微观交通仿真（共6篇）
微观交通仿真 篇1
交通系统所特有的复杂性、随机性等特点，使仿真技术成为进行交通研究的重要手段之一。利用交通仿真模型，人们可以动态、逼真地仿真交通流和交通事故等各种交通现象，有效地进行交通规划、交通组织和管理等研究。另外，利用仿真技术可以避免一些费用昂贵且周期长的交通调查和现场试验，以较小的代价获得难以调查的数据，并再现多种交通现象，实践证明仿真是研究交通控制的有效手段。交通系统是由系统中各实体的相互作用而体现出的一种综合性的行为，是各种个体微观随机行为的宏观表现，运用数学模型的方法来进行模拟是难以奏效的。Agent技术作为面向对象技术的继承与发展，弥补了单纯采用面向对象技术进行仿真的缺点。通过模拟各实体的具体特点及相互间的作用关系来实现系统的仿真，运用Agent技术进行微观交通仿真，国内外学者做了大量的研究[1,2]。本文在每个路口设置一个控制Agent，负责该路口的所有相位的控制。相位之间利益的协调作为Agent的一种能力来设计实现，而路口之间通过对策论和社会规则、交警经验等协调方法，最后以微软的Visual C++6.0为开发平台通过控制策略动态链接库插件实现了多路口的城市智能交通微观仿真系统。
1 智能交通控制的基本结构
在智能交通控制系统中，由于子系统可大可小，所以系统的结构也多种多样。归纳起来，城市交通控制这样的大系统，其结构方案目前有以下三种[3]：分散控制、集中控制和分布式计算机控制。交通控制从最初的定时信号控制到感应控制，控制效果有了很大的提高。目前，主要的感应控制系统有英国的SCOOT、澳大利亚的SCATS、日本的CACS控制系统等，这些控制系统主要是集中控制型结构，即交通控制方案由控制中心来统一制定，各个路口控制器并没有自己动态调整的能力，只是负责交通数据的采集以及控制方案的执行等任务。这种结构在控制策略的制定上主要是以控制区域内关键交叉口的交通数据为主，对局部交通的波动难以给予有效考虑，并且，由于控制方案的制定都需控制中心来完成，导致控制中心优化算法复杂，运算量大，系统效率低，难以适应多变的交通局面。如SCOOT系统几乎所有相关控制策略模型都是通过数学模型的仿真中获得，这就要求抽象的数学模型必须准确地反映系统的运行状态;另一方面，数学模型的精确度越高，结构就越复杂，因而仿真时间就越长，这将会在实时性与可靠性之间产生矛盾。从控制方式来看，SCATS属于一种开环控制，不具有反馈功能。该系统的控制参数与交通状态的对应参数是事先设置的，这将会导致实时性不够好。同时由于该系统可选方案数目限制，执行每一方案持续时间较长，在一定程度上影响控制的随机性和参数的优化程度。随着微处理器性价比的提升，在每个路口设立一个工控机已成为可能，这样每个路口的控制器均有足够的能力完成自身控制策略的制定与执行。本文中使用分布式计算机控制结构，将A-gent应用于每个路口的信号控制器中，设计开发出交通信号控制Agent(TSCA)用于完成交通信号的控制;并将强化学习方法与基于经验知识的控制方法结合起来用于TSCA控制策略的学习中，另外管理Agent可以指导TSCA在交通拥挤的情况下与相邻的TSCA相互协调，以提高TSCA的控制效果。
2 基于MAS的多路口微观仿真
2.1 路口Age nt的结构
利用TSCA实现分布式协调控制的过程可以概要地描述为：车辆检测到的路况信息发送给TSCA的学习器，同时相邻的TSCA也为学习器提供相关路况信息;学习器根据接收到的信息以及有关经验知识或者学习得到的定量信息，为行为决策器提供决策依据;行为决策器根据学习器提供的依据选择行为，并由控制执行装置执行控制行为。当控制行为作用于交通路口后将改变路口的交通状态，经过一定的时间间隔(例如10秒)，车辆检测器再次将检测到的路口状态传送给TSCA，并计算得到一个强化信号反馈给学习器，学习器根据该信号修正Q值，并再次根据交通状态进行决策。设计时具体的路口Agent的结构如图1所示。当TSCA根据检测到的交通状况，需要通过协调以缓解自身的交通负荷时，可以通过协调模块与相邻路口Agent进行协调。管理Agent可以通过通讯模块发送控制指令给TSCA,TSCA无条件执行管理Agent的控制方案;而且TSCA需要将控制的效果反馈给管理Agent，以便管理Agent可以对自身所具有的经验知识进行更新。
2.2 路口Age nt的实现
在仿真路网上的每个交叉口设置一个TSCA，用于实现交通信号灯的控制。TSCA的实现以Visual C++6.0为编程工具。TSCA类是Windows的线程类CWinThread的派生类，定义形式如下：
其中，函数InitialAgent()实现对Agent的初始化;函数QLearning()及函数DecsionMaking()用于实现Q学习算法[4]，其中使用的是神经网络类CNetwork。
2.3 路口Age nt通讯
(1)与相邻路口Agent的通讯作为交通信号分布式控制系统中的TSCA，它与相邻TSCA之间的通讯最多，也最频繁。这主要是因为在分布式控制中，传统意义上的子区甚至整个区域协调控制的实现都是通过相邻TSCA之间的协调来完成的。当TSCA所控制的信号灯颜色改变时，必须将信息发送给所有与其相邻的TSCA，以便它们在决策时及时应用最新信息。由于TSCA可能具有多个相邻路口，但是数目一般不会超过六个，而且消息的内容较短，因此仍采用直接通讯方式来实现。当TSCA所控路段的交通状况因为某些原因，比如，由于发生了交通事故而十分拥挤时，为了尽快疏通交通，需要向相邻路口发出协调请求。协调请求是针对某个具体的相邻TSCA(由管理Agent指定)而发出的，属于点对点的直接通讯。
(2)与管理Agent的通讯TSCA与管理Agent之间的通讯是双向的。一方面，管理Agent向TSCA发送控制策略，主要是控制型指令;另一方面，TSCA需要向管理Agent发送有关自身的交通状况信息[5]，并对执行控制策略后的效果进行反馈。
2.4 路口Age nt间的协调
交通控制Agent系统中，没有设置专门的协调A-gent，主要由TSCA自身以对策论或社会规则、交警经验为依据处理协调问题。但在某些情况下，系统的管理Agent也可以发出协调性指令，发送给TSCA执行，属于集中与分布相结合的协调方法。需要说明的是社会规则可以根据具体城市的交通状态来更改，本系统中使用主要的社会规则有：
规则1：若B的实际交通流量低于某一阈值，则B应执行使A获得最大赢得值的行为;
规则2：若A与B进行协调，在下两个决策间隔内不再接受其他TSCA发出的协调请求;
规则3：当所控区域中的路口均处于交通高峰时，TSCA间停止基于对策论的协调，而是由管理Agent根据经验知识进行协调，具体的协调流程如图2所示：
3 多路口微观仿真系统的实现
为了模拟实际交通参数的检测手段，系统通过建立虚拟检测线圈，模拟现实中的检测线圈的工作原理，检测仿真环境中的交通状况，为用户开发设计智能交通信号控制策略提供交通流数据。为了灵活的支持用户自定的智能信号灯控制策略，本系统采用动态链接库的方式对外部用户自定交通信号控制策略进行仿真的方法，同时在软件中通过建立外部抽象接口提供一整套的API函数，提供给外部包括检测器数据，交通信号灯数据，道路拓扑数据等实时数据以及进行数据库操作，这样就能为用户开发自己的智能交通控制策略动态链接库插件提供仿真中实时交通检测数据，并使动态链接库插件在主程序中实现来获得交通信号灯的实时显示状态，从而指挥路口车流的通行。本文对一个由简化的6个灯控交叉口构成的交通控制区域进行信号控制方案的设计，单个路口中的T型路口采用三相位控制方式[6]，十字路口采用四相位控制方式[7]，以基于MAS的城市交通信号协调控制策略动态链接库插件进行实例仿真，通过仿真证明该控制策略在交通信号灯控制系统中的有效性。
具体的动态显示效果如图3所示：
4 结束语
Agent技术作为一种新的软件开发方法及人工智能的最新研究成果,是计算机技术的一个飞跃,交通系统本身的复杂性使得传统的研究方法难以有所作为,Agent技术的出现为进行交通问题研究提供了理想的解决途径,基于多Agent的交通仿真是一个庞大的、长期的研究过程，需要投入大量的人力及物力。作为对该研究的初步尝试，在目前的情况下，我们采用Visual C++6.0为开发工具，建立基于多Agent的智能交通仿真环境，并进行简单的小区域仿真模拟，将来可以将整个城市划分成多个小的区域，然后再增加一个城市管理Agent来负责各区域管理Agent，这样就能实现整个城市的交通微观仿真系统，为今后进一步的交通控制工作奠定基础。
摘要：交通仿真是研究交通问题的重要手段,而Agent特有的自治性、协作性等特点为交通仿真提供了较好的手段,文章着重进行了基于MAS的智能交通控制微观仿真研究,并运用VC++6.0开发了一套具有实用价值多路口交通仿真系统。
关键词：智能交通,仿真,多智能体
参考文献
[1]Klaus Fischer,Norbert Kuhn,A DAI Approach to Modeling the Transportation Domain,DFKI-Research Report RR-93-25.
[2]俞峥,李建勇.多智能体在交通控制系统中的应用[J].交通运输工程学报,2001,1(1):55-57.
[3]刘智勇.智能交通控制理论及其应用[M].科学出版社.2003.
[4]Watkins C.,Dayan P.,Q learning[J],Machine Learning,No.8,1992,279-292.
[5]姜贵艳.道路交通状态判别技术与应用[M].人民交通出版社.2004.200-213.
[6]承向军,杨肇夏.基于多智能体技术的城市交通控制系统的探讨[J].北方交通大学学报,2002,26(5):47-50.
[7]汤志康、郑积仕.基于神经网络的单交叉口模糊控制[J].中国水运.2005,3(12):14-16.
[8]李捷.城市智能交通信号控制系统微观仿真软件的研究[D].福州大学,2005.
[9]于岚,Davy Janssens,陈国青,等,智能交通系统中行为交通序列的优化与仿真[J].清华大学学报(自然科学版)2006,46(21):1052-1057.
微观交通仿真 篇2
摘要：为弥补常用的景区游客容量分析方法存在的不足,该文提出了基于游客空间行为模拟系统(TSBS)的微观仿真分析方法,分析了重庆仙女山国家森林公园的.生态容量.将公园划分出若干生态容量监测区域,选取游客对草地的践踏作用强度作为监测指标,利用TSBS对游客空间行为、时空分布进行微观仿真,计算监测区域的游客践踏作用时间与次数,求出公园的生态容量,分析生态容量管理的关键区域,提出了提高生态容量的措施.研究表明,基于TSBS的游客生态容量分析方法具有动态、量化、管理效果可预测等优点.作 者：张仁军 杨远芬 ZHANG Ren-jun YANG Yuan-fen 作者单位：张仁军,ZHANG Ren-jun(重庆工学院土地资源管理系)
杨远芬,YANG Yuan-fen(重庆工学院科研处)
微观交通仿真 篇3
现实表明,交叉口是道路交通的瓶颈,也是交通事故的多发地带,道路交叉口安全设计对整个路网的通行能力和安全性有重要影响,因此在交叉口设计中,对其安全性进行研究意义重大。国内外对城市道路交叉口安全性评价的研究已经取得了一些成果[1,9],主要采用调查统计和仿真的方法对交通安全性及影响因素进行研究。已有研究成果的研究对象主要是城市路网,绝大部分机动车为小汽车。在港区路网中车辆构成相对复杂,大型车辆比例较大。由于大型车辆和小汽车的运动力学特性如加减速、跟车等交通特性差异很大,而这些性能直接影响交叉口安全性,因此对港区交叉口安全性进行评价时,不能完全按照城市道路交叉口安全性评价方法进行。本文主要采用仿真方法建立港区平面交叉口微观仿真模型,提取评价指标,对模型有效性及港区交叉口安全性进行评价。
1 面向港区平面交叉口安全性评价的微观交通仿真模型
本文采用二维元胞自动机模型来描述港区交叉口微观仿真模型。
1.1 交通冲突制动距离
交通冲突制动距离是交叉口安全性评价的一个重要参数,仿真中的车辆潜在交通冲突区域及严重程度是根据制动距离来进行划分的,不同类型、不同初始速度和驾驶行为的车辆,其交通冲突的制动距离有很大的差别。考虑驾驶员反应时间、制动力产生时间及制动力增长时间等参数,交叉口交通冲突中的制动距离s可简化为[9]:
上式中,vo表示汽车初速度,可以通过相似路口调查统计得到;t2表示开始踏下踏板到汽车上出现制动力所经过的时间,t3表示制动力增长时间,jmax表示汽车最大制动减速度,t2、t3、jmax可以通过不同类型车辆的动力学特性实验得到。
1.2 大型车辆交通冲突轨迹
列车-半挂车结构车辆在交叉口转弯时,牵引车头与半挂车不在同一直线上,车头和半挂车正常转弯轨迹为圆弧形,而刹车制动时,车头会沿车轮位置沿直线前进,半挂车绕铰接点以圆弧轨迹逐渐顺直,直行流与右口左转流情况下的大型车辆交通冲突轨迹如下图1a所示。
如下图1a所示,左转车辆以半径为r的弧度转向目标车道,当直行车辆C2突然制动时,右口左转车辆C1为避免与C2碰撞而进行刹车制动,C1车头沿着行车方向继续前进,当车头左侧位置分别在A1和A2时,制动后行进到与车辆C2碰撞的最长距离分别为s1和s2,在已知车型、初始车速等条件下,制动距离s可由公式(1)得到,因此比较s与s1、s2的大小可判断车辆是否存在潜在冲突。上述冲突情况是直行车辆与右口左转车辆的冲突轨迹,大型车辆不同冲突角度的轨迹是不同的,上图1b为右转车辆与右口左转车辆发生冲突的轨迹示意图。图1b中,两辆车D1,D2在正常情况下均按圆弧轨迹行进,当D2突然制动时,车头仍按轨迹继续直线前进,半挂车随铰接处绕一定的弧度前进。为避免碰撞,车辆D1也进行刹车制动,其车头向前运行,D1车头在不同角度下与D2的潜在冲突点分别为A2,B2,C2,为避免发生碰撞,车头位置在A1,B1,C1点时,对应制动距离s需要小于s1、s2、s3。其他角度下的冲突与上述两种情况类似,不再赘述。
1.3 交通冲突区域的仿真描述及冲突严重程度判别
本文采用二维元胞对交叉口仿真区域进行描述,每个元胞的长宽均为1.25米,由于大型车辆宽度一般不超过2.5米,所以车辆宽度占有的元胞数最多不超过3个。交叉口区域被二维元胞离散后,仿真中需要采用元胞数量及元胞位置来描述车辆的运行轨迹,下图为大型直行车与右口左转车辆冲突中车辆位置及元胞表示图。
交叉口安全性评价中,需要根据交通冲突次数和严重程度进行评价。本文根据当前车辆和相邻车辆占用元胞的重叠程度对交通冲突及严重程度进行判别。将冲突严重程度分为三级:一般冲突,中等冲突,严重冲突,其对应重叠的元胞数分别为1,2,3及以上。值得注意的是,重叠只是在车辆没有采取紧急措施情况下才会发生,是一种存在的可能性,并不表示一定碰撞了,另外,二维元胞上是一种位置的近似表达(车辆边角处并没有充满整个元胞),也并不意味着两个元胞重叠实际车辆就发生了接触。
1.4 仿真行驶规则
车辆在通过交叉口的,必然也受到前方车辆的影响,其仿真驾驶行为在本文微观模型中采用以下几个方面进行概括:
1.4.1 加速规则:
1.4.2 减速规则:
在普通元胞模型中,车辆之间的最小距离为零,相邻车辆占有的元胞不会出现重叠现象,因此不能判定冲突的严重程度。本文模型不设置最小距离,根据驾驶行为和车辆动力学特性确定仿真中车辆之间出现的元胞重叠情况,用来进行冲突严重程度判别。如果则v(t+1)=max(0,v(t)-Dkmax),其中s(t,k,v(t))表示k型车在时刻t、初始速度v(t)下的最小制动距离,si(t)为当前车辆在方位i制动后的运行距离,Dkmax表示k型车辆在交叉口行驶的最大减速度。
1.4.3 位移规则:
x(t+1)=x(t)+vx(t),y(t+1)=y(t)+vy(t)。其中vx(t)表示在t时刻x轴方向的以元胞数表示的速度,其中vy(t)表示在t时刻y轴方向的以元胞数表示的速度。
2 数值仿真
2.1 仿真环境
采用十字标准交叉口进行仿真。交叉口入口车道均为3车道,车道宽度为3.75米,采用二维元胞对交叉口进行网状分割,元胞长宽均为1.25米,仿真车型分为三种,分别为大型车(长度10米的列车-拖挂车),中型车(长度6米的列车-拖挂车)和小型车(长度5米的小汽车),控制信号采用二相位固定配时,周期为90秒。不同车型在交叉口自由流速度为30km/h-40km/h。交叉口四个入口处上游的发车频率区间为[0.2,0.6],呈周期性变化来模拟各时段交通流量。交叉口采用固定配时信号,周期为120秒。
2.2 仿真结果及分析
2.2.1 交通冲突次数的时段分布
本次实验的仿真时间为早上6点到晚上22点,共计57600秒。下图3为不同时段冲突数据。可以看出,从冲突次数来看,一般冲突的数量远远大于中等冲突和严重冲突,全天统计总数达到951次。中等冲突和严重冲突之和的总数为355次,仅为一般冲突的三分之一。严重冲突次数较少,全天统计仅为72次,且部分时段的冲突数为0次。但从图3可知,虽然不同类型冲突的统计次数不同,但其峰值都出现在7-9点、12-14点、下午18-20点之间,而这些时段为仿真交叉口早、中、晚三个高峰交通流量区间,这说明冲突次数与交叉口流量的大小是正相关的。要减少交通冲突次数,需要特别加强流量较大时段的交通管理和组织措施。
2.2.2 交通冲突比例的时段分布
下图4为各时段的交通冲突类型比例。由图4可以看出,交通冲突类型比例没有按呈现出高峰和非高峰特征,这说明交通冲突类型的比例与通过交叉口的交通流量大小关系不大。由上图可知,跟驰冲突的比例远大于正面冲突和侧面冲突比例,侧面冲突比例最小,一方面是由于交叉口参与跟驰的车辆比例较大,导致跟驰冲突次数增加,另一方面是与司机的驾驶行为相关,一般来说,跟驰冲突造成的事故远小于正面和侧面冲突,司机的警惕性相对较小,而在其他的冲突形式特别是侧面冲突中,很容易造成人员伤亡事故的发生,司机驾驶也更加小心,这也是符合现实驾驶规律的,从另一个侧面也证明了本文仿真模型的有效性。
2.2.3 交通冲突对交叉口通行能力的影响
将交叉口四个入口处上游的发车频率区间设为[0.4,0.5],通过交叉口区域车辆的平均速度来考查不同类型交通冲突对交叉口通行能力的影响。由于这10次仿真试验的交通流发生强度基本一致,因此可以采用不同类型和数量交通冲突条件下的平均速度来反映交叉口通行能力。下图5为120分钟内,交通冲突次数、类型与交叉口平均车速关系图。
通过对表中数据进行相关性分析,得到跟驰冲突、正面冲突、侧面冲突与车辆平均车速的线性相关性分别为-0.17、-0.15、-0.76,这说明侧面冲突对交叉口的通行能力影响最大,而跟驰冲突和正面冲突与平均的关系相对不明显。同时我们也能通过上图各曲线之间的关系定性分析各冲突与车速数据之间的关系,而在存在侧面冲突的统计周期,通过交叉口的车辆的平均车速降低明显,证明了上述相关性分析的正确性。通过分析可知,在交叉口交通冲突的控制措施方面,应该特别注重减少侧面冲突的发生次数。
3 结束语
本文对港区平面交叉口上比例较大的大型货运车辆转弯行驶轨迹进行了分析,通过建立二维元胞模型,对元胞加速、加速、位移规则进行了改进,通过港区平面交叉口微观交通仿真,得出跟驰冲突是影响平面交叉口安全性的主要冲突类型,同时侧面冲突是影响交叉口通行能力的首要冲突类型。
参考文献
[1]袁黎,袁荷伟,项乔君,陆键.基于交通冲突分析的公路信号交叉口安全评价[J].交通信息与安全,2010,(01):117-120.
[2]赵永红,白玉,杨晓光.基于Poisson过程的交通冲突预测模型研究[J].交通信息与安全,2011,(01):8-11.
[3]周家祥,许鹏,柴干.基于交通冲突的交叉口安全模糊综合评价[J].交通信息与安全,2008,(02):123-126.
[4]安琨,杨晓光.城市道路连接交通安全分析与仿真评价研究[J].交通信息与安全,2010,(01):112-116.
[5]RAO V T,RENG ARE JUVR.Modeling Conflicts of HeterogeneousTraffic at Urban Uncontrolled Intersections[J].Journal of TransportationEngineering,1998,(2):23-341.
[6]赵文秀.用交通冲突技术评价京珠南高速公路交通安全[J].公路与汽运,2007,(1):43-45.
[7]王力,刘卫中,洪于亮,范耀祖.基于分类交通冲突与微观仿真分析的城市交叉口安全诊断及改善[J].中国安全科学学报,2009,(02):38-42.
[8]常玉林,陆建荣,张利,魏领军.基于交通冲突技术的交叉口安全评价[J].合肥工业大学学报(自然科学版),2009,(05):636-639.
微观交通仿真 篇4
关键词：元胞自动机,吸引力,排斥力,疏散仿真
1 基于元胞自动机的人员疏散模型
1.1 元胞自动机简介
元胞自动机 (CA) 是最具代表性的微观离散模型, 元胞自动机的核心内容是构建元胞移动的局部规则, 凡是满足规则的模型都能够算作是元胞自动机模型。元胞自动机将建筑空间按照一定形式分割成规则格网, 规则格网由规则网格组成, 在规则格网中的每一元胞必须在有限的离散状态集中取值, 遵循构建的局部规则对元胞状态进行更新。不同于一般的动力学模型, 元胞自动机不是严格定义的物理方程和函数, 而是由一系列的演化规则构成, 即通过大量元胞简单的相互作用而构成动态系统的演化, 把连续的复杂动态过程转变为离散的相互作用。与传统的建模方法相比, 它以“自下而上”的研究思路直接反映系统各组成要素之间的相互作用, 具有利用简单的、局部规则的、离散的方法描述复杂的、全局的、连续系统的能力, 能够通过一些简单的规则模拟出许多自然现象与生命现象, 因此广泛应用于社会、经济、环境、地学、生物等众多领域。
1.2 模型的参数设计
模型首先将疏散空间按照行人的最小占用面积设计分割成规则格网, 在规则格网中的每个网格的大小为0.5 m×0.5 m, 网格也称为规则格网的基本单元。在一个单位时间步长内, 每一个网格或为空, 或被墙、服务设施等障碍物占据, 或被一个行人占据。在一个单位时间步长内, 每个人员占据一个元胞, 每个元胞对应于一个单元网格, 元胞邻域采用如图1所示的二维摩尔型分布, 这种元胞邻域体现在单位时间步长内, 疏散个体除停留在原地不动外, 可向上、下、左、右、左上、左下、右上、右下8个方向中的一个方向移动, 依次对应于k=1, 2, …, 8;k=0表示该元胞原地不动, 疏散个体的可移动方向如图2所示。人在正常情况下行走速度为1 m/s, 这样将每个时间步定为0.5 m/ (1 m/s) =0.5 s。
1.3 模型的建立
设在一个时间步长内, 个体元胞所在的单元格的坐标为 (i, j) , i、j分别表示该单元格位于规则网格空间的第几行第几列。设在一个时间步长内, 元胞邻域内单元格的坐标为 (i, j) , 考虑到个体选择单元格时具有一定的目的性以及其他一些影响因素, 个体选择是综合各种因素之后吸引力概率最大的单元格。单元格的吸引力概率由单元格的可达性、静态场、动态场等属性值决定。
1) 可达性。
可达性用来表示单元格是否可达, 设为Zij, 在一个时间步长内, 个体邻域内单元格若被建筑物和其他如高温、有毒的空间区域、边界等不可逾越的障碍物占据时和其他元胞占据时, Zij=0;若单元格未被占据, Zij=1。
