CC BY
63
струкции к параметру износа. Установлено, что при испытании не термостатированной обоймы зависимость критерия противоизносных свойств от коэффициента поглощения светового потока имеет линейный характер, а при испытании термостатированной обоймы зависимость имеет изгиб при коэффициенте поглощения светового потока, равного «0,22 ед., что указывает на понижение износостойкости термостатированной стали. Это позволяет устанавливать предельную температуру работоспособности сталей в трибосопряжениях.
4. Установлены температурные области формирования адсорбционных и хемосорбционных граничных слоев на поверхностях трения, где изменяются коэффициенты электропроводности и интенсивности
механохимических процессов, протекающих на фрикционном контакте, и время его формирования. Показана связь параметра износа с коэффициентом электропроводности и временем формирования номинальной площади фрикционного контакта в областях формирования адсорбционных и хемосорбционных граничных слоев, указывающих на изменение механизма изнашивания.
5. Предложен коэффициент влияния термостати-рования стали ШХ15 на ее износостойкость, определяемый отношением параметров износа не термостатированной стали к термостатированной, позволяющий количественно установить изменение износостойкости стали при увеличении температуры термо-статирования.
Библиографический список
1. Кончиц В.В., Короткевич С.В., Саутин С.Д. Смазочные свойства органических отложений на поверхности трения при повышенной температуре // Трение и износ. 2002. № 2. С. 170-175.
2. Молекулярные механизмы самоорганизации при трении / А.С. Кужаров, С.Б. Булгаревич, А.А. Кужаров, А.В. Кравчик // Трение и износ. 2002. Т. 23. № 6. С. 645-651.
3. Ковальский Б.И. Методология контроля и диагностики смазочных материалов, как элементов систем проводов многокомпонентных машин: дис. ... докт. техн. наук. Красноярск, 2005. 418 с.
4. А.С. 1054732 ССР МКИ3 G01 №3156. Способ определения смазывающей способности масел / Б.И. Ковальский, Г.М. Сорокин, А.П. Ефремов. 1983. Биол. № 42.
УДК 656.135
К ВОПРОСУ УПРАВЛЕНИЯ ТРАНСПОРТНЫМИ ПОТОКАМИ В УСЛОВИЯХ ПЛОТНОГО ГОРОДСКОГО ДВИЖЕНИЯ
© Р.Ю. Лагерев1, С.Ю. Лагерев2, И.Г. Карпов3
Иркутский государственный технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83.
Приведен анализ общих вопросов управления сетью городских улиц в условиях их повышенной загрузки. Представлены зарубежные подходы к управлению транспортными потоками в заторовых и предзаторовых ситуациях, основанные на замерах длин очередей транспортных средств. Установлено, что в качестве инструмента для разработки алгоритма управления насыщенными сетями можно использовать алгоритмы генетической оптимизации.
Ил. 7. Табл. 2. Библиогр. 4 назв.
Ключевые слова: транспортный затор; насыщенные сети; насыщенный перекресток; длина очереди транспортных средств.
TO TRAFFIC FLOW CONTROL UNDER HEAVY CITY TRAFFIC R.Yu. Lagerev, S.Yu. Lagerev, I.G. Karpov
Irkutsk State Technical University, 83 Lermontov St., Irkutsk, Russia, 664074.
The paper analyzes general issues to control the network of city streets under their increased loading. It discusses foreign approaches to traffic flow management in the cases of congestion and pre-congestion, which are based on the measurements of traffic queue lengths. It is specified, that genetic optimization algorithms can be used as tools for de-
1Лагерев Роман Юрьевич, кандидат технических наук, доцент кафедры менеджмента и логистики на транспорте, тел.: (3952) 405694, e-mail: [email protected]
Lagerev Roman, Candidate of technical sciences, Associate Professor of the Department of Management and Logistics on Transport, tel.: (3952) 405694, e-mail: [email protected]
2Лагерев Сергей Юрьевич, кандидат технических наук, доцент кафедры менеджмента и логистики на транспорте, тел.: (3952) 405694, e-mail: [email protected]
Lagerev Sergey, Candidate of technical sciences, Associate Professor of the Department of Management and Logistics on Transpo rt, tel.: (3952) 405694, e-mail: [email protected]
3Карпов Иван Геннадьевич, кандидат технических наук, доцент кафедры менеджмента и логистики на транспорте, тел.: (3952) 405694, e-mail: [email protected]
Karpov Ivan, Candidate of technical sciences, Associate Professor of the Department of Management and Logistics on Transport, tel.: (3952) 405694, e-mail: [email protected]
veloping the algorithm to control saturated networks. 7 figures. 2 tables. 4 sources.
