Kentlerin sürdürülebilir ulaşım hedeflerinde raylı sistemlerin önemi giderek artıyor. Otomobil ve hava yolu taşımacılığına kıyasla daha düşük çevresel etkiye sahip olan demiryolu ağlarında, enerji verimliliği ve işletme maliyetleri kritik başlıklar arasında yer alıyor. Sophia Üniversitesi Mühendislik ve Uygulamalı Bilimler Bölümü’nden Profesör Masafumi Miyatake ve Mingyu Lyu liderliğindeki ekip, tren kontrol sistemleri için öğrenme tabanlı yeni bir yapay zeka modeli geliştirdi. IEEE Access dergisinde yayımlanan çalışmada, “Tekrarlayan Yumuşak Aktör-Eleştirmen” adı verilen RSAC algoritmasının başarıyla test edildiği açıklandı.
TREN KONTROLÜNDE PEKİŞTİRMELİ ÖĞRENME
Demiryolu işletmeciliğinde trenlerin hızlanma, yavaşlama ve frenleme süreçleri birçok değişkene bağlı olarak yönetiliyor. Tren ataleti, frenleme gecikmeleri, hat koşulları ve çekiş tepkileri, kontrol sistemleri için önemli teknik zorluklar oluşturuyor. Araştırmacılar, geliştirdikleri RSAC algoritmasıyla tren kontrol sisteminin yalnızca anlık verileri değil, geçmiş sürüş davranışlarını da dikkate almasını sağladı. Bu yapı, sistemin zamana bağlı ilişkileri daha iyi analiz etmesine ve değişken koşullarda daha dengeli kararlar almasına imkan tanıyor.
GEÇMİŞ SÜRÜŞ VERİLERİNİ HAFIZADA TUTUYOR
RSAC algoritması, tekrarlayan sinir ağı yapısı sayesinde geçmiş sürüş modellerinden yararlanıyor. Sistem, çekiş tepki gecikmeleri, frenleme geçmişi ve atalet etkileri gibi unsurları analiz ederek trenin kontrol komutlarını buna göre belirliyor. Araştırmacılara göre model, önce uzman sürücülerin davranışlarını taklit ederek eğitiliyor. Daha sonra kendi performansını optimize eden otonom bir kontrol yapısına geçiyor.
GÜVENLİK FİLTRESİYLE KONTROL EDİLİYOR
Otonom tren kontrolünde en kritik başlıklardan biri güvenlik. Araştırmacılar, yapay zeka tarafından üretilen komutların güvenli sınırlar içinde kalması için sisteme bir güvenlik filtresi ekledi. Bu filtre, hat hızı sınırları ve frenleme uygulanabilirliği gibi parametreleri sürekli kontrol ediyor. Böylece sistemin alışılmadık veya riskli koşullarda da standart operasyonel kısıtlamalar içinde kalması hedefleniyor.
ENERJİ TÜKETİMİNDE OPTİMİZASYON HEDEFİ
Araştırma kapsamında yapılan simülasyonlarda, RSAC algoritmasının yaygın otonom eğitim algoritmalarına kıyasla daha hızlı öğrendiği ve daha istikrarlı sonuçlar verdiği görüldü. Model, DDPG, PPO, TD3 ve SAC gibi algoritmalarla karşılaştırıldı. Testlerde RSAC’nin tren kontrolünde daha kararlı performans sergilediği belirtildi. Araştırmacılar, sistemin dinamik programlama ile hesaplanan teorik minimum enerji tüketimine yakın sonuçlar üretebildiğini ifade etti.
BAKIM MALİYETLERİNİ AZALTABİLİR
Yeni modelin sağladığı daha istikrarlı hız kontrolü, frenleme ve çekiş sistemlerinde aşınmayı azaltma potansiyeli taşıyor. Bu durum, uzun vadede bakım maliyetlerinin düşürülmesine katkı sağlayabilir. Enerji tüketiminin azalması ve mekanik sistemlerin daha dengeli kullanılması, şehir içi demiryolu işletmeleri için operasyonel verimliliği artırabilecek başlıklar arasında yer alıyor.
AKILLI ŞEHİRLER İÇİN YENİ KONTROL YAKLAŞIMI
Yapay zeka destekli tren kontrol sistemleri, geleceğin akıllı şehirlerinde daha güvenli, verimli ve düşük karbonlu ulaşım ağları için önemli bir araç olarak değerlendiriliyor. Sophia Üniversitesi ekibinin geliştirdiği RSAC algoritması, raylı sistemlerde enerji verimliliği, güvenlik ve işletme istikrarını aynı anda hedefleyen yeni bir kontrol yaklaşımı sunuyor. Çalışma, demiryolu sistemlerinin sürdürülebilir kent ulaşımında daha etkin kullanılması için yapay zeka tabanlı çözümlerin önemini ortaya koyuyor.
