Все выпуски

Целью данной работы является обобщение макроскопических гидродинамических моделей второго порядка, описывающих автомобильное движение, с помощью алгоритма построения адекватного реальным измерениям уравнения состояния — зависимости давления от плотности транспортного потока, получаемого эмпирическим образом для каждого отдельного участка транспортной сети с использованием данных транспортных детекторов. Доказано, что именно вид уравнения состояния, замыкающего систему модельных уравнений и полученного из экспериментально наблюдаемого вида фундаментальной диаграммы — зависимости интенсивности транспортного потока от его плотности, полностью определяет все свойства любой феноменологической модели. Проверка работоспособности предложенного подхода проводилась с использованием численных расчетов, путем проведения вычисленных экспериментов на типичных данных, предоставляемых системой PeMS (http://pems.dot.ca.gov/), таких как моделирование движения трафика на заданном участке транспортной сети автострады I-580 в Калифорнии.

В данной работе представлены результаты верификации исследований гидродинамических воздействий на возвращаемый аппарат сегментально-конической формы при посадке на воду. Для анализа используется программный комплекс FlowVision. Целью работы является подтверждение возможности использования данного программного комплекса для решения поставленных задач на основе сравнения расчетных и экспериментальных данных, полученных на моделях посадочного модуля корабля Apollo и возвращаемого аппарата пилотируемого транспортного корабля нового поколения, разрабатываемого в РКК «Энергия». Сравнивались значения давлений на поверхности моделей аппаратов в процессе погружения в воду и параметры движения центра масс.

Показано хорошее согласование экспериментальных и расчетных данных по силовому действию на конструкцию аппарата при приводнении и параметрам его движения в водной среде. Компьютерное моделирование адекватно отражает влияние на процесс приводнения начальных скоростей и углов входа аппарата в водную среду.

Использование компьютерного моделирования обеспечивает одновременное определение всей информации, необходимой для исследования в процессе проектирования изделия особенностей посадки на воду: гидродинамические воздействия для расчета прочности конструкции, параметры и динамику движения центра масс и вращения аппарата вокруг центра масс с целью оценки условий приводнения экипажа, а также остойчивость аппарата после приводнения.

Полученные результаты подтверждают необходимость использования программного комплекса FlowVision для исследования процесса приводнения аппарата и исследований влияния различных режимов посадки в широком диапазоне изменения начальных условий, что позволяет существенно сократить объём дорогостоящих экспериментальных исследований и реализовать условия посадки, трудновоспроизводимые в физическом эксперименте.

В статье рассматривается определение одного из показателей динамических качеств (ПДК) железнодорожного подвижного состава — поперечного ускорения кузова — с использованием системы компьютерного моделирования динамики рельсовых экипажей Simpack Rail на комплексном уровне с переменной скоростью движения в графиковом режиме. Для этой цели использована ранее верифицированная с помощью средств кафедры «Электропоезда и локомотивы» РУТ (МИИТ) модель секции типового грузового электровоза колеи 1520 мм. По этой причине вопросы, связанные с построением и проверкой модели электровоза в препроцессоре, в данной статье опускаются. Подробно описано моделирование железнодорожного пути на основе картографических эксплуатационных данных — плана, профиля и возвышения наружного рельса. Приводятся статистические параметры (моменты) выбранной геометрической неровности (источника возмущения) по каждой рельсовой нити, а также параметры плана и профиля выбранного для моделирования участка пути в виде графиков считанных файлов данных. Измерение непогашенного поперечного ускорения кузова производится с учетом горизонтальной составляющей от действия силы тяжести, что воспроизводит принцип работы реальных датчиков измерения ускорения со свободно расположенной массой. В заключение производится сравнение искомого ПДК, определенного по методу среднего значения абсолютного максимума из смоделированного нестационарного процесса со значением, полученным из экспериментальных данных. По результатам сравнения можно сделать вывод о том, что на данный показатель качества с внешней стороны прежде всего влияют скорость и геометрические характеристики рельсового пути, которые в данном случае были смоделированы в строгом соответствии с картографическими данными реального железнодорожного участка, где проводились испытания. Допущенные условности в модели транспортного средства — секции грузового электровоза (сосредоточение инерционно-массовых характеристик тел в центре их тяжести, малость перемещений между телами) — при соблюдении постоянства основных геометрических и упруго-диссипативных характеристик связей тел позволяют в Simpack Rail смоделировать поведение (отклики) системы с необходимой достоверностью.