Key words: transport congestion; saturated networks; saturated intersection; traffic queue length.
Прошедшая IX Международная конференция «Организация и безопасность дорожного движения в крупных городах» в Санкт-Петербурге 23-24 сентября 2010 еще раз подтвердила актуальность и значимость проблемы транспортного обслуживания населения в крупных российских городах. Современный уровень автомобилизации, который только в г. Иркутске уже сегодня достиг значения 240-250 автомобилей на 1000 жителей, что превышает показатели, предусматриваемые действующими нормативными документами, обязывает вынести задачи оптимизации городских транспортных сетей на первое место.
При этом технические средства управления дорожным движением во многих российских городах практически остаются неизменными и не соответствуют возросшей в несколько раз нагрузке на элементы улично-дорожной сети, что сопровождается рекуррентными транспортными заторами и увеличением затрат времени на передвижения городского населения. В такой ситуации как один из вариантов борьбы с заторами может рассматриваться стратегия более эффективного использования существующей транспортной инфраструктуры, управления доступом к сети, распределения спроса на поездки, развития новых современных управляющих алгоритмов.
Одним из новых методов управления транспортными потоками принято считать адаптивное регулирование с автоматическим мониторингом характеристик транспортных потоков с последующим расчетом управляющих параметров светофорной сигнализации. Существующие в нашей стране подходы к проектированию адаптивного регулирования предназначены, главным образом, для свободного транспортного потока. Как отмечается в специальной технической литературе [1, 2], эффективность «классического» адаптивного регулирования резко снижается в случае функционирования связанных регулируемых пересечений в условиях насыщения (saturated) и перенасыщения (oversaturated) (рис. 1).
В последние годы зарубежными и российскими специалистами особое внимание уделяется вопросам оптимизации работы светофорных объектов, функционирующих в условиях повышенной загрузки, когда использование классических подходов [4], основанных на минимизации суммарных задержек, оказывается малоэффективным. Именно поэтому авторы статьи задались целью разработать критерий управления регулируемой сетью, базирующийся на нагрузке смежных перегонов.
В нашей стране исследования по насыщенным перекресткам ограничиваются лишь несколькими диссертационными работами. Так, первой работой по рассматриваемому направлению можно считать [2], в которой дано понятие транспортного затора. Транспортный затор - ситуация на дорожной сети, при которой среднее время задержки транспортного средства превышает длительность цикла. Таким образом, транспортный затор сопровождается, как минимум, вторичными задержками и ростом очередей транспортных средств, длина которых может помешать работе соседних пересечений и перейти в состояние сетевого затора (см. рис. 1) [3]. Данное определение транспортного затора вполне применимо для постановки задачи недопущения заторового состояния сети.
В 16 главе американского руководства по оценке пропускной способности дорог HCM 2000 подробно изложена процедура оценки пропускной способности и оценки величин задержек и длин транспортных средств. На основании алгоритмов, изложенных в американском руководстве, авторами в среде Excel написана программа для оценки эффективности функционирования регулируемых пересечений по таким параметрам, как средняя величина транспортной задержки, длина очереди транспортных средств, уровень загрузки перегона (рис. 2), установлена корреляционная зависимость между указанными параметрами (рис. 3, 4).
