Note ABES Contributions to risk modeling and analysis at railway level crossings Contributions à la modélisation et l'analyse de risque aux passages à niveau Automobilistes -- Comportement Motorist behavior 625.16 Passages à niveau Accidents Prévision Chemins de fer Évaluation du risque Sécurité ferroviaire Analyse multivariée Statistique bayésienne L’objet de cette thèse porte sur l'analyse quantitative des risques et les techniques de modélisation dans le but d'améliorer la sécurité aux PN. Les différentes contributions de ce travail peuvent être présentées selon quatre volets : Sur le premier volet, nous présentons une analyse quantitative de l'impact de divers facteurs (mode de transport, région géographique et moment de trafic) sur le niveau de risque aux PN. Sur le deuxième volet, et en se basant sur des données expérimentales fines obtenues à partir de l’instrumentation de 12 PN à différents endroits en France, une analyse quantitative du comportement des automobilistes est réalisée pour explorer les mécanismes de violation des automobilistes lors de la traversée d’un PN. Sur le troisième volet, nous proposons un modèle statistique multi-facteurs de prévision des accidents. Un tel modèle, en plus de la prise en compte d’une multitude de facteurs, nous fournit une estimation de la fréquence des accidents avec une précision considérablement élevée par rapport aux modèles existants. Sur le dernier volet, nous proposons un cadre de modélisation efficace et complet basé sur des réseaux Bayésiens (RB) pour le raisonnement causal. Les résultats de la phase de validation indiquent que ce modèle de risque présente une bonne performance d'estimation. En résumé, les contributions de cette thèse offrent une réponse directe à l’insuffisante connaissance sur les divers mécanismes qui sous-tendent les accidents PN. De telles contributions sont un nouveau pas vers l'identification de mesures de conception pratiques et de solutions techniques ciblées, afin d'améliorer la sécurité des PN. This PhD thesis deals with advanced quantitative risk analysis and modeling techniques with the aim to improve the safety of LXs. The contributions of the work reported in this thesis are four-fold:Firstly, we analyze the impact of various factors (transport mode, geographical region and traffic moment) on the risk level at LXs quantitatively. Then, based on the field experiments carried out at 12 LXs throughout France, through quantitative analysis of motorist behavior is performed to acquire the knowledge of motorist violation mechanism causing train-car collisions. Moreover, an advanced statistical accident prediction model which takes into account a variety of impacting factors, i.e., the average daily road traffic, the average daily railway traffic, the annual road accidents, the vertical road profile, the horizontal road alignment, the road width, the crossing length, the railway speed limit and the geographic region, is further developed. This model allows for estimating accident frequency with a considerably high accuracy and has a more appropriate form compared with the existing models pertaining to LX accident prediction. Subsequently, an effective and comprehensive modeling framework based on Bayesian networks (BNs) for risk reasoning is proposed. The performance validation results indicate that our BN risk model has sound estimation performance. In summary, the aforementioned contributions are a direct response to the key knowledge gap about various mechanisms underlying LX accidents. Such contributions pave the way for identifying practical design measures and targeted technical solutions, so as to improve LX safety. Electronic Thesis or Dissertation Text en PDF 7230806 https://theses.hal.science/tel-04818188 application/pdf 5913531 https://pepite-depot.univ-lille.fr/LIBRE/EDSPI/2018/50376-2018-Liang.pdf https://theses.hal.science/tel-04818188 https://theses.hal.science/tel-04818188 https://theses.hal.science/tel-04818188 https://theses.fr/2018LILUI017/abes https://theses.hal.science/tel-04818188 https://theses.hal.science/tel-04818188 Liang Ci Liang 1987-12-30 CN 231852614 https://theses.fr/2018LILUI017 2018LILUI017 https://doi.org/10.70675/eab97a3fzcc99z4907z8285zbe0578a5f6fd 2018-04-10 Automatique, Génie Informatique, Traitement du Signal et des Images Université de Lille (2018-2021) 223446556 Doctorat Docteur es non oui Ghazel Mohamed MADS_DIRECTEUR_DE_THESE_1 103687580 El-Koursi El-Miloudi MADS_DIRECTEUR_DE_THESE_2 13072467X Cazier Olivier MADS_DIRECTEUR_DE_THESE_3 231852134 École doctorale Sciences pour l'ingénieur (Lille ; 1992-2021) MADS_ECOLE_DOCTORALE_1 147297028 SNCF Réseau MADS_PARTENAIRE_DE_RECHERCHE_1 224214608 Évaluation des systèmes de transports automatisés et de leur sécurité (ESTAS) MADS_PARTENAIRE_DE_RECHERCHE_2 581183 174771630 Railenium, Institut de recherche technologique de la filière ferroviaire (Valenciennes, Nord) MADS_PARTENAIRE_DE_RECHERCHE_3 202979733 ddc:620 Ghazel Mohamed El-Koursi El-Miloudi Cazier Olivier École doctorale Sciences pour l'ingénieur (Lille) SNCF Réseau Évaluation des systèmes de transports automatisés et de leur sécurité (ESTAS) Railenium, Institut de recherche technologique de la filière ferroviaire (Valenciennes, Nord) PDF 7230806