Los investigadores aceleran las estrategias de visualización innovadoras para recuperar la energía, el tiempo y el dinero perdidos en los atascos

¡Compártelo!

Los mapas de visualización de NREL ayudan a identificar las áreas con los mayores problemas de congestión y el desperdicio de energía relacionado.

Avanzando poco a poco en el tráfico de parachoques a parachoques, los conductores se lamentan de los años de sus vidas sacrificados en los malos desplazamientos. Incluso con la pandemia reduciendo drásticamente el volumen de tráfico, los estadounidenses aún perdieron un promedio de 26 horas el año pasado debido a la congestión de las carreteras. En un año típico, los conductores estadounidenses pasan cerca de 46 horas atascados al volante, lo que puede sumar miles de horas en el transcurso de su vida.

Los atascos de tráfico no solo hacen perder tiempo y más de 3.300 millones de galones de combustible cada año, sino que también se traducen en 8.800 millones de horas de productividad perdida y aumentos repentinos de las emisiones contaminantes. Una investigación reciente del Laboratorio Nacional de Energía Renovable (NREL) del Departamento de Energía de EE. UU., En asociación con el Laboratorio Nacional de Oak Ridge (ORNL), revela el potencial para desenredar los obstáculos del tráfico a través de una combinación de sensores y controles de próxima generación con computación de alto rendimiento. análisis y aprendizaje automático. Estas innovadoras estrategias para combatir la congestión tienen como objetivo reducir el consumo de energía de los vehículos hasta en un 20% y recuperar hasta $ 100 mil millones en productividad perdida en los próximos 10 años.

El equipo de NREL creó una serie de simulaciones (o un “gemelo digital”) de las condiciones del tráfico de Chattanooga, Tennessee, utilizando datos en tiempo real recopilados a través de una amplia gama de dispositivos sensores. Las simulaciones ayudan a identificar qué controles, en forma de programación de señales de tráfico, enrutamiento alternativo, armonización de velocidad, medición de rampa, límites de velocidad dinámica y más, pueden brindar la mayor eficiencia energética, al tiempo que optimizan el tiempo de viaje, la velocidad de la carretera y la seguridad. La información resultante puede ser utilizada por planificadores urbanos, desarrolladores de tecnología, fabricantes de automóviles y operadores de flotas para desarrollar sistemas y equipos que agilizarán los desplazamientos y las entregas.

“Chattanooga proporcionó un microcosmos ideal de condiciones y oportunidades para trabajar con una lista excepcional de socios municipales y estatales”, dijo John Farrell, Gerente del Programa de Laboratorio de Tecnologías de Vehículos de NREL. “Eventualmente, el plan es aplicar estas soluciones a áreas metropolitanas más grandes y corredores regionales en todo el país”.

Los sensores se utilizaron para recopilar datos de forma continua de más de 500 fuentes, incluidas cámaras automáticas, señales de tráfico, dispositivos GPS a bordo, detectores de radar y estaciones meteorológicas. Esta información se incorporó a la simulación, el modelado y determinadas actividades de aprendizaje automático dirigidas por investigadores de NREL para el proyecto dirigido por ORNL.

El equipo de NREL ha desarrollado técnicas y herramientas de vanguardia para identificar y cuantificar la energía perdida por la congestión del tráfico y evaluar y validar las estrategias de mitigación. Al emparejar datos de múltiples fuentes con el aprendizaje automático de alta fidelidad, los investigadores de NREL pueden estimar el uso y la pérdida de energía, determinar dónde y por qué los sistemas están perdiendo energía y modelar reacciones realistas a los cambios en las condiciones y los controles. Esto proporciona una base científica para las estrategias para mejorar el flujo de tráfico, que luego el equipo puede evaluar mediante simulaciones y validar mediante estudios de campo.

Para el proyecto Chattanooga, el equipo de NREL creó un método para estimar y visualizar el volumen de tráfico histórico y en tiempo real, la velocidad y el consumo de energía, lo que permite identificar las áreas con el mayor potencial de ahorro de energía mediante la aplicación de estrategias de alivio de la congestión. El equipo también desarrolló técnicas de aprendizaje automático para ayudar a evaluar el rendimiento de las señales de tráfico mientras colaboraba con los investigadores de ORNL en otras estrategias de aprendizaje automático e inteligencia artificial.

