Prediction of Railway Energy Consumption in Turkey Using Artificial Neural Networks

Year 2022, , 72 - 84, 01.03.2022

Emre Kuşkapan , Merve Kayacı Çodur , Muhammed Yasin Çodur

https://doi.org/10.36306/konjes.935621

Cited By: 4

Abstract

A number of measures are being taken to protect the rapidly depleted energy resources around the world. The trend towards sustainable energy resources is increasing, especially in order to improve energy efficiency in transportation vehicles. In this study, the total energy consumption amounts of the railway vehicles were examined based on the line length, number of passengers and the amount of cargo in the last 43 years in our country. For 5 different models created by the artificial neural networks method, the amount of consumed energy and estimated energy amounts were compared using the correlation coefficients, R2, absolute error and absolute relative error criteria using Levenberg-Marquardt and Conjugate Gradient Descent algorithms. In the model 3, where the number of passengers and the amount of cargo were used as inputs, accuracy values and error criteria were better. According to the results obtained in the study, it was revealed that the amount of energy consumption is mostly related to the amount of load and then the number of passengers, and the change in line length and years is less effective. With the data obtained in this study, it will be possible to determine the amount of energy that can be spent by using the number of passengers planned to be transported on the railways in the future periods and the amount of cargo. Thanks to the determined amount of energy, a significant amount of savings can be achieved by focusing on sustainable energy resources.

Keywords

Energy consumption, Rail transport, Artificial neural networks

TÜRKİYE’DEKİ DEMİRYOLU ENERJİ TÜKETİMİNİN YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ

Abstract

Dünya genelinde hızla tükenen enerji kaynaklarını korumaya yönelik birtakım tedbirler alınmaktadır. Özellikle ulaşım araçlarında enerji verimliliğinin artırılması amacıyla sürdürülebilir enerji kaynaklarına yönelim giderek artmaktadır. Yapılan bu çalışmada ülkemizdeki demiryolu taşıtlarının son 43 yıldaki hat uzunluğu, yolcu sayısı ve yük miktarı değerleri esas alınarak toplam enerji tüketim miktarları incelenmiştir. Yapay sinir ağları yöntemi ile oluşturulan 5 farklı model için tükenen enerji miktarı ile tahmin edilen enerji miktarları korelasyon katsayıları, R2, mutlak hata ve mutlak bağıl hata ölçütleri Levenberg-Marquardt ve Conjugate Gradient Descent algoritmaları kullanılarak karşılaştırılmıştır. Girdi olarak yolcu sayısı ve yük miktarı alınan 3 numaralı modelin doğruluk değerleri ve hata ölçütleri daha iyi çıkmıştır. Çalışmada elde edilen sonuçlara göre enerji tüketim miktarının en çok yük miktarı daha sonra ise yolcu sayısı ile ilişkisi olduğu hat uzunluğu ve yıllardaki değişimin daha az etkili olduğu ortaya konmuştur. Bu çalışmada elde edilen veriler ile gelecek dönemlerdeki demiryollarında taşınması planlanan yolcu sayısı ve yük miktarı kullanılarak harcanabilecek enerji miktarı tespit edilebilecektir. Tespit edilen enerji miktarı sayesinde sürdürülebilir enerji kaynaklarına yönelim yapılarak önemli miktarda tasarruf sağlanabilecektir.

Keywords

Enerji tüketimi, Demiryolu ulaştırması, Yapay sinir ağları

References

• Acampora, G., Landi, C., Luiso, M., Pasquino, N., “Optimization of Energy Consumption in A Railway Traction System”, International Symposium on Power Electronics, Electrical Drives, Automation and Motion, Speedam, 1121-1126, May 2006.
• Arıkan, Y., Şen, T. A., Çam, E., 2020, “Raylı Araçlarda Enerji Verimliliği Çalışması”, El-Cezeri Journal of Science and Engineering , Cilt 7, Sayı 1, ss. 223-235.
• Bai, Y., Ho, T. K., Mao, B., Ding, Y., Chen, S., 2014, “Energy-efficient locomotive operation for Chinese mainline railways by fuzzy predictive control”, IEEE Transactions on Intelligent Transportation Systems, Cilt 15, Sayı 3, ss. 938-948.
• Bilski, J., Kowalczyk, B., Marchlewska, A., Zurada, J. M., 2020, “Local Levenberg-Marquardt Algorithm for Learning Feedforwad Neural Networks”, Journal of Artificial Intelligence and Soft Computing Research, Cilt 10, Sayı 4, ss. 299-316.
• Cansız, Ö. F., Ünsalan, K., 2019, “Demiryolu Yük Taşımacılığının Çok Türlü Rotalara Etkisinin Vaka Analizi ile İncelenmesi: Hatay-Van”, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Cilt 8, Sayı 3, ss. 921-931.
• Coiret, A., Vandanjon, P. O., Bosquet, R., Jullien, A., 2017, “Energy consumption induced by operation phase of railways and road infrastructures”, 2nd International Conference on Road and Rail Infrastructure, 693-699.
• Çırak, G., 2012, Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay sinir ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması, Yüksek Lisans Tezi, Ankara Üniversitesi Eğitim Bilimleri Enstitüsü, Ankara.
• Çodur, M. Y., Tortum, A., 2009, “Modelling Car Ownership in Turkey Using Neural Networks”, Proceedings of the Institution of Civil Engineers-Transport, Cilt 162, Sayı 2, ss. 97-106.
• Çodur, M. Y., Tortum, A., 2015, “An Artificial Neural Network Model for Highway Accident Prediction: A Case Study of Erzurum, Turkey”, Promet Traffic & Transportation, Cilt 27, Sayı 3, ss. 217-225.
• ÇŞB (Çevre Şehircilik Bakanlığı), Sektörlere Göre Toplam Enerji Tüketimi, https://cevreselgostergeler.csb.gov.tr/sektorlere-gore-toplam-enerji-tuketimi-i-85800, ziyaret tarihi: 20 Eylül 2021.
• Erdoğan, M., Kaya, İ., 2020, “A New Approach for Rule Estımatıon of Fuzzy Inference System: A Case Study for Public Transport Maintenance System”, Konya Mühendislik Bilimleri Dergisi, Cilt 8, Sayı 4, ss. 906-915.
• Fang, X., Xu, Y., Zhou, Z., 2011, “New Correlations of Single-Phase Friction Factor for Turbulent Pipe Flow and Evaluation of Existing Single-Phase Friction Factor Correlations”, Nuclear Engineering and Design, Cilt 241, Sayı 3, ss. 897-902.
• González-Gil, A., Palacin, R., Batty, P., Powell, J. P., 2014, “A Systems Approach to Reduce Urban Rail Energy Consumption”, Energy Conversion and Management, Cilt 80, ss. 509-524.
• Haykin, S., 1999, “Neural Networks – A Comprehensive Foundation”, Prentice Hall, 2. Edition, New Jersey. He, J.C., Wu, W.H., Xu Y.Q., 2010, “Energy consumption of locomotives in China railways during 1975–2007”, Journal of Transport Systems Engineering and Information Technology, Cilt 10, ss. 22–7.
• Jalalı, G. Z. M., Nourı, R. E., 2008, “Prediction of Municipal Solid Waste Generation by Use of Artificial Neural Network: A Case Study of Mashhad”, International Journal of Environmental Research, Cilt 2, Sayı 1, ss. 13-22.
• Jong, J. C., Chang, E. F., 2005, “Models for Estimating Energy Consumption of Electric Trains”, Journal of the Eastern Asia Society for Transportation Studies, Cilt 6, ss. 278-291.
• Kavuran, G., Ateş, A., Alagoz, B.B., Yeroğlu, C., 2017, “An Experimental Study on Model Reference Adaptive Control of TRMS by Error-Modified Fractional Order MIT Rule”, Control Engineering and Applied Informatics, Cilt 19, Sayı 4, ss. 101–111.
• Kavuran, G., 2020, “Uyarlanabilir Onaylaşım Algoritması Tabanlı Senkronize Duffing Osilatörünün Donanımsal Gerçeklemesi”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt 32, Sayı 1, ss. 57-67.
• Kuşkapan, E., Çodur, M. Y., 2021, “Examination of Aircraft Accidents That Occurred in the Last 20 Years in the World”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt 9, Sayı 1, ss. 174-188.
• Liu, R. R., Golovitcher, I. M., 2003, “Energy-efficient Operation of Rail Vehicles”, Transportation Research Part A: Policy and Practice, Cilt 37, Sayı 10, ss. 917-932.
• Qi, J., Du, J., Siniscalchi, S. M., Ma, X., Lee, C. H., 2020, “On Mean Absolute Error for Deep Neural Network Based Vector-to-Vector Regression”, IEEE Signal Processing Letters, Cilt 27, ss. 1485-1489.
• Ren, J., Zhang, Q., Liu, F., 2020, “Analysis of factors affecting traction energy consumption of electric multiple unit trains based on data mining”, Journal of Cleaner Production, Cilt 262, 121374.
• Sakin, R., 2019, Ulaştırma Sistemlerinde Enerji Analizi Parametrelerinin Tahmin Edilmesi, Yüksek Lisans Tezi, İskenderun Teknik Üniversitesi Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
• Solak, A. O., 2013, “Türkiye'de Ulaştırma Sektörü Enerji Tüketiminin Azaltılması: Bir Senaryo Yaklaşımı”, International Journal of Economic & Social Research, Cilt 9, Sayı 1, ss. 125-141.
• TCDD, Faaliyet Raporu, https://www.tcddtasimacilik.gov.tr/uploads/images/Strateji/TCDD-Tasimacilik-2019-Faaliyet-Raporu.pdf, ziyaret tarihi: 17 Şubat 2021.
• Veri Bilimi Okulu, Yapay Sinir Ağı (Artificial Neural Network) Nedir? https://www.veribilimiokulu.com/yapay-sinir-agiartificial-neural-network-nedir/, ziyaret tarihi: 26 Şubat 2021.
• Wang, Y. F., Li, K. P., Xu, X. M., Zhang, Y. R., 2014, “Transport Energy Consumption and Saving in China”, Renewable and Sustainable Energy Reviews, Cilt 29, ss. 641-655.
• Wei, Y., Zhao, M. M., Hong, M., Zhao, M. J., Lei, M., 2020, “Learned Conjugate Gradient Descent Network for Massive MIMO Detection”, IEEE Transactions on Signal Processing, Cilt 68, ss. 6336-6349.
• Zhang, H., Jia, L., Wang, L., Xu, X., 2019, “Energy Consumption Optimization of Train Operation for Railway Systems: Algorithm Development and Real-World Case Study”, Journal of Cleaner Production, Cilt 214, ss. 1024-1037.
• Zhao, N., Roberts, C., Hillmansen, S., Tian, Z., Weston, P., Chen, L., 2017, “An Integrated Metro Operation Optimization to Minimize Energy Consumption”, Transportation Research Part C: Emerging Technologies, Cilt 75, ss. 168-182.