Optimalizace provozu silničních tunelů OPTUN

Praha, leden 2006

Optimalizace provozu silničních tunelů OPTUN Stručný přehled prací za rok 2005

Práce na projektu vědy a výzkumu Ministerstva dopravy 1F43A/069/120 „Optimalizace provozu silničních tunelů“ (OPTUN) byly zahájeny v roce 2004 a budou ukončeny v roce 2006. Koordinátorem a vedoucím tohoto projektu je ELTODO EG, a.s. - Odbor výzkumu a vývoje. Spoluřediteli jsou METROSTAV, a.s., METROPROJEKT, a.s., ČVUT - Fakulta dopravní a Technická Správa Komunikací hl. m. Prahy. Hlavní cíle projektu lze na tři roky řešení shrnout do bodů: 1. Vytvoření architektury tunelového systému umožňující uživateli optimálně vybavit tunel při zachování stanovené bezpečnosti a nezvyšování investičních a provozních nákladů; 2. Analýzy skutečných nákladů a nalezení metodik pro sledování a optimalizaci provozních nákladů tunelu; 3. Výzkum možností optimalizace činnosti ventilace vycházející z měřených dopravních parametrů, částečně eliminující neuspokojivá měření fyzikálních veličin a zvyšující přesnost řízení ventilace; 4. Hledání metod popisujících rozdíl chování řidiče v tunelu a na volné komunikaci a hledání vazeb na design tunelu; 5. Zpracování návrhu a metodické příručky pro testování požárů. 6. Dalším cílem projektu je provést výzkum chování řidiče v tunelu a navrhnout metodu pro měření úsekové rychlosti. V roce 2005 byly řešeny úkoly zpracované do příloh zprávy, lit. [1]:

Příloha 1 Příloha 2 Příloha 3 Příloha 4

– – – –

Architektura tunelových staveb Analýza chování řidiče v tunelu Řízení ventilace v tunelu na základě měření dopravních dat Ekonomický model provozování tunelu

Architektura tunelových staveb Cíl řešení

Dopravní, bezpečnostní a technologické systémy tunelu tvoří velmi komplexní systém. Proto, aby se využilo všech jejich možností je nutné se na ně dívat jako na telematický systém charakterizovaný integritou dat a informací s jedinou společnou cílovou funkcí, kterou je optimalizace provozu tunelu při zachování maximální bezpečnosti pro jeho uživatele. Pro popis takovýchto složitých systémů je vhodné použít popis ve formě architektury, jak doporučuje například evropský projekt KAREN. Tunelové systémy dosud podobným způsobem nebyly zpracovány. V rámci projektu OPTUN je vytvořena speciálně koncipovaná funkční a informační architektura, která pomocí web rozhraní definuje uživateli, co může a musí od jednotlivých subsystémů očekávat. Jedná se tedy o unifikaci, která je nezávislá na dodavateli a přitom zajišťuje jednotné vlastnosti tunelových systémů na úrovni celé České republiky.

Celý postup je schématicky znázorněn v Obr. 1. Z toho vyplývá, že tunel je rozdělen na n subsystémů (Osvětlení, Ventilace apod.). Část technologického, dopravního či bezpečnostního vybavení v tunelu musí být povinně, neboť je to dáno normami a technickými podmínkami (v obrázku označeno „povinné vybavení“. Příkladem může být akomodační osvětlení nebo pozice a výkony ventilátorů. Pro jejich návrh platí přesné metodické návody. Pak ale v tunelu může být vybavení, které není jednoznačně požadováno, ale je doporučováno a nebo se osvědčilo v jiných tunelech. Toto vybavení, které požaduje uživatel (investor, budoucí provozovatel, bezpečnostní technik, složky IZS apod.) je označeno jako Uživatelská potřeba UP.

Obr. 1: Schématické znázornění tvorby architektury

2

Chyba! Nenalezen zdroj odkazů.

Uživatel má možnost z nabídky UP vybrat právě ty, které mu pomohou řešit daný problém. Orientovat se ve všech funkcích, které má zvolený systém vykonávat nebo ve vazbách, které zde musí být, aby se plně integroval do systému tunelu je pro „laika“, resp. pro běžného uživatele téměř nemožné. Zvláště v takovýchto případech nastupují různé lobystické tlaky, které systém mohou neúměrně prodražit a komplikovat. Právě pro tyto situace má nezastupitelnou roli architektura tunelového systému. V rámci architektury je pro každou UP definována hierarchie funkcí: od nejvyšší makrofunkce, která definuje globální potřebu „Měření úsekové rychlosti“, až po elementární funkce detailně popisující danou UP: „Rozpoznávání registrační značky“, „Přenos hodnoty do …“ apod. Dílčím výstupem automaticky generovaným je seznam všech funkcí jedné nebo více uživatelských potřeb. V dalším kroku se definují všechny vazby mezi funkcemi UP, mezi funkcemi tunelu a vnější vazby. Jedná se o popisy informačních toků mezi „novými“ i původními zařízeními tunelu. Tím je zabezpečena integrace ve smyslu TP98, kap. 1.2 „Tunel jako telematický systém“. Uživatelskou potřebou může být například „Měření úsekové rychlosti“, „Měření vzdálenosti mezi vozidly“ nebo „Identifikace dopravních excesů“. Praktický postup je takový, že si uživatel, který nemusí být specialistou v oboru, označí uživatelské potřeby v tabulce na webu, viz. Obr. 2, a z databáze jsou vygenerovány právě jen ty funkce, které jsou pro realizaci této potřeby nutné. Tyto funkce potom musí dodavatel realizovat. Kromě toho jsou vygenerovány informační toky mezi novými funkcemi a zbytkem tunelového systému, respektive okolím. Přechod mezi jednotlivými stránkami aplikace je zajištěn pomocí hypertextových odkazů. To je značný přínos z hlediska integrace celého systému.

Obr. 2: Obrazovka web aplikace pro definování uživatelských potřeb

Příklad funkční a informační architektury pro uživatelskou potřebu „Řízení ventilace na základě dopravních dat je na Obr. 3. Z obrázku je patrné, že z parametrů dopravního proudu jsou funkcemi F7.1.1.1 až F71.1.3 zpracovány parametry dopravy, aby ve funkci F2.2.2 byly odhadovány koncentrace škodlivin, které řídí provozní ventilaci (F2.3.1).

3

Obr. 3: Funkční a informační architektura pro

Architektura tunelových systémů je reprezentována na interaktivních webových stránkách. Zobrazení a uchování definované architektury je založeno na jazyku XML. Dokument v jazyku XML reprezentuje, jak databázi uchovávající popisné informace o architektuře tunelu, tak s použitím vhodných šablon zobrazuje architekturu v požadované formě. Jako aplikační platforma pro webovou aplikaci byla zvolena ASP. NET s použitým programovacím jazykem VisualBasic. NET. Závěr k architektuře: Architektura tunelu založená na uživatelských potřebách spolehlivě generuje funkce a jejich vazby pro optimální návrh daného subsystému. Tím je zaručeno, že se systém nepřevybavuje, či na druhé straně není realizován v dostatečné míře. Dochází tím k jisté unifikaci zařízení a systémů a to nezávisle na dodavatelích. Navíc takto koncipovaný systém splňuje pojetí tunelu jako telematického systému. Detailní popis problematiky je ve výzkumné zprávě, lit. [2]. Protože architektura je neustále živý problém, doporučují řešitelé pokračovat v jejím vylepšování a testování i v roce 2006.

4


Analýza chování řidiče v tunelu Cíl řešení

Téměř v každé práci zabývající se bezpečností v tunelu autoři konstatují, že se řidiči chovají v tunelu jinak: ztrácejí pocit jistoty, nerozeznávají světové strany, řídí křečovitě apod. Vždy se jedná o subjektivní pozorování a dosud nebyly publikovány metody umožňující změny v chování řidiče měřit. Práce realizované v tomto pracovním rámci mají charakter základního výzkumu. Úkol vede Fakulta dopravní a jedním z cílů bylo prokázat, že se řidiči chovají v tunelu jinak než na volné komunikaci. Dnes je téměř jisté, a podařilo se prokázat, že tato změna v chování existuje. Praktickým výstupem by mohlo být hledání vazeb mezi designem tunelu (šířkou vozovky, barevností apod.) a chováním řidiče. Takovéto výstupy by měly značné praktické dopady na návrh tunelů.

Výzkum se ubírá dvěma směry: v prvním případě je pomocí zkušebního automobilu vybaveného kamerou měřena trajektorie vozidla v reálném tunelu a na volné komunikaci. Vyhodnocuje se střední kvadratická odchylka od střední dělící čáry. V roce 2005 bylo vykonáno několik zásadních experimentů v reálných podmínkách pražských tunelů. Ve druhém případě se pro testování používá laboratorní simulátor využívající kokpit vozidla. Ten byl od zahájení projektu vylepšován pro co nejvěrnější napodobení reálných podmínek. V letošním roce byla vytvořena virtuální realita tunelu, který se blíží vzhledem tunelu Panenská na dálnici D8 a byly provedeny první testy se skupinou řidičů. Také tyto výsledky poskytují zajímavé informace. V praktickém experimentu projíždí řidiči opakovaně tunely Strahov a Mrázovka a pak pokračují v jízdě po volné komunikaci. Při jízdách je zachovávána přibližně konstantní rychlost okolo 70km/h. Vždy je vyhodnocována střední kvadratická odchylka od střední dělící čáry. Každý experiment každého řidiče se opakuje čtyřikrát. Na příkladu několika obrázků jsou uvedeny výsledky pro typického řidiče. Řidič VS projížděl čtyřikrát Strahovský tunel a histogramy četnosti vzdáleností od střední dělící čáry jsou téměř konstantní, viz. Obr. 4. Vrcholy histogramu a tedy i nejpravděpodobnější pozice při jízdě se pohybuje mezi 1,35 a 1,55 m, tedy v rozmezí cca 20 cm. Samozřejmě jsou i výjimky, kdy jel ve vzdálenosti 1,05 m nebo naopak v 1,95 m.

Obr. 4: Histogram odchylky – 4 jízdy v tunelu, řidič VS

Stejný řidič projížděl i po volné komunikaci, v Obr. 5 je komunikace označena „Lipence“. Oba vrcholy se poměrně značně liší. V tunelu jezdí tento řidič mnohem blíže střední čáry (1,65 m), než na volné komunikaci (1,95 m). Otázkou zůstává, co nutí řidiče jet v tunelu více ve středu, což je potenciálně velmi nebezpečné, zvláště v obousměrných tunelech.

5

Obr. 5: Histogram odchylky silnice, řidič VS

Pro ověření a verifikaci těchto předběžných výsledků je nutno pokračovat v experimentech i v roce 2006. Poměrně větší skepticizmus vládnul při vykonávání stejných experimentů na simulátoru. Je to proto, že přece jenom jízda virtuálním tunelem, sice na simulátoru, ale v laboratoři, by nemusela vyvolávat u řidičů pocity ohrožení jako v reálném tunelu. Proto byla v roce 2005 vytvořena co nejvěrnější scéna virtuální reality pro tunel Panenská. Příklad vjezdu do tunelu je na Obr. 6.

Obr. 6: Virtuální realita, vjezd do tunelu Panenská

S použitím této scény doplněné o 3D efekt pomocí anglifyckých brýlí byla provedena úvodní série měření a to pro 13 řidičů. Při všech měřeních byly sledovány zejména trajektorie (odchylky od geometrického středu vozovky, rychlost vozidla, pohyby volantu a u části řidičů též EEG signály a tepová frekvence). Na Obr. 7 jsou uvedeny celkové hodnoty rozptylů odchylek trajektorií, které opět ukazují na jiných charakter jízdy v tunelu a do značné míry potvrzují měření z reálného provozu.

6


Obr. 7: Hodnoty rozptylů odchylek trajektorií

Pro seriozní ověření výše zmíněné hypotézy bude však třeba v r. 2006 provést měření na větším počtu pokusných osob a to i z hlediska věku, pohlaví nebo profese. Pro informaci jsou uvedeny výsledky odchylek pro řidiče PV, který vyhovuje hypotéze, že se řidič v tunelu chová jinak a dále jsou zde výsledky řidiče JK, který na simulátoru nerozlišuje tunel a silnici:

Obr. 8: Histogram odchylek pro řidiče PV (vlevo) a JK (vpravo)

Závěr k analýze chování řidiče v tunelu: Přes skutečně mlhavé zadání a nejasnosti, zda se vůbec podaří najít nějaké měřitelné změny v chování řidiče jsou prozatímní výsledky optimistické. Práce budou pokračovat s většími skupinami řidičů i v roce 2006 a to testy v reálných tunelech i na simulátoru. Pro praxi by mělo značný význam i to, kdyby se podařilo sledovat změny v chování řidičů v tunelu i pokud má jiný design. V rámci kontrolních schůzek řešitelů projektu s provozovateli byl například učiněn návrh zkusit zjistit a ohodnotit změny ve způsobu jízdy pokud tunel bude opatřen vodícími LED prvky. Také v tomto směru budou práce rozvíjeny, ale nelze očekávat úplné uzavření problematiky, ale spíše nastínění dalších směrů výzkumu.

7

Řízení ventilace v tunelu dle dopravních dat Cíl řešení

Problematika řízení ventilace podle dopravních dat může mít značný praktický význam, neboť dosud se řídí ventilace podle okamžitých hodnot koncentrace oxidu uhelnatého či opacity měřených v jednotlivých bodech, vzdálených například 200 metrů od portálu tunelu. Kromě toho, že jsou tyto senzory extrémně drahé a vyžadují poměrně náročnou údržbu, projevuje se zde nevýhoda bodového měření, kdy ventilace spíná podle okamžité hodnoty dané například i silně čadícím (jediným) vozidlem. Časté a nepredikovatelné spínání ventilace má kromě zvýšené spotřeby energie vliv na životnost ventilátorů, které mají omezenou četnost spínání. Řešení v roce 2005 nalezlo a ověřilo matematický aparát predikce koncentrací škodlivin z dopravních dat metodami Data Mining.

Dopravní parametry, intenzita dopravy a rychlost, jsou mnohem lépe predikovatelné, neboť vozidla tvoří definované entity, jedoucí tunelem za daných dopravních podmínek. Navíc ve většině tunelů je mnohem více dopravních senzorů, než měřičů koncentrací škodlivin, protože jsou mnohem levnější a téměř vždy jsou dopravní senzory i před tunelem. Tím je dáno, že se jedná o mnohem větší soubor dat, který má navíc podstatně vyšší informační obsah. Idea řízení ventilace dle dopravních dat počítá s těsnou a logickou vazbou mezi dopravou a koncentracemi škodlivin. V rámci prací byly analyzovány velké soubory dat ze všech tunelů a k tomu byla i zkoumána vhodnost pozice detektorů pro výzkum řízení ventilace. Nakonec se ukázalo, že nejvhodnější data budou z tunelu Mrázovka. Data se zde ukládají po 30-60 s, což znamená, že za 24 hodin je v databázi několik desítek MB. Pro měření byla vybrána východní trouba. Jak ukazuje výsek z celkového schéma (Obr. 9) jsou v tunelu desítky senzorů.

Obr. 9: Pozice a popis senzorů ve východní tunelové troubě

Při analýze dat z Mrázovky se potvrdila známá skutečnost, že se jedná o tak velké soubory, se kterými není možné pracovat běžnými prostředky, například v prostředí EXCEL. Proto bylo značné úsilí věnováno vývoji software na zpracování a uživatelsky příjemné prohlížení měřených dat. Nakonec byl tento problém vyřešen v programovém prostředí MATLAB. Ukázalo se, že v praxi chybí uživatelsky příjemné prohlížeče měřených dat, neboť jedním z prvních výsledků analýzy dat bylo zjištění, že několik senzorů chybně měří, což nelze zjistit prohlížením souboru „surových“ dat. Protože data jsou často zatížena chybami je součástí prohlížeče modul „Předzpracování dat“, který provádí filtraci, hledá extrémní hodnoty „surových“ dat, které se často liší o několik řádů, vylučuje duplicitní hodnoty atd. Příklad výstupu pro měřené intenzity osobních vozidel pro senzor ukládající data do souboru ATM DMY 2153NOS-VALO je na Obr. 10. 8


Obr. 10: Výstup prohlížeče pro intenzitu osobních vozidel

V levé části obrazovky jsou zpracované výstupy intenzit dopravy za 17 dní měření, od 4. září do 20. září. Každý takto zaznamenaný přehled lze po jednotlivých dnech analyzovat na obrazovce vlevo dole. Zde je již rozložení po hodinách. Velmi cennou informací jsou histogramy udávající četnosti jednotlivých událostí, které jsou vpravo dole. Podstatným výstupem roku 2005 bylo hledání korelací mezi parametry dopravního proudu a koncentracemi škodlivin jako základu pro další práce. Podrobný postup a výsledky jsou zpracovány ve Výzkumné zprávě, lit. [3]. Ta popisuje teoretický rozbor metod Data Mining a zvolené metody, včetně výsledků. Pro modelování škodlivin bylo vzato v úvahu 84 různých vstupních proměnných měřených v tunelu (intenzita dopravy, rychlost, tlak, teploty, směr větru různých senzorů). Tím získal model mimořádnou dimenzionalitu. Pro modelování byly zvoleny dva přístupy: lineární a logistická regrese a především modely založené na rozhodovacích stromech. V případě regrese je cílem modelování je určit vztah mezi regresory – proměnnými (intenzita, teploty atd.), a cílovou hodnotou (koncentrace CO, opacity). V našem případě je regresorů více a proto mluvíme také o mnohočetné regresi. Mnohočetnou regresi můžeme vyjádřit vzorcem: k

y j = α + β1 x1 j + β 2 x2 j + K + β k xkj + ε j = α + ∑ β i xij + ε j . i =1

kde xij jsou hodnoty proměnných a yj je cílová hodnota. Koeficienty β jsou hledané koeficienty a koeficient α je tzv. intercept. Člen εj je odchylka mezi skutečnou a vypočtenou hodnotou. Omezením regresních modelů je lineární závislost mezi regresory a cílovou proměnnou. Omezení lze překonat vhodnou transformací proměnných. Výsledky regrese jsou uvedeny ve zprávě. V práci byla větší pozornost věnována rozhodovacím stromům. Rozhodovací stromy představují metodu modelování založenou na segmentaci dat pomocí sledu jednoduchých pravidel. Původní množina dat je rozdělena na podmnožiny podle hodnoty určité proměnné tak, aby bylo dosaženo co nejlepší separace cílových hodnot v podmnožinách. Každá podmnožina je následně dělena podle další proměnné, čímž vzniká stromová struktura. 9

Podmnožina se také nazývá nodem, pokud se jedná o nod který již není dále dělen mluvíme o listu stromu. Větvení stromu je prováděno tak aby bylo co nejlepší rozdělení cílových hodnot, to znamená, aby v ideálním případě byly stejné cílové hodnoty jednom listu. Vytvořený strom je proto tvořen sérií pravidel, podle kterých jsou pak testovací a out-of-sample data zařazována do jednotlivých listů, u kterých je z trénovacích dat známá hodnota cílové proměnné. Rozhodovací stromy tak představují srozumitelný typ modelů který se, stejně jako například regresní modely, snadno implementuje. Algoritmus prohledává proměnné trénovací množiny a hledá takovou proměnnou která co nejlépe separuje od sebe hodnoty cílové proměnné. Pokud je tato proměnná nalezena, pak je trénovací množina rozdělena na podmnožiny podle dané proměnné tak, aby cílové hodnoty byly od sebe co nejlépe separovány. Tento postup je rekurzivně prováděn pokud není dosaženo kritéria pro jeho zastavení. Kritérií pro zastavení dělení větve stromu může být více, jednak hodnota cílové proměnné, pokud cílová proměnná obsahuje jen jednu hodnotu pak další dělení již není potřeba, dalším kritériem může být minimální počet pozorování v daném nodu, dosažení prahu variability v cílové proměnné, dosažená maximální hloubka větvení, a podobně. Pokud jde o zobrazení rozhodovacích stromů, zobrazujeme je buď stromovou strukturou, případně přehledněji pomocí mezikruží. Příklad části stromové struktury pro stanovení opacity z dopravních dat je na Obr. 11. Ve žlutých polích je jednak počet N pozorování (pětiminut), a dva sloupce s průměrnými hodnotami targetů pro trénovací a testovací data. Na obrázku jsou znázorněna i rozdělovací pravidla.

Obr. 11: Část rozhodovacího stromu pro predikci opacity

Výkonnost nejlepších modelů je testována na datech která nebyla do modelování použita v našem případě byly modely hodnoceny na out-of-sample datech (měsíc září a první polovina října) Prvotní informaci o případné korelaci dat lze vytěžit grafickým zpracováním závislosti mezi dvěma proměnnými. Graf na Obr. 12 vyjadřuje závislost mezi koncentrací CO (target) a mezi intenzitou vozidel (vstupní proměnná) pro čtyři různé soubory dat. Z grafu lze rozeznat, že tato závislost bude patrně existovat. 10


Obr. 12: Vztah intenzity vozidel a koncentrace CO (co_vtt_1240)

Pro představu o výkonnosti modelů byly odhadovány hodnoty škodlivin pouze z měřených ostatních dat v tunelu. V následujících grafech je vždy měřená (skutečná) hodnota opacity a zároveň je zde odhad pro Regresní model i Stromkový model využívající dopravní data. Z grafu je patrné, že měření opacity lze nahradit jejím odhadováním z jiných veličin.

Obr. 13: Odhad opacity regresního (zeleně) a stromkového (červeně) modelu. Skutečná hodnota modře. Odhad pro typické pondělí za září až polovinu října

Dále byla testována predikce opacity o 5 a 15 min. Výsledky jsou na dalších grafech.

11

Obr. 14: Predikce opacity o +5 min. (vlevo) a +15 min. (vpravo)

V předpovědi pro 15 minut se projevila anomálie v čase okolo 8 hodiny. Graf je uveden úmyslně, protože ukazuje na nutnost dalšího zkoumání dat. Vybrané typy modelů – to jest rozhodovací stromy a regresní modely se vyznačují jednoduchostí a snadnou srozumitelností a implementací. Pro zlepšení predikčních modelů je zásadním požadavkem zlepšení funkce příslušných čidel, zajištění konzistence měření a zabránění systematickým chybám čidel. Uvedené vyhodnocování dat má i velký význam pro praxi. V rámci projektu byla navrženými postupy testovány všechny senzory v tunelu Mrázovka a bylo odhaleno několik chyb, které byly předány správci tunelu k řešení. Dosud známými postupy by nebylo možné tyto chyby odhalit. Typickým příkladem je měření rychlosti senzorem č. 848. Histogram na Obr. 15 ukazuje, že průměrná rychlost byla v jednom období okolo 82 km/h a v dalších třech obdobích „skočila“ na 92 km. Chyba patrně vznikla přecejchováním čidla. rychlost_vtt_848 900 prvni obdobi druhe obdobi treti obdobi ctvrte obdobi

800 700

Cetnos t

600 500 400 300 200 100 0 60

70

80 90 100 Hodnota rychlost_vtt_848

110

120

Obr. 15: Chyba čidla rychlosti – v různých obdobích měřilo různě

Závěr k řízení ventilace: Dvě základní témata letošního roku byla: (1) Najít a vytvořit programové prostředí pro práci s velkými soubory měřených dat a (2) Výzkum korelace dopravních a fyzikálních dat. V roce 2006 potom budou pokračovat práce hledáním matematického modelu pro řízení ventilace dle dopravních dat a ověření simulací na reálných datech. 12


Ekonomický model provozování tunelu Cíl řešení

Návrhu tunelů se věnuje mimořádná péče a existuje řada standardů, které umožňují navrhnout tunel optimálně vzhledem k jeho výstavbě a vybavení. Mnohem menší, nebo téměř žádná pozornost se věnuje analýzám a optimalizaci provozování tunelu, které je, díky použití složitých technologií, poměrně nákladné. Projekt se zabývá návrhem metodiky pro zaznamenávání potřebných dat a jejich následným vyhodnocováním, aby se provozní náklady v průběhu života tunelu neúměrně nezvyšovaly. Dále hledá další podpůrné podklady pro podporu výstavby nových tunelů.

Jedním z hlavních úkolů ekonomické analýzy projektu OPTUN je vytvoření takového modelu, který umožní vyhodnocovat veškeré náklady vyplývající z provozu tunelu, které lze rozdělit do následujících činností: a) Údržba stavební části; b) Údržba a mimořádná údržba technologických zařízení a vybavení tunelu; c) Elektrická energie a spotřeba hmot; d) Voda, odběr vody, spotřeba vody; e) Čištění a mytí tunelu a ostatních objektů; f) Ostatní náklady; g) Finanční náklady; h) Mzdy; i) Režijní náklady správce vztažené k tunelu; j) Náklady na obnovu. V rámci projektu byla vypracována metodika pro zaznamenávání provozních údajů. Kapitola provozní náklady je naplánována na rok 2006. Informativně byla provedena analýza provozních nákladů několika tunelů. Na následujících grafech jsou patrné určité souslednosti. Ve Strahovském tunelu provozní náklady stále rostou, prudší zlom v ceně za elektřinu v roce 2003 souvisí s jejím zdražením.

Obr. 16: Provozní náklady: Strahovský tunel

Zcela jiný charakter vykazují náklady tunelu Letná, který byl v létech 2002-3 rekonstruován a od té doby je údržbě věnována zcela jiná pozornost.

13

Obr. 17: provozní náklady: Letenský tunel

Při rozhodování o výstavbě tunelu hraje nebo by mělo hrát roli i bezpečnostní hledisko, které vychází z všeobecně známé zkušenosti, že v tunelu je podstatně menší počet nehod než na volné komunikaci, která je obvykle mnohem delší a z hlediska dopravy problematičtější, neboť zde bývají křižovatky, jezdí se obousměrně, jsou zde vlivy počasí apod. Vyčíslením dodatečných nákladů, které vznikají na objízdných trasách je poskytována i přímá ekonomická podpora pro výstavbu tunelů. Kvantifikováním těchto nákladů se zabývá kapitola „Mimořádné náklady“. Přitom se vychází z vyčíslení ztrát na usmrcení či zranění člověka v důsledku dopravních nehod metodikou přímých a nepřímých nákladů. Výsledky platné pro Českou republiku jsou v tabulce:

Tab. 1: Souhrnná rekapitulace ztrát způsobených nehodami

Výše uvedená čísla budou vstupními parametry do demonstrativního příkladu, který bude řešen v roce 2006. Tam budou porovnávány vlivy využití alternativních tras oproti jízdě v tunelu. Za příklad byl z mnoha důvodů vybrán Strahovský tunel délky 2,2 km s podélným gradientem 3,2 %. K alternativě SAT existují, a v době budování SAT také existovaly, alternativní trasy. Z nich byly vybrány dvě pro simulaci objíždění. Pro simulaci bylo zvoleno mikrosimulační prostředí AIMSUN. To umožňuje sledovat jízdu každého jednotlivého vozidla a to včetně věrné simulace chování řidiče a sledování emisí vozidla v rozlišení na kategorie. Předpokládá se provést pět dopravních simulací pro úplné či částečné uzavření tunelu. Výsledný model pro podporu rozhodování bude vycházet ze schématu na Obr. 18. V obecné rovině lze konstatovat, že rozhodovací model bude založen na třech základních pilířích, jejichž prostřednictvím bude možné přímo vstupovat či ovlivňovat závěrečné výstupy vedoucí k doporučení jedné z alternativ řešení dopravní infrastruktury, kdy je nutné brát v úvahu i situaci v jednom konkrétním dopravním uzlu a jeho okolí.

14


Obr. 18: Schéma ekonomického modelu

Závěr k ekonomickému modelu: Práce na tvorbě ekonomického modelu, který má jednak umožnit posouzení výstavby tunelu a hlavně má sledovat provozní náklady byly zahájeny s předstihem jednoho roku. V roce 2006 budou práce pokračovat ve stejném duchu, budou dále sbírány ekonomické údaje. Kromě ověření ekonomiky výstavby tunelů simulací Strahovského tunelu by měl být výstupem i návrh postupu ve sledování a analýze ekonomiky tunelů, který by mohl být následně vydán ve formě metodické příručky, technických podmínek nebo jiného závazného dokumentu. Bez takovéhoto postupu skutečně může dojít ke značným ekonomickým ztrátám při výstavbě nových, či provozování stávajících tunelů.

Literatura [1] Přibyl P., Hašek M.: „Optimalizace provozu silničních tunelů – OPTUN 2005“, Redakčně upravená roční zpráva projektu, Eltodo EG, Praha, leden 2006 [2] Hašek M.: „Data ATM - Popis sbíraných dat vzduchotechniky ATM“, Výzkumná zpráva 209/05, Eltodo EG, 13. dubna 2005 [3] Pavelka M.: „Modely koncentrací škodlivin“, Výzkumná zpráva č. 218/05, Eltodo EG, Praha, říjen 2005, 50 str. [4] Poláček I., Sýkora O., Vysoký P., Bouchner P., Novotný S., Piekník R., Pěkný J., Možná J., Novák M.: „Analýza chování řidiče v tunelu a na volné silnici na základě průběhu trajektorie vozidla“, Výzkumná zpráva LSS 253/05, FD ČVUT, prosinec 2005 [5] Tichý T., Duchoň B.: „Model ekonomického řízení provozních nákladů tunelu a jejich optimalizace“, Výzkumná zpráva č. 220/05, Eltodo EG, Praha, prosinec 2005, 46 str.

Zpracoval: Prof. Ing. Pavel Přibyl, CSc.

15

Optimalizace provozu silničních tunelů OPTUN

Recommend Documents