I0QD
-V-
L
J 1 ^
t
0Ш
J 2 ^
Л Г
Начало образования очереди
^т юл гтпгпп ^ (
Рис. 1. Пример перенасыщения городской улицы (перекресток 2 блокирован очередью от последующего
перекрестка)
В _С__| Р | Е | Р в Н | I | Л | К
Оценка эффективности функционирования регулируемого пер<
Расположение перекрестка УI кипи Док. СуОьлии Город Ирку1ск
Учетчик Пагорои I' К) Альтернатива ость
Дата и время 08 08 /ММН$ Проект ог.нотти
* Г * t
транспортного потока 3-е з-в 3-С ♦ в-ю В-3 в-с ю-в ЮС
I. Расчет значений интенсивности гр упп полос (ГП)
1 Количество полос 1 2 2 1 2 1 2 2
2 Пиковый фактор (РНР) 0,50 0,50 1,00 0,90 0,90 0,90 0,90 0,9С
3 Интенсивность движения, ед/ч 10 189 4 30 700 20 30 370
4 Совмещена с потоком "прямо" 1* ДА. Г ДА Г ДА Г ДА Г ДА
5 Конфликт с движением Г ДА ДА ДА
6 Доля поворачивающих без конфликта 0 0 0 0 0
1 Конфликт с пешеходами Г ДА [7 ДА I? ДА Д А 17 ДА
8 Тип прибытия потока 3 4 3 3 2 3 3 3
9 Инт-сть направ. с РНГ., ед/ч 20 378 4 33 778 22 33 411
10 Инт-сть ГП с РНР, ед/ч 383 4 33 778 22 33 411
11 Доля поворотных потоков. (РИ РП) 0,052 1,000 1,000 1,000 1,000
12 К-т прибытия потока, (РФ) 1,333 1,000 1,000 0,667 1,000 1,000 1,00
5 Критический ФК, (V) Г Г г г Г Г
6 Сумма критических ФК, (Ус) 0,397
7 Потерянное время в цикле, (1_) 8
8 К-т загрузки перекрестка, (Хс) © 0.448
IV- Расчет транспортных задержек и уровня транспортного обсл ^живаь
1 Анализируемый период, (Т), ч 0,25
2 К-т контроллера. оо 0,5
3 К-т влияния пред. пересеч. (I) 1
4 Длина очереди в начале периода Т 0 0 о 0 О О о 0
5 Равномерная задержка, (СИ) 29,5 25,8 14,3 18,7 14.1 8,4 9,6
6 Вероятностная задержка, (£12) 26,1 6,8 5,6 5,2 5,0 2,0 1,6
7 Вторичная задержка, «33) 0,0 0,0 0,0 0,0 0,0 0,0 0,0
8 Общая задержка ГП, с/ед 58,2 32,5 20,0 26,0 19.1 10,4 11,2
9 ШБ ГП Е С В С В В В
►I | Перекресток о программе , об авторе ., •
Рис. 2 Общий вид программы «Перекрёсток»
Рис. 3. Зависимость длины очереди от мощности потока
Рис. 4. Зависимость коэффициента загрузки перегона от мощности потока
Примечание. На рис. 3, 4: количество полос движения - 1; коэффициент использования полос - 1; время цикла - 60 с; величина потока насыщения - 1900 пр.ед./ч; коэффициент прогрессии - 1; продолжительность анализируемого периода - 0,5 ч; коэффициент светофорного регулирования - 1; коэффициент наличия предыдущего перекрестка - 1; длина перегона - 500 м.; динамический габарит автомобиля - 5 м.
Авторами принималась попытка оптимизации значений длительности фаз по критерию «минимума суммарных транспортных задержек», «суммарных длин очередей» на перекрестке с использованием встроенных в Excel средств оптимизации (надстройка «Поиск решения»). Учитывая особенности целевой функции задачи, установлено, что градиентные методы оптимизации являются малопригодными для решения рассматриваемой задачи.
Целевая функция рассматриваемой задачи представлялась в виде:
min ^(L -Q ■ I) ,
(1)
где L - длина перегона, м; 0 - длина длины очереди транспортных средств на перегоне, авт.; I - средний динамический габарит транспортного средства на размариваемом подходе (полосе).
Q = Q1 + Q2,
(2)
где 01 - первая составляющая очереди, авт; 02 - вторая составляющая очереди, авт.:
Qi = PF2
vL •C 3600
i -
i -
min(i, Xl)
C
(3)
При расчетном коэффициенте прогрессии:
PF, =
1 - R,
1 -
vL sL
1 -
1 - Rr
V
sL
(4)
Q2 = 0,25ClT ■
Xr -1 +
QbL Cl • T
+
Xj -1 +
+
QbL cl • T
+
| 8kbX | 16kbQbL
CLT (ClT)2
(5)
при адаптивном регулировании:
f „ „ \0,6
kB = 0,101
sLg V3600у
(6)
где C - продолжительность цикла регулирования, с; д - длительность зеленого сигнала, с; XL - уровень загрузки полосы движения рассматриваемой группы (xL/cL), s - поток насыщения группы полос, авт./ч; sL -поток насыщения на полосу, авт./ч; c - пропускная способность группы полос, авт./ч; cL - пропускная способность на полосу, авт/ч; QbL - остаточная очередь на полосе движения, авт.; NLG - количество полос движения в группе.
Надо отметить, что аналогичные математические зависимости (2-6) использованы в программных продуктах «Светофор», «Перекрёсток», «Synchro», «Traf-ficware», достаточно точно соответствуют экспериментальным значениям длин очередей на перекрёстках города Иркутска и могут использоваться для насыщенных пересечений.
Анализ специальной технической литературы показал, что большое количество задач, связанных с оптимизацией плана работы светофорных объектов, представляет собой вид комбинаторных задач, решение которых основано на полном переборе допустимых значений. В последнее годы в задачах оптимизации технических систем широкое распространение получили алгоритмы генетической оптимизации (ГА), представляющие собой итеративный процесс нахождения оптимального значения функции приспособленности (целевой функции), критерием остановки которого может послужить, например, максимальное число итераций.
Основные отличительные признаки классических алгоритмов оптимизации от генетических представлены в табл. 1.
Для проверки работоспособности ГА к рассматриваемому виду оптимизационных задачи была принята целевая функция Растригина (рис. 5).
2 2
y = 20 + xj + %2 -10 ■ (cos2nx1 + cos 2ЛХ2) .
Функция Растригинга имеет множество положительных локальных минимумов, но при этом имеется единственный глобальный минимум в точке с координатами (0, 0). Надо отметить, эта функция часто используется для оценки работы различных алгоритмов оптимизации, поскольку множество локальных минимумов усложняют задачу поиска решения для градиентных алгоритмов оптимизации.
На первом этапе определялся минимум оптимизационной задачи с рассматриваемой целевой функцией без ограничений на оцениваемые параметры х1 и х2. Результаты 10 экспериментов представлены в табл. 2.
Значения оцениваемых переменных х1 и х2, как и функция приспособленности, фактически достигли глобального минимума функции и соответствуют нулевым значениям (рис. 6).
2
Таблица 1
Сравнение алгоритмов оптимизации_
Классические алгоритмы Генетические алгоритмы
Генерируют единственную точку на каждой итерации. Последовательность точек достигает оптимального решения Генерирует популяцию точек на каждой итерации. Лучшая точка в популяции достигает оптимального решения
Выбирают следующую точку в последовательности путем детерминированных вычислений Выбирают следующую популяцию на основе вычислений генератора случайных чисел
Глобальный минимум в точке (0,0)
Рис. 5. Плоскость функции Растригинга (применяется для проверки работоспособности алгоритма
оптимизации)
Таблица 2
_Тестирование вЛ без ограничений на оцениваемые переменные_
Номер эксперимента Значение ФП Значение Х1 Значение Х2 Число итераций
1 0,05531 0,001 -0,017 53
2 0,0272 -0,01 0,005 60
3 1,0034 0,002 -1,001 51
4 0,05531 0,001 -0,017 53
5 0,0272 -0,01 0,005 60
6 0,0063 0,005 -0,003 50
7 0,0694 0,003 -0,018 51
8 0,2944 0,025 0,03 51
9 2,9689 0 -0,001 59
10 0,0166 0,005 -0,008 59
Best: 0.11012 Mean: 5.4475
ш т го
I
со
Лучшая приспосабливаемость Средняя приспосабливаемость
О О
оо о ° ОО о о
о 1 ° 0 Ь 0 о о'-< с'4-Оо tf <Sb 1:1 о О О О >о о 4-,
■ с& шхщхп шю 1ТТ1ТГ РТЛЛЛППЦ- сгаююса
С^Я Итерация
Рис. 6. График сходимости функции приспосабливаемости
25
20
5
0
5
0
0
20
30
40
50
60
70
80
90
Best: 0.11012 Mean: 5.4475
10
e ^
ф s
I
Ф T 03 I
CO
10
о ъ ст - О. _ Г Г Г Г Г Г Лучшая приспосабливаемое^ Средняя приспосабливаемость
с - ^ ^ 4V 9-F ^-
Со i )
:ю
Oj
о IX) а ШСл
OOOGffi COOOXOQO СОО -iT.IPii ©889-
Итерация
Рис. 7. График сходимости функции приспосабливаемости
Рис. 8. Ввод O-D матрицы в программу Transyt (TRL)
В нижней части рис. 6 отображена наилучшая сходимость функции приспосабливаемости, значения параметров выше отображают среднюю ее сходимость для каждого поколения (итерации). Для того чтобы более точно проанализировать сходимость целевой функции, масштаб оси У заменен на логарифмический (рис. 7).
Таким образом, установлено, что в генетическом алгоритме скорость сходимости тем выше, чем ниже уровень поколения, и наоборот, сходимость значительно замедляется при достижении оптимума функции приспособленности.
Результаты проведенного эксперимента подтвердили наличие значительных преимуществ ГА перед градиентными методами и возможность его использования в задачах оптимизации функционирования раз-
личных транспортных систем и дорожного движения, в оптимизации работы светофорных объектов, а также для расчета матриц корреспонденций транспортных поток на городских транспортных сетях (Reddy и Chak-roborty, 1999).
В дальнейшем авторы задались целью разработать и апробировать алгоритм управления насыщенным перекрёстком, основанный на генетической оптимизации, и сравнить его эффективность на примере известного программного продукта Transyt фирмы TRL (Англия) (рис. 8). Поскольку в качестве исходных данных Transyt требует ввода O-D матрицы, разработана программа «Ша^», позволяющая по замерам входящего и выходящего транспортного потока на подходах к перекрёстку получать данные для построения картограмм интенсивности движения.
Библиографический список
1. Капитанов В.Т., Хилажев Е.Б. Управление транспортными потоками в городах. М.: Транспорт, 1985. 94 с.
2. Михайлов А.Ю., Головных И.М. Современные тенденции проектирования и реконструкции улично-дорожных сетей. Новосибирск: Наука, 2004. 266 с.
3. Traffic control in oversaturated street networks / NCRHP report N194, 1978. 152 p.
4. Webster, F.V. Traffic Signal Settings, Road Research // Technical Paper. No. 39. London, Her Majesty's Stationery.
УДК 656.02
РАСЧЕТ ОСНОВНЫХ ХАРАКТЕРИСТИК МАРШРУТА НА ОСНОВЕ МЕЖОСТАНОВОЧНОЙ МАТРИЦЫ
© О.А. Лебедева1
Иркутский государственный технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83.
Статья посвящена расчетам главных характеристик маршрута на основе межостановочной матрицы, полученной благодаря детекторам подсчета пассажиропотока. Определены основные показатели маршрутов: объем перевозок, пассажирооборот, средняя дальность поездки пассажиров, наполнение автобусов и их число на маршрутах, время рейса и число смен работы, скорость, интервалы и частота движения, пробег за время наряда. Результаты исследований пассажиропотоков используют как для улучшения организации перевозок пассажиров на действующих маршрутах, так и для реорганизации транспортной сети в целом. Библиогр. 4 назв.
Ключевые слова: межостановочная матрица; пассажиропоток; маршрут; городской пассажирский транспорт; характеристики маршрута.
MAIN ROUTE CHARACTERISTICS CALCULATION BASED ON INTERSTOP MATRIX O.A. Lebedeva
Irkutsk State Technical University, 83 Lermontov St., Irkutsk, Russia, 664074.
The article deals with the calculations of main route characteristics on the base of the interstop matrix obtained through passenger traffic counting detectors. It specifies the basic route parameters including traffic volume, passenger traffic, average trip distance, filling and number of buses on the routes, trip duration and number of working shifts, speed, traffic intervals and frequency of movement, mileage for the time of the order. The results of studying passenger traffic are used both to improve the organization of passenger transportation on existing routes and to reorganize the transport network as a whole. 4 sources.
Key words: interstop matrix; passenger traffic; route; urban passenger transport; route characteristics.
Из всего комплекса системы городского пассажирского транспорта маршрутная система больше всего подвергается изменениям. Эти изменения могут быть связаны с ростом города, перестройкой режима трудовой и культурно-бытовой деятельности населения и другими факторами. Так как поездки совершаются неодновременно и дальность их неодинакова, маршруты имеют различные характеристики.
Основными показателями, характеризующими маршруты, являются:
• объем пассажироперевозок Х;
• объем транспортной работы (пассажирооборот)
О;
• протяженность маршрута;
• средняя длина поездки Цр;
• пассажиропоток;
• коэффициент неравномерности цн;
• коэффициент неравномерности по длине;
• коэффициент неравномерности по направлению;
• коэффициент часового максимума;
• коэффициент неравномерности во времени;
• частота или интервалы движения;
• эпюра пассажиропотоков.
Известны достаточно сложные механизмы нахождения основных показателей, характеризующих маршрут. Например, средняя длина поездки Цр определялась анкетным методом натурных обследований пассажиропотока и расчетом по эмпирической формуле Зильберта с учетом селитебной площади города.
Можно предложить альтернативный вариант нахождения основных показателей с помощью межостановочной матрицы корреспонденций. Она является важнейшей информацией, содержащей данные об учете пассажиропотоков, сведения о распределении пассажиропотоков по длине, времени, направлению, средней длине поездки; ее можно использовать в транспортном планировании и проектировании организации дорожного движения (ОДД).
В межостановочной матрице [3] рассматривается
1Лебедева Ольга Анатольевна, аспирант, тел.: 89526326611, e-mail: [email protected] Lebedeva Olga, Postgraduate, tel.:89526326611, e-mail: [email protected]
