مواد خطرناک پیشنهاد می کنند. به علاوه، ارکوت و گزرا(۱۰) یک نسخه دو منظوره( کمینه سازی هزینه و ریسک) مسئله طراحی شبکه را در نظر گرفته اند. ورتر و کارا(۲۹) یک فرمول مبتنی بر مسیر را برای مسئله طراحی شبکه حمل و نقل مواد خطرناک ارایه کرده اند. تغییرات گزینه های مسیر یابی موجود در مدل برای هر محموله می تواند تولید راه حل های جایگزین برای مسئله طراحی شبکه کند. به علاوه، ورتر و گندو(۲۸) بر مسئله برنامه ریزی تاکتیکی یک شرکت راه آهن که به طور مرتب مقدار معینی از محموله های ترکیبی( یعنی محموله های خطرناک و غیر خطرناک) در یک شبکه راه آهن را جا به جا میکند،تاکید می کند.
تعداد کمی از مطالعات در خصوص مسائل مدیریتی و کاربردی حمل و نقل مواد خطرناک انجام شده اند. به طور ویژه، مینکیاردی و رابا(۲۱) یک معماری تصمیم گیری عمومی را برای مدیریت ناوگان های حمل و نقل حامل مواد خطرناک ارایه کردند. این راه حل،وجود تصمیم گیران مختلف را با هدف کاهش هزینه های اقتصادی و کاهش خطر برای وسایل نقلیه و زیر ساخت ها در نظر می گیرد. به علاوه، سنترونو همکاران(۸)یک مدل بزرگراه پویا را در چارپوب شبکه پتری رنگی(CPN) ارایه می کنند که امکان تجزیه تحلیل خطرات حمل و نقل مواد خطرناک را در مسیر های مختلف و در زمان واقعی می دهد.
این مقاله یک سیستم پشتیبانی تصمیم(DSS) مورد استفاده توسط برنامه ریزان بزرگراه برای پایش و کنترل وسایل نقلیه حامل مواد خطرناک و حل دو مسئله عملیاتی را ارایه می کند.۱- ارزیابی خطر ایجاد شده بر روی جمعیت از طریق جا به جایی وسایل نقلیه جا به جا شده در بزرگراه ها و ۲- انتخاب روش های احیای بهینه و مسیر های وسایل نقلیه سنگین(HV) پس از یک حادثه.
یک فرایند تصمیم گیری برای انتخاب بهترین گزینه از یک مجموعه از گزینه های محتمل در هر یک از فرایند ها و وظایف انسانی ممکن وجود دارد(۲۳). از آن جا که تعاریف مختلفی برای DSS وجود دارد، طیف وسیعی از طبقه بندی ها برای انواع مختلف DSS ها مطرح شده است. بر طبق گفته پاور(۲۴)، DSS را می توان به پنج مقوله طبقه بندی کرد.
۱- مبتنی بر ارتباطات: تاکید اصلی بر ارتباط و همکاری یک گروه از تصمیم گیران است
۲- مبتنی بر داده:DSS به طور گسترده از دیتابیس ها استفاده کرده، حجم زیادی از داده ها را پردازش کرده و از کوئری ها( پرس و جو ها) و روش های پیشرفته نظیر پردازش تحلیلی آنلاین بهره می برد.
۳- مبتنی بر سند:DSS عمدتا در سیستم های مدیریت و بازیابی دانش استفاده می شود.
۴- مبتنی بر دانش:DSS از هوش مصنوعی و قوانین تصمیم گیری خودکار استفاده کرده و موسوم به سیستم های خبره نیز می باشد
۵- مبتنی بر مدل:DSS تاکید ویژه ای بر مدل هاری ریاضی، شبیه سازی ها و فنون بهینه سازی مورد استفاده برای بهینه سازی عملکرد و اهداف دارد.
DSS پیشنهادی در یک چارچوب مبتنی بر مدل طراحی شده و متشکل از سه مولفه است: مولفه داده(DC)، مولفه مدل(MC) و مولفه رابط کاربری(UIC).DC همه اطلاعات مورد نیاز را برای اجرای DSS ذخیره می کند، UIC امکان تعامل موثر کاربر را با سیستم واقعی می دهد. به علاوه، MC در بر گیرنده همه مدل ها، الگوریتم ها، قوانین و دانش مورد نیاز برای ارایه پشتیبان تصمیم گیری به کاربران است
در DSS ارایه شده، MC متشکل از سه ماژول است:: ماژول ارزیابی خطر(RAM)، ماژول شبیه سازی(SM) و ماژول تصمیم(DM). به طور اخص، ما دو ماژول اصلی MC را تعیین می کنیم:RAM و SM.RAM، خطر اجتماعی حمل و نقل مواد خطرناک را بر روی بزرگ راه ها با استفاده از داده های حاصل از ابزار های فناوری اطلاعات و ارتباطات(ICT) در زمان واقعی ارزیابی می کند. خطر اجتماعی به صورت خطر مواجهه افراد با تصادفات و سوانح همراه با انتشار مواد خطرناک تعریف می شود. به علاوه،هدفSM، تحلیل خطر حمل و نقل مواد خطرناک و پیش بینی بخش هایی از بزرگراه است که در آن ها احتمال وقوع خطر بالا است. در واقع، مطالعات شبیه سازی از حوزه های مفید برای تصمیم گیری و ارزیابی در خصوص اجرای برنامه های سیستم های پشتیبان تصمیم گیری هستند(۵-۲۲). در DSS ارایه شده، SM بر اساس یک مدل شبکه پتری رنگی مدولار و زمان بندی شده(CTPN) شبکه بزرگراه بوده و شامل مدل های تصادف و شیوه های احیاء و امداد پس از تصادف است. از این روی، DSS را می توان برای پیشنهاد ایمن ترین مسیر ها به وسایل نقلیه حامل مواد خطرناک و نیز انتخاب بهترین سیاست های امداد و نجات تصادف با توجه به تعداد افراد دخیل و خطراجتماعی ارزیابی شده ، مورد استفاده قرار داد.
به منظور نشان دادن اثر بخشی و قابلیت اجرای DSS، ما یک الگویی را برای ارزیابی خطر مربوط به انتقال مواد خطرناک در یک بزرگراه A4 در شمال شرق ایتالیا ارایه می کنیم. با فرض این که یک تصادف یا سانحه در یک خط ویژه از بزرگراه اتفاق می افتد، ما اقدام به ارزیابی و مقایسه خطر در خطوط مختلف با استفاده از راهبرد های مختلف کاهش جریان ترافیک طبیعی جاده ها می کنیم.
ادامه این مقاله به صورت زیر سازمان دهی شده است: بخش دوم به توصیف معماری و ساختار DSS می پردازد. به علاوه، بخش سوم، به توصیف ارزیابی ریسک پیشنهادی و DM ها می پردازد. بخش چهارم SM توصیف شده در چارپوب CTPN را ارایه کرده و بخش پنجم یک نمونه DSS به کاربرده شده در مطالعه موردی را نشان می دهد. در نهایت، بخش ششم ، شامل نتیجه گیری است.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

THE management of hazardous material (hazmat) transportation on road has attracted a growing attention by researchers in recent years. Indeed, hazmat transportation implies potentially high risks depending upon the nature of the hazmat carried and the physiochemical events associated with these materials, the localization and density of the affected subjects, the characteristics and state of roads, the density of the traffic, and the environmental conditions. Mitigation of transport risk requires the implementation of a variety of policy tools such as specializing in hazmat incidents emergency response teams [29]. Moreover, a number of transport safety measures aim at reducing the possible undesirable consequences of incidents involving accidental release of dangerous goods during transportation [4], [26], [30]. In this context, different decision makers and actors are involved in decision problems that can be seen under planning or control viewpoints [21]. Planning problems refer to long-term decisions (route design, resource allocation), in which there is no need of information in real time. On the other hand, control problems are related to the short term and/or real time decisions (routing of vehicles, emergency operations, restoration procedures after an accident) that need real-time information and dynamic models. Research in the area of planning problems focuses on two main issues [29]: 1) assessing the risk induced on the population by hazmat transportation traveling on the road network [10], [11] and 2) identifying the route that minimizes transport risk [4], [7]. A popular measure is the number of people living within a threshold distance from the routes used by hazmat trucks. A model suggested by Batta and Chiu [3] emphasizes exposure to hazmats rather than the occurrence of an accident. Alternatively, incident probability is suggested as a risk measure by several authors [1], [12], [25]. For the second research issue, Kara and Verter [15] propose a bi-level programming model for the problem of designing a road network for hazmat transportation. Moreover, Erkut and Gzara [10] consider a bi-objective (cost and risk-minimization) version of the network design problem. Verter and Kara [29] provide a path-based formulation for the hazmat transport network design problem. Varying the routing options included in the model for each shipment can generate alternative solutions to the network design problem. In addition, Verter and Gendreau [28] focus on the tactical planning problem of a railroad company that regularly transports a predetermined amount of mixed freight (i.e., nonhazardous and hazardous cargo) across a railroad network. Few contributions are relevant to the operational management problem for hazmat transportation. In particular, Minciardi and Robba [21] proposed a generic decision architecture for the management of vehicle fleets that transport hazmat. The solution takes into account the presence of different decision makers with the objective of the reduction of economic costs and the containment of risk for vehicles and infrastructures. Moreover, Centrone et al. [8] present a dynamic freeway model in a colored Petri net (CPN) framework that allows analyzing in real-time the risk of hazmat transportation in different routes. This paper presents a decision support system (DSS) to be used by the highway planners for monitoring and controlling vehicles transporting hazmat and solving two operational problems: 1) assessing the risk induced on the population by hazmat vehicles traveling on highways and 2) selecting the optimal restoring procedures and routes of the heavy vehicles (HVs) after an accident. A decision-making process to choose the best option from a feasible set is present in just about every conceivable human task [23]. As there are various definitions for what a DSS is, there are various classifications for the different types of DSSs. According to Power [24], DSSs can be divided into five main categories. 1) Communication-Based: Emphasis is given to the communication and collaboration of a group of decision makers. 2) Data-Based: The DSS makes extensive use of databases, processes large amounts of data, uses queries and advanced methods, such as on line analytical processing. 3) Document-Based: The DSS is mainly used in knowledge management and retrieval systems. 4) Knowledge-Based: The DSS makes use of artificial intelligence and rules for automated decision making, and are also called expert systems. 5) Model-Based: The DSS gives major emphasis on mathematical models, simulations and optimization techniques that are used to optimize performances and objectives. The proposed DSS is designed in a model-based framework and consists of three components: the data component (DC), the model component (MC) and the user Interface Component (UIC). The DC stores all information needed for the DSS to operate; the UIC allows the effective interaction of the user with the real system. Moreover, the MC contains all the models, algorithms, rules, and knowledge that are needed to provide decision support to users. In the presented DSS, the MC consists of three modules: the risk assessment module (RAM), the simulation module (SM) and the decision module (DM). In particular, we specify the two main modules of the MC: the RAM and the SM. The RAM assesses in real time the social risk of transporting hazmat on the highways, by using the data coming from information and communication technology (ICT) tools. The social risk is defined as the risk of people that can be exposed to the consequences of an accident with hazmat release. Moreover, the SM is devoted to analyze the risk of hazmat transportation and to forecast the highway stretches where the risk can be high. Indeed, the simulation studies have proved to be useful domains for making decisions and assessing DSS implementations [5], [22]. In the presented DSS, the SM is based on a modular colored timed Petri net (CTPN) model of the highway network and includes the model of the accident and the restoration procedure after the accident. Hence, the DSS can be employed to suggest to hazmat transporters the safest route and to choose the best accident restoration policy with respect to the number of involved people and the evaluated social risk. In order to show the effectiveness and the applicability of the DSS, we show a prototype implementation devoted to evaluate the risk related to the transit of hazmat in a stretch of the A4 highway in the North-east of Italy. Assuming that an accident occurs in a particular link of the highway, we evaluate and compare the risk in the links by applying different strategies to restore the normal traffic flow. The remainder of this paper is organized as follows. Section II describes the DSS architecture. Moreover, Section III describes the proposed risk assessment and DMs. Section IV presents the SM described in a CTPN framework and Section V shows a DSS prototype applied to a case study. Finally, Section VI reports the conclusion.