Разработан метод обнаружения неожиданно возникающих «бутылочных горлышек», которые появляются в транспортном потоке внезапно и неожиданно для водителей. Такие неожиданно возникающие бутылочные горлышки могут двигаться, если они вызваны медленно движущейся автомашиной (тип МВ), или же оставаться неподвижными, если они вызваны внезапно остановившейся автомашиной (тип SV), например, в результате аварии. На основе численного моделирования стохастической микроскопической модели транспортного потока в рамках теории трех фаз Кернера показано, что даже при использовании небольшого процента «зондирующих» (измеряющих) автомашин (FCD), случайным образом распределенных в транспортном потоке, возможно надежное обнаружение неожиданно возникающих бутылочных горлышек. Найдено, что временная зависимость вероятности прогноза бутылочных горлышек типа МВ или SV, а также точность определения их положения существенно зависят от последовательности фазовых переходов от свободного (F) к синхронизованному (S) транспортному потоку (F→S-переход) и обратных фазовых переходов (S→F-переход), а также от колебаний скорости автомашин в синхронизованном потоке вблизи бутылочного горлышка. Предлагаемая численная методика позволяет как обнаруживать неожиданно возникшее бутылочное горлышко на автомагистрали, так и различать, связано ли такое бутылочное горлышко с медленно движущейся автомашиной (МВ) или же с внезапно остановившейся автомашиной (SV).

Одной из особенностей беспилотных автомобильных транспортных средств является их способность к организованному движению в форме кластеров: последовательности движущихся с единой скоростью транспортных средств. Влияние образования и движения этих кластеров на динамику транспортных потоков представляет большой интерес. В настоящей работе предложена качественная имитационная модель кластерного движения беспилотных транспортных средств в гетерогенной транспортной системе, состоящей из двух типов агентов (транспортных средств): управляемых человеком и беспилотных. В основу описания временной эволюции системы положены правила 184 и 240 для элементарных клеточных автоматов. Управляемые человеком транспортные средства перемещаются по правилу 184 с добавлением случайного торможения, вероятность которого зависит от расстояния до находящегося впереди транспортного средства. Для беспилотных транспортных средств используется комбинация правил, в том числе в зависимости от типа ближайших соседей, в некоторых случаях независимо от расстояния до них, что привносит в модель нелокальное взаимодействие. При этом учтено, что группа последовательно движущихся беспилотных транспортных средств может сформировать организованный кластер. Исследовано влияние соотношения типов транспортных средств в системе на характеристики транспортного потока при свободномд вижении на круговой однополосной и двухполосной дорогах, а также при наличии светофора. Результаты моделирования показали, что эффект образования кластеров имеет существенное влияние при свободномдвиж ении, а наличие светофора снижает положительный эффект приблизительно вдвое. Также исследовано движение кластеров из беспилотных автомобилей на двухполосных дорогах с возможностью перестроения. Показано, что учет при перестроении беспилотными транспортными средствами типов соседних транспортных средств (беспилотное или управляемое человеком) положительно влияет на характеристики транспортного потока.

Целью настоящей статьи является разработка модели для реалистичного описания смешанного потока автомобилей двух типов (легковые и грузовые автомобили) на многополосных магистралях с учетом не только различия в технических характеристиках транспортных средств (габариты, максимальная скорость), но также различия в стратегиях вождения. Статья включает обзор литературы, в том числе публикаций последних лет, подтверждающий актуальность моделирования неоднородных транспортных потоков.

Новая модель учитывает, что грузовики имеют более низкую (по сравнению с легковыми автомобилями) максимальную скорость и медленнее стартуют с места. Они менее маневренные, поэтому перестраиваться им сложнее. Кроме того, движение грузовиков может регламентироваться некоторыми ограничивающими правилами, например запретом движения по левым полосам.

Модель основана на теории клеточных автоматов, что позволяет всесторонне описывать особенности отдельных компонент потока. На каждом шаге по времени состояние ячеек автомата обновляется в два этапа: перестроение и движение вперед. Алгоритмы обоих подшагов отличаются для легковых и грузовых транспортных средств. Каждому автомобилю присваивается ряд параметров: вид транспортного средства, длина, максимальная скорость, стратегия при смене полосы, стратегия при движении по полосе.

Модель реализована в виде комплекса программ, позволяющего моделировать движение на различных участках улично-дорожной сети — перекрестках, участках с сужением и расширением дороги, въездах и съездах с автомагистрали. В рамках данной работы для тестирования модели выбраны участок дороги с переменным числом полос и прямой многополосный участок с виртуальным детектором. Результаты представлены в виде локальных диаграмм «скорость – плотность» и «поток – плотность», а также пространственно-временных диаграмм скорости.

Для апробации модели решается ряд задач с различным процентным составом легковых и грузовых транспортных средств, что позволяет продемонстрировать падение пропускной способности элементов улично-дорожной сети при увеличении доли грузовиков в потоке. Моделируется равномерное распределение грузовиков по полосам и движение грузовиков только по правой полосе. Иллюстрируется положительный эффект от введения ограничений на движение грузовиков по левым полосам на многополосной магистрали.

Приведены результаты исследований по идентификации каналов управляемого объекта, основанные на постобработке измерений с созданием модели многовходового управляемого объекта и последующем активном вычислительном эксперименте. Построение модели управляемого объекта осуществляется путем аппроксимации его поведения нейросетевой моделью по трендам, полученным в ходе пассивного эксперимента в режиме нормальной эксплуатации. Рекуррентная нейронная сеть, имеющая в своем составе элементы в виде обратных связей, позволяет моделировать поведение динамических объектов. Временны́е задержки входных сигналов и сигналов обратных связей позволяют моделировать поведение инерционных объектов с чистым запаздыванием. Обученная на примерах функционирования объекта с системой управления модель представлена динамической нейронной сетью и моделью регулятора с известной функцией регулирования. Нейросетевая модель эмулирует поведение системы и используется для проведения на ней опытов активного вычислительного эксперимента. Нейросетевая модель позволяет получить отклик управляемого объекта на испытательное воздействие, в том числе и на периодическое. По полученной комплексной частотной характеристике с применением метода наименьших квадратов находят значения параметров передаточной функции каналов объекта. Представлен пример идентификации канала имитационной системы управления. Имитационный объект имеет два входа и один выход и обладает различным транспортным запаздыванием по каналам передачи. Один из входов является управляющим воздействием, второй является контролируемым возмущением. Выходная управляемая величина изменяется в результате управляющего воздействия, вырабатываемого регулятором, работающим по пропорционально-интегральному закону регулирования, на основании отклонения управляемой величины от задания. Найденные параметры передаточных функций каналов имитационного объекта близки к значениям параметров исходного имитационного объекта. Приведенная ошибка реакции на единичное ступенчатое воздействие модели системы управления, построенной по результатам идентификации имитационной системы управления, не превышает 0.08. Рассматриваемые объекты относятся к классу технологических процессов с непрерывным характером производства. Подобные объекты характерны для химической, металлургической, горно-обогатительной, целлюлозно-бумажной и ряда других отраслей промышленности.

В данной статье предлагается фреймворк sumo-atclib, который предоставляет удобный единообразный интерфейс для апробации разных по ограничениям алгоритмов адаптивного управления, например ограничения на длительности фаз, последовательности фаз, ограничения на минимальное время между управляющими воздействиями, который использует среду микроскопического моделирования транспорта с открытым исходным кодом SUMO. Фреймворк разделяет функционал контроллеров (класс TrafficController) и систему наблюдения и детектирования (класс StateObserver), что повторяет архитектуру реальных светофорных объектов и систем адаптивного управления и упрощает апробацию новыха лгоритмов, так как можно свободно варьировать сочетания разных контроллеров и систем детектирования транспортных средств. Также в отличие от большинства существующих решений добавлен класс дороги Road, который объединяет набор полос, это позволяет, например, определить смежность регулируемых перекрестков, в случаях когда на пути от одного перекрестка к другому количество полос меняется, а следовательно, граф дороги разбивается на несколько ребер. При это сами алгоритмы используют одинаковый интерфейс и абстрагированы от конкретных параметров детекторов, топологии сети, то есть предполагается, что это решение позволит транспортному инженеру протестировать уже готовые алгоритмы для нового сценария, без необходимости их адаптации под новые условия, что ускоряет процесс разработки управляющей системы и снижает накладные расходы на проектирование. В настоящий момент в пакете есть примеры алгоритмов MaxPressure и метода обучения с подкреплением Q-learning, база примеров также пополняется. Также фреймворк включает в себя набор сценариев SUMO для тестирования алгоритмов, в который входят как синтетические карты, так и хорошо верифицированные SUMO-сценарии, такие как Cologne и Ingolstadt. Кроме того, фреймворк предоставляет некоторый набор автоматически подсчитываемых метрик, таких как полное время в пути, время задержки, средняя скорость; также в фреймворке представлен готовый пример для визуализации метрик.

В статье рассматривается одна из задач транспортного моделирования — поиск равновесного распределения транспортных потоков в сети. Для описания временных издержек и распределения потоков в сети, представляемой с помощью графа, используется классическая модель Бэкмана. При этом поведение агентов не является полностью рациональным, что описывается посредством введения марковской логит-динамики: в каждый момент времени водительвыбирает маршрут случайно согласно распределению Гиббса с учетом текущих временных затрат на ребрах графа. Таким образом, задача сводится к поиску стационарного распределения для данной динамики, которое является стохастическим равновесием Нэша – Вардропа в соответствующей популяционной игре загрузки транспортной сети. Так как данная игра является потенциальной, эта задача эквивалентна минимизации некоторого функционала от распределения потоков, причем стохастичностьпро является в появлении энтропийной регуляризации. Для полученной задачи оптимизации построена двойственная задача. Для ее решения применен универсальный прямо-двойственный градиентный метод. Его особенность заключается в адаптивной настройке на локальную гладкость задачи, что особенно важно при сложной структуре целевой функции и невозможности априорно оценитьг ладкость с приемлемой точностью. Такая ситуация имеет место в рассматриваемой задаче, так как свойства функции сильно зависят от транспортного графа, на который мы не накладываем сильных ограничений. В статье приводится описание алгоритма, в том числе подробно рассмотрено применение численного дифференцирования для вычисления значения и градиента целевой функции. В работе представлены теоретическая оценка времени работы алгоритма и результаты численных экспериментов на примере небольшого американского города.

Процедура сертификации самолетов транспортной категории для полетов в условиях обледенения требует проведения расчетов форм и размеров ледяных наростов, образующихся на поверхностях самолетов в различные моменты времени. В настоящее время отсутствует программный продукт российской разработки, предназначенный для численного моделирования обледенения, признанный российскими сертификационными органами. В данной работе описывается методика расчета обледенения самолетов IceVision, созданная на базе программного комплекса FlowVision.

Главное отличие методики IceVision от известных подходов заключается в использовании технологии Volume Of Fluid (VOF — объем жидкости в ячейке) для отслеживания нарастания льда. В этой методике решается нестационарная задача непрерывного нарастания льда в эйлеровой постановке. Лед присутствует в расчетной области явно, в нем решается уравнение теплопереноса. В других (известных из литературы) подходах изменение формы льда учитывается путем модификации аэродинамической поверхности с использованием лагранжевой сетки, а для учета теплоотдачи в лед используется некоторая эмпирическая модель.

Реализованная во FlowVision математическая модель предполагает возможность моделирования сухого и влажного режимов обледенения. Модель автоматически определяет зоны сухого и влажного льда. В сухой зоне температура контактной поверхности определяется с учетом сублимации льда и теплопереноса во льду. Во влажной зоне учитывается течение водяной пленки по поверхности льда. Пленка замерзает за счет испарения, теплоотдачи в лед и в воздух. Методика IceVision учитывает отрыв пленки. Для моделирования двухфазного течения воздуха и капель используется многоскоростная модель взаимопроникающих континуумов в рамках эйлерова подхода. Методика IceVision учитывает распределение капель по размерам. Численный алгоритм учитывает существенное различие временных масштабов физических процессов, сопровождающих обледенение самолета: двухфазного внешнего течения (воздуха и капель), течения водяной пленки, роста льда. В работе приводятся результаты решения тестовых задач, демонстрирующие эффективность методики IceVision и достоверность результатов FlowVision.