Los análisis de NREL miraron más allá de los datos, utilizando aprendizaje automático, datos de dispositivos GPS y sensores de vehículos, y análisis visual para examinar las causas subyacentes de la congestión. Por ejemplo, el equipo descubrió que las señales de tráfico a lo largo de un corredor principal no se habían programado para optimizar el flujo de tráfico más ligero del mediodía fuera de las horas pico, lo que resultó en una alta incidencia de retrasos debido a paradas excesivas en los semáforos en rojo.

El equipo reveló que el mismo corredor podría actuar como un área estratégica para reducir el consumo de energía, con un modelo de simulación del corredor que indica que la configuración optimizada de las señales de tráfico tiene el potencial de reducir el consumo de energía en esa ubicación hasta en un 17%. Luego, los investigadores recomendaron a los ingenieros del Departamento de Transporte de Chattanooga mejoras específicas en cuatro controladores de señales a lo largo del corredor. Los resultados del mundo real mostraron una disminución de hasta un 16% en el uso de combustible para los vehículos en ese tramo de la carretera, casi cumpliendo el objetivo de reducciones del 20%, a través del despliegue de estrategias muy limitadas.

“Optimizar el control de los sistemas de tráfico podría ayudar a ahorrar cantidades significativas de energía y reducir las emisiones relacionadas con la movilidad en el mundo real”, dijo Qichao Wang, investigador postdoctoral de NREL y líder del esfuerzo de control de tráfico en este proyecto.

El procesamiento de datos en tiempo real necesario para producir estas complejas simulaciones a gran escala se basó en la computación de alto rendimiento en la supercomputadora Eagle en NREL. Esta computadora puede realizar 8 millones de billones de cálculos por segundo, lo que permite a los investigadores completar en horas, minutos o segundos cálculos que antes habrían tomado días, semanas o incluso meses.

“La intersección de la informática de alto rendimiento, los datos de alta fidelidad, el aprendizaje automático y la investigación del transporte puede ofrecer resultados poderosos, mucho más allá de lo que ha sido posible en el pasado con la tecnología heredada”, dijo Juliette Ugirumurera, científica computacional y codirectora de NREL. del equipo de proyecto del laboratorio.

Más de 11 mil millones de toneladas de carga se transportan a través de las carreteras de los Estados Unidos cada año, lo que equivale a más de $ 32 mil millones en bienes por día. Esto brinda a los transportistas comerciales de carga una motivación aún mayor que los conductores individuales para evitar desperdiciar combustible y dinero en la congestión del tráfico. Los investigadores han comenzado recientemente a trabajar con transportistas regionales y nacionales en Georgia y Tennessee para explorar cómo adaptar de manera más efectiva las simulaciones y los controles a las flotas de camiones.

“Hasta ahora, nuestro prototipo a escala de ciudad se ha centrado más en los vehículos de pasajeros y los patrones de viaje individuales”, dijo Wesley Jones, gerente del grupo de computación científica de NREL y codirector del equipo de proyecto del laboratorio. “A medida que ampliamos nuestra investigación para examinar las operaciones de carga, también analizaremos más ampliamente las rutas regionales y nacionales por las que viajan”.

Eventualmente, se anticipa que estas tecnologías para el transporte de pasajeros y carga se aplicarán en todo el país, con sensores adicionales y equipos de control integrados en infraestructura y vehículos conectados y autónomos.

Otros socios del proyecto incluyen la ciudad de Chattanooga, el Departamento de Transporte de Tennessee, el Departamento de Transporte de Georgia, la Universidad de Tennessee, la Universidad de Vanderbilt, la Universidad Estatal de Wayne, TomTom, FedEx, USXpress, Covenant Transport Services y Freight Waves.

Más información sobre NREL Ciencia computacional y transporte y movilidad investigar.

Artículo cortesía del NREL

.
Sin más, volvemos a vernos la siguiente noticia. ¡Hasta la próxima!

¡Compártelo!

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *