Upload
stefano-follador
View
102
Download
2
Embed Size (px)
DESCRIPTION
Simulazione dei percorsi pedonali di una stazione della metropolitana. Tutorial di anylogicelaborazione dati in matlab
Citation preview
Università degli studi di Trieste
Facoltà di Ingegneria
Corso di laurea in ingegneria civile
Corso di Impianti e Terminali di Trasporto
Simulazione Stazione Metropolitana
Professore
Ing. Giuliano Stabon
Ing. Giorgio Medeossi
Studente
Stefano Follador
Anno Accademico
2011/2012
3
Sommario
1. Introduzione ......................................................................................................... 5
2. Modellazione ambiente ....................................................................................... 6
3. Simulazione ......................................................................................................... 8
3.0. Scenario 0: PCB=100; PSB=0; FP=17 ........................................................................ 8
3.1. Scenario 1: PCB=100; PSB=0; FP=35 ........................................................................ 9
3.2. Scenario 2: PCB=95; PSB=5; FP=34 ........................................................................ 10
3.3. Scenario 3: PCB=90; PSB=10; FP=34 ...................................................................... 11
3.4. Scenario 4: PCB=85; PSB=15; FP=28 ...................................................................... 12
3.5. Scenario 5: PCB=80; PSB=20; FP=21 ...................................................................... 13
3.6. Scenari 6-20 ................................................................................................................ 14
4. Analisi dei dati ................................................................................................... 16
5. Conclusione ....................................................................................................... 20
6. Allegato .............................................................................................................. 21
5
1. Introduzione
In questa relazione sono presentati i risultati ricavati da una simulazione pedonale eseguita
con il software AnyLogic prodotto dalla software house XJ Technologies.
Anylogic permette di eseguire tre differenti tipi di simulazione, basati su 3 principi diversi, ma
che hanno in comune la dipendeza dal tempo, come variabile principale:
System Dynamics: si basa su modelli aggregati di una popolazione, in cui le
dinamiche tra i diversi elementi sono note al progettista. La simulazione consente di osservare
l'evoluzione nel tempo del sistema in base alle regole comportamentali stabilite. È un sistema di
macrosimulazione che visto l'elevato grado di approssimazione intrinseco al processo, è adatto a
studiare argomenti in termini generali e a lungo periodo. È particolarmente utile per scelte politiche
(e.g. una simulazione della richiesta di trasporto correlata al tasso di crescita della popolazione
può influire sui piani urbanistici della zona)
Process Centric/Discret event: è un modello di macrosimulazione più raffinato
del precedente, in cui il processo da analizzare deve essere ben definito nelle sue varie parti.
Ciascuna parte del processo rappresenta un evento che il progettista deve saper definire nel
modello e soprattutto deve sapere come questi eventi si susseguano tra di loro, in che ordine e
che modalità. Questo modello è adatto a studiare tutti quei sistemi che hanno rilevanti fattori
esterni di disturbo, come i processi della lavorazione di un prodotto, oppure di un servizio (e.g.
simulazione delle operazione di carico e scarico all'interno di un terminal logistico)
Agent Based: quest'ultimo è un modello di microsimulazione, basato
sull'interazione reciproca tra i singoli individui di una popolazione. Rispetto ai due precedenti
metodi di simulazione è il più moderno in quanto è possibile utilizzarlo solo grazie alla capacità di
calcolo dei moderni computer. Infatti il progettista stabilisce solo le regole comportamentali
dell'individuo e lascia al software stabilire la risposta all'ambiente di ciascun individuo in base alle
preferenze impostate. Tale approccio permette di simulare il comportamento di molti individui, in
quanto costituiscono ostacoli in movimento per gli altri agenti, che devono quindi adattarsi ai
cambiamenti in ciascun momento. Questo tipo di simulazione è adatto per affrontare i problemi che
hanno grande natura aleatoria, in quanto il comportamento di un individuo non è descrivibile in
termini assoluti, ed è costantemente influito dai fattori esterni (e.g. flussi pedonali).
Nell'esercizio è stato usato il modello Agent Based per simulare il comportamento dei pedoni
in entrata in una piccola stazione della metropolitana.
2. Modellazione ambiente
Come primo passo è stato importato nell'ambiente di lavoro il layout della stazione,
rappresentato da un'immagine. Su tale layout sono stati ricalcati la polilinea che definisce i muri,
i.e. i vincoli dell'ambiente di simulazione. Affinché il programma riconoscesse come vincolo
invalicabile la polilinea è stata inserita nella funzione di libreria pedGround, che serve per definire
l'ambiente di simulazione.
Il secondo passo è stato quello di definire l'origine e la destinazione dei pedoni, attraverso due
linee disegnate in corrispondenza dell'accesso e dell'uscita della stazione. La linea indicante
l'entrata, chiamata entry, è stata definita nella funzione pedSource, mentre quella di uscita,
chiamata exit, è stata definita nella funzione pedGoTo. Poiché i pedoni che raggiungono l'uscita
escono dall'ambiente di simulazione la funzione pedGoTo è stata connessa alla funzione pedSink,
che elimina gli individui dall'ambiente.
La funzione pedSource si occupa di generare i pedoni all'interno della simulazione attribuendo
loro delle caratteristiche prestabilite, che presentano comunque un certo intervallo di variazione
che vengono assegnate al pedone aleatoriamente.
Sul percorso sono stati inseriti due elementi che rallentano il pedone, i.e. il gate di controllo
del biglietto e la rivendita di biglietti per gli utenti privi di biglietto. Entrambi sono stati rappresentati
7
come dei ritardi alla velocità desiderata dal pedone. Il gate è descritto dalla funzione pedService,
mentre la rivendita da pedService1 a livello di percorso dell'utente, mentre il vero e proprio effetto
è stato definito rispettivamente nelle funzioni Gates e Window_ticket. In ultime due sono state
definite sia le linee che rappresentano il vero e proprio servizio (delay), sia le linee che
rappresentano la coda (queue) che si forma a causa del ritrardo. Per il gate è stato assegnato un
ritardo uniforme di 2-3 secondi, del tipo delay and passtrough, mentre per la rivendita è stata
assegnata un ritardo con una distribuzione triangolare (min 15 s, 25 s, max 35 s) del tipo delay, i.e.
che una che l'utente ha completato il service, riprende la sua destinazione originaria. pedService1
è connesso a pedService poichè chi fa il biglietto deve poi comunque passare dal gate; pedservice
è infine connesso a pedGoTo.
Per stabilire come suddividere il flusso di pedoni generato in pedSource tra chi ha già il
biglietto e salta la rivendita e chi invece deve passare dalla rivendita è stata utilizzata la funzione
pedSelectOutput in cui l'input viene suddiviso in tra il gate e la rivendita in base a percentuali
stabilite dal progettista. pedSelectOutput unisce pedSource a pedService e pedService1,
completando il percorso del pedone.
Sono inoltre stati aggiunti un controllo per variare il flusso in entrata espresso in pedoni al
minuto ed un controllo delle percentuali di utenti con biglietto o senza biglietto, in modo tale da
variare a piacimento le condizioni al contorno per simulare diversi scenari.
Il modello è pronto per la simulazione.
3. Simulazione
Il processo di simulazione permette di valutare diversi scenari, al variare di alcuni parametri
generali. In questo caso è stato scelto di studiare il problema al variare dell'entità del flusso di
pedoni e della percentuale di pedoni che necessità di comprare il biglietto. Si vuole osservare per
quali valori si raggiunge il collasso, da cosa è causato il collasso ed infine studiare se vi è una
relazione tra i due parametri scelti. Si definiscono le seguenti variabili:
Pedoni con Biglietto (PCB): pedoni che non necessitano di comprare il titolo di
viaggio e possono andare direttamente al gate. [%]
Pedoni senza biglietto (PSB): pedoni che devono rivolgersi prima alla rivendita e poi
passare dal gate (PSB=100-PCB). [%]
Flusso Pedoni (FP): flusso entrante di pedoni [ped/min]
3.0. Scenario 0: PCB=100; PSB=0; FP=17
Questo tipo di scenario non presenta criticità e può considerato come il funzionamento in
condizioni ideali: non ci sono formazioni di code, tutti i pedoni possono mantenere la propria
velocità desiderata ed i tempi di percorrenza sono minimizzati.
9
3.1. Scenario 1: PCB=100; PSB=0; FP=35
Poiché lo scopo della simulazione è quello di stressare il modello fino a raggiungere la crisi, in
questo scenario è stato aumentato il flusso pedonale, fino a raggiungere la crisi, avvenuta a causa
della crescita incontrollabile della coda al gate. Con tale flusso, doppio rispetto al precedente (2100
pedoni/ora), il ritardo accumulato al gate si ripercuote su tutto il sistema fino a che la coda non
riesce più ad essere smaltita. Questo scenario è stato simulato 10 volte con le stesse condizioni
iniziali ed è stato registrato il tempo t, per cui si aveva la crisi.
Simulazione t (min)
1 47.69 2 54.69 3 92.62 4 35.85 5 46.53 6 85.92 7 85.29 8 138.58 9 65.23 10 57.96
Media 71.04 Dev. Std. 30.38
Come si può notare il collasso non avviene sempre nello stesso istante, ma è molto distribuito
nel tempo. Ciò è da imputarsi alla distribuzione aleatoria di generazione dei pedoni, ed ad altri
eventi casuali che non si ripetono mai due volte uguali in simulazioni successive. Di conseguenza
qualsiasi considerazione sul tempo di resistenza della struttura al flusso critico deve essere fatta
con molta cautela, perché non un dato assoluto, ma andrebbe invece studiato su base statistica,
conducendo un numero di simulazioni molto maggiore a parità di condizioni iniziali. In quel casso si
osserverebbe un certo andamento della distribuzione, e si potrebbero trarre delle conclusioni
cautelative sui tempi massimi di resistenza dell'impianto.
3.2. Scenario 2: PCB=95; PSB=5; FP=34
In questo ed i successivi scenari si è ricercato il valore critico di FP al variare delle
percentuale di pedoni con e senza biglietto; tale percentuale varia in passi di 5 punti percentuali
alla volta. In questo caso la frazione che prende si ferma a prendere il biglietto è ancora molto
piccola e non influenza considerevolmente il FP critico che scende a 34 persone/minuto. La crisi
avviene ancora dal lato della coda al gate che non riesce ad essere smaltita. La minor capacità
della struttura è da imputarsi ai pedoni senza biglietto che impegnano il sistema più a lungo di
quelli con il biglietto. Tuttavia i tempi con cui si raggiunge il collasso sono in media più lunghi e
possono essere innescati sia dal pedone che non riesce a mettersi in coda al gate, sia dal pedone
11
che non riesce a mettersi in coda alla rivendita perché lo spazio della sua coda è stato invaso da
quella del gate.
Simulazione t (min)
1 166.14 2 199.68 3 146.52 4 95.81 5 68.66 6 243.82 7 158.51 8 72.97 9 168.44 10 177.43
Media 149.80 Dev. Std. 55.97
3.3. Scenario 3: PCB=90; PSB=10; FP=34
Con l'aumento di PSB, le code alla rivendita cominciano a diventare consistenti, ma tuttavia
non c'è un calo del FP critico. Anche in questo caso il collasso è causato dalle code eccessive
formatasi al gate, insufficiente a smaltirle. Tuttavia si nota come il tempo medio di collasso sia
aumentato rispetto ai casi precedenti, a significare che un aumento moderato delle frazione di PSB
ha effetti positivi sulla capacità del sistema in quanto l'affollamento al gate risulta più distribuito nel
tempo, quindi l'effetto imbuto risulta più diluito.
Simulazione t (min)
1 136.13 2 200.10 3 245.06 4 236.59 5 99.34 6 192.63 7 161.44 8 211.34 9 371.12 10 409.87
Media 226.36 Dev. Std. 97.54
3.4. Scenario 4: PCB=85; PSB=15; FP=28
In questo scenario cambia totalmente la modalità di collasso, non più legata alla formazione di
coda eccessiva al gate, ma a quella della rivendita che non riesce a smaltire i PSB in tempo utile.
13
Ora è la coda alla rivendita a invadere lo spazio della coda al gate fino allo straripamento. Inoltre il
collasso avviene per un FP molto minore rispetto ai casi precedenti.
Per quanto tale collasso avvenga in un tempo medio molto elevato, si può considerare la
struttura già in crisi molto prima, poiché la coda costituisce ostacolo al flusso di PCB.
Simulazione t (min)
1 356.85 2 491.70 3 85.07 4 547.08 5 139.90 6 170.23 7 723.60 8 512.25 9 257.20 10 363.08
Media 364.70 Dev. Std. 204.98
3.5. Scenario 5: PCB=80; PSB=20; FP=21
All'aumento della percentuale di PSB, il calo di capacità della struttura risulta sempre più
marcato e dovuto esclusivamente all'incapacità di gestire la coda formatasi alle rivendite. Per
contro al gate la formazione di coda risulta irrilevante per valori così bassi di FP
Simulazione t (min)
1 62.72 2 161.54 3 178.62 4 128.62 5 339.42 6 281.92 7 138.45 8 131.86 9 157.62 10 107.17
Media 168.79 Dev. Std. 82.42
3.6. Scenari 6-20
Quanto finora descritto esprime in maniera qualitativa le modalità di collasso del modello.
Tuttavia queste modalità sono difficilmente comparabili in quanto hanno tempi di resistenza alla
crisi molto differenti tra di loro (ipotizzando significativo il valore medio su 10 osservazioni). Se si
considera che durante la giornata il flusso di una stazione è soggetta a periodi di punta e di magra,
collassi che avvengono in periodi elevati possono essere considerati ancora accettabili. Per
ottenere un set di dati comparabili sono state condotte delle serie di simulazioni lasciando costanti
i parametri controllabili, i.e. a FP e PCB costanti.
15
FP=35 ped/min
Simulazione PCB=100% PCB=95% PCB=90% PCB=85% PCB=80%
1 47.69 77.95 59.00 55.37 12.62 2 54.69 54.89 52.25 41.57 21.57 3 92.62 70.33 74.52 72.93 17.33 4 35.85 65.69 48.76 34.03 19.35 5 46.53 51.80 56.92 36.32 14.24 6 85.92 58.07 84.44 35.92 18.32 7 85.29 51.90 51.24 36.57 16.16 8 138.58 44.28 66.27 25.79 16.92 9 65.23 56.22 85.57 42.87 24.01 10 57.96 67.93 81.80 30.90 13.56
Media 71,04 59,91 66,08 41,23 17,41 Dev. Std. 30,38 10,26 14,46 13,66 3,58
FP=38 ped/min
Simulazione PCB=100% PCB=95% PCB=90% PCB=85% PCB=80%
1 29.17 14.89 32.87 32.18 17.76 2 42.34 21.53 21.10 32.74 23.93 3 27.25 17.52 20.97 23.19 16.26 4 38.23 29.09 27.00 31.64 13.02 5 21.34 36.38 28.60 27.64 19.40 6 41.96 21.26 27.26 30.95 13.01 7 47.71 22.20 27.53 30.26 19.76 8 25.37 19.52 28.31 32.92 15.09 9 22.85 33.47 38.00 31.25 15.67 10 37.14 19.21 22.62 27.37 13.77
Media 33,34 23,51 27,43 30,01 16,77 Dev. Std. 9,26 7,08 5,26 3,07 3,49
FP=41 ped/min
Simulazione PCB=100% PCB=95% PCB=90% PCB=85% PCB=80%
1 17.70 26.31 19.96 18.41 18.76 2 11.86 16.06 13.97 19.89 15.07 3 14.08 12.95 21.16 18.98 10.50 4 21.98 19.52 20.19 23.89 14.44 5 25.33 19.34 16.42 21.65 18.15 6 23.50 18.56 21.71 23.11 9.35 7 18.68 17.13 18.20 20.65 11.36 8 21.43 12.46 23.09 16.16 12.88 9 15.51 24.23 17.69 18.94 14.93 10 17.92 19.00 13.86 22.53 10.91
Media 18,80 18,56 18,63 20,42 13,64 Dev. Std. 4,28 4,36 3,17 2,40 3,20
4. Analisi dei dati
Si può notare immediatamente che per i casi in cui PCB è superiore o uguale al 90% la crisi
avviene per il collasso della coda al gate, come previsto dall'analisi precedente; per i PCB inferiori
o uguali all'80% il collasso avviene dal lato della coda alla rivendita. Invece per il PCB pari a 85%
si ha un meccanismo di collasso combinato, in cui entrambe le code diventano ingestibili con FP
così elevati. Infatti a livello di simulazione il collasso avveniva talvolta a causa della coda del gate e
talvolta a causa della coda della rivendita. In realtà rispetto ai tempi misurati sarebbe da
considerare la struttura in crisi prima, in quanto le due code si sovrappongono e si ostruiscono a
vicenda dando luogo ad un effetto sinergico negativo.
17
Dall'analisi aggregata dei risultati si possono notare dei trend:
La deviazione standard delle simulazioni diminuisce al crescere di FP e al crescere
della percentuale di PSB;
La differenza relativa tra i tempi di collasso tra due osservazioni con PCB differenti è
più marcata per FP bassi, mentre tende ad appiattirsi se aumenta FP;
La relazione tra PCB e tempo di collasso non è lineare. Passando da 100% al 95% di
PCB si osserva in media un calo dei tempi di collasso, con una ripresa successiva per
percentuali minori. Dopodiché si osserva un brusco calo quando il collasso dovuto alla
coda alla rivendita diventa il meccanismo preponderante.
La regressione non lineare che descrive meglio i dati dell'esercizio è quella cubica:
FP=35 ped/min:
Linear model Poly3:
f(x) = p1*x^3 + p2*x^2 + p3*x + p4
Coefficients (with 95% confidence bounds):
p1 = 0.01085 (-0.2465, 0.2682)
p2 = -3.09 (-72.58, 66.4)
p3 = 294.2 (-5942, 6530)
p4 = -9297 (-1.952e+005, 1.766e+005)
Goodness of fit:
SSE: 92.29
R-square: 0.9522
Adjusted R-square: 0.8089
80
85
90
95
100
10 20 30 40 50 60 70 80 90 100 110
PC
B [
%]
t [min]
"Pedoni Con Biglietto" versus "tempo collasso"
FP=35 ped/min
FP=38 ped/min
FP=41 ped/min
FP=38 ped/min:
Linear model Poly3:
f(x) = p1*x^3 + p2*x^2 + p3*x + p4
Coefficients (with 95% confidence bounds):
p1 = 0.01972 (0.01788, 0.02156)
p2 = -5.348 (-5.845, -4.851)
p3 = 482.3 (437.7, 526.9)
p4 = -1.444e+004 (-1.577e+004, -1.311e+004)
Goodness of fit:
SSE: 0.004723
R-square: 1
Adjusted R-square: 0.9999
FP=41ped/min:
Linear model Poly3:
f(x) = p1*x^3 + p2*x^2 + p3*x + p4
Coefficients (with 95% confidence bounds):
p1 = 0.005929 (-0.03161, 0.04347)
p2 = -1.633 (-11.77, 8.503)
p3 = 149.6 (-760, 1059)
p4 = -4536 (-3.166e+004, 2.258e+004)
Goodness of fit:
SSE: 1.964
R-square: 0.9252
Adjusted R-square: 0.7008
80
85
90
95
100
10 20 30 40 50 60 70 80 90 100 110
PC
B [
%]
t [min]
"Pedoni Con Biglietto" versus "tempo collasso"
FP=35 ped/min
fit FP_35
FP=38 ped/min
fit FP_38
FP=41 ped/min
fit FP_41
19
Analizzando i dati dal punto di vista di PCB costante si può osservare che in media il tempo di
collasso delle simulazioni che vanno in crisi a causa della cosa al gate ha lo stesso andamento.
Quando invece si supera la PCB critica per cui il collasso avviene a causa della coda alla rivendita,
il comportamento muta radicalmente. Per il caso limite con PCB=85% la situazione è più ambigua,
come si poteva prevedere visto il meccanismo di collasso combinato.
35
38
41
10 20 30 40 50 60 70 80
"Flusso Pedoni" versus "tempo collasso"
FP
[ped/m
in]
t [min]
PCB=100%
PCB=95%
PCB=90%
PCB=85%
PCB=80%
5. Conclusione
Grazie allo strumento di simulazione si è potuto osservare il comportamento qualitativo della
struttura, ed in minor misura la risposta quantitativa al variare delle condizioni al contorno. Sono
stati individuati due meccanismi di collasso, uno dovuto alla coda al gate e l'altro dovuto alla coda
alla rivendita. Le code sono causate dai ritardi necessari per il pedone per svolgere l'attività di
passagio al gate, oppure di acquisto biglietto. Come era prevedibile, poiché l'entità del ritardo alla
rivendita è molto maggiore di quello al gate, la crisi dovuta allo straripamento della coda alla
biglietteria è molto più gravosa per il sistema rispetto all'altra. Infatti si è osservato che per una
parte di pedoni senza biglietto relativamente piccola rispetto a quelli con biglietto il sistema entra in
crisi mediamente prima.
Quando invece la percentuale di PSB è contenuta nell'ordine del 5-10%, allora il sistema può
reggere e beneficiare dei pedoni senza biglietto poiché, non formandosi coda alla rivendita, la coda
al gate è più diluita nel tempo.
Per PCB pari all'85% si ha una situazione di collasso misto con effetti sinergici negativi sul
sistema, a causa della formazione di entrambe le code.
Il sistema ha dimostrato di poter resistere per un certo periodo di tempo se il flusso di pedoni
non è estremamente alto, per cui potrebbe essere dimensionato correttamente se i flussi dell'ora di
punta sono comparabili o inferiori ed hanno una durata limitata nel tempo, in modo tale che finita
l'ora di punta il sistema possa riassorbire i ritardi accumulati e riprendere il funzionamento ottimale.
Non è stata trovata una relazione lineare tra flusso e tempo di collasso; nel caso esaminato
una regressione polinomiale cubica riesce a descrivere con notevole precisione la distribuzione dei
dati, ma probabilmente con un numero molto più elevato di simulazioni, si potrebbero ricavare
delle relazioni più accurate.