2) 静态场。
在疏散中, 人员总是趋向于选择邻域内离出口距离最近的单元格, 为此引入了静态场的概念, 静态场是用来描述单元格离相应出口的远近程度, 设为Rij, 单元格离出口越近, Rij越大, 出口处的单元格的Rij=+∞, Rij的计算公式为
式中:Rij表示单元格的静态场值; dij表示单元格距相应出口的距离; MAX (dij) 表示建筑空间内单元格距相应出口最远的距离。
3) 动态场值。
动态场值是用来描述单元格是否在人员熟悉的出口上, 人员前进方向是否堵塞, 单元格前方视野范围内人员数量的大小, 选择的单元格是否同时有其他人员选择等动态因素。将动态场值设为Dij, 动态场值又可分为习惯值Xij、堵塞值Sij、趋众值Qij、冲突值Cij。
习惯值Xij是用来表示人员对出口的熟悉程度, 其值可由调查统计得到。
堵塞值Sij用来表示人员前进方向的堵塞程度, 即前方视野中人员和障碍的密度, 假设个体当前位置到第 (i1, i2) 个出口视野范围内的空间坐标集为A, 则到出口的人数为
其中,
同理, 到出口的障碍数为
其中,
假设个体当前位置到第 (i1, i2) 个出口视野范围内空间网格个数为N, 以及每个空间网格的面积为S, 则到各出口的人数和障碍的密度分别为
则堵塞值Sij的计算公式
其中, α为概率系数。
趋众值Qij表示单元格前方视野范围内人员的密度, 即
其中, β为概率系数。
冲突值Cij表示单元格被多个人员意图占据出现的争夺概率, 冲突产生的前提是在此单元格未被人员和障碍物占据, 假设在一个时间步长内该单元格有M个人员有占据意图 (0≤M≤8) , 则有占据意图的个体占据此单元格的概率为
由于建筑空间内的人员组成较为复杂, 不同人员针对这四种动态场值的选择可能有所不同, 比如老人、儿童、中青年女性趋众的概率更大, 更愿意随着大众一起前进, 在堵塞面前相对被动, 主动地绕行或寻找其他出口或与其他人员产生冲突争夺单元格的概率较小, 而身体强壮的中青男性在面对堵塞时更缺乏耐性, 寄希望于加塞与其他人员争夺单元格或者寻找其他出口, 某些对建筑环境较为熟悉的人群比如管理人员更愿意选择自己熟悉的出口。因此, 考虑这些因素, 本文分别对习惯值Xij、堵塞值Sij、趋众值Qij、冲突值Cij赋予不同的权重W1、W2、W3、W4, 见表1。
因此, 动态场值Dij的计算公式为
在分别计算单元格的可达性、静态场值、动态场值后, 单元格的吸引力概率计算公式为
式中:η表示使邻域内所有单元格吸引力概率总和为1的系数。
2 仿真结果及分析
2.1 仿真条件
考虑如下的仿真场景:大小为50×50个网格的封闭空间 (不包括四周围成一圈的墙壁) , 在最右侧居中位置和最左侧居中位置有两个安全出口, 坐标位置分别为 (50, 20～30) 、 (0, 20～30) , 出口宽度为5 m, 即十个网格。初始状态下, 人员在区域随机分布, 在发生灾难以后, 人群都向出口的方向进行疏散。模拟中时间步设置为0.5 s, 逃生人员的总数量和人员的视野范围由人为设定, 该场景的初始化情形如图3所示。
2.2 仿真结果及分析
图3 (a) ～ (d) 分别显示了人员疏散初始情形、两个中间情形以及临近结束情形, 其中每个元胞的视野领域为5个网格。从第一个中间情形可以看出, 人员在疏散过程中开始朝着出口的方向有效疏散, 并且接近出口的人群形成了一柱形结构, 这是明显的动力学特征图;第二个中间情形表明, 人群为了尽快疏散, 自发地朝出口方向堆积, 形成了拱形或半圆形, 这表明当人群急于逃生在出口处形成拥挤的人群时, 就会使人群的疏散速度减慢, 产生“快即是慢”现象。
图4反映了疏散时间与四种权重W1、W2、W3、W4之间有直接关系, 仿真结果显示当熟悉值权重W1较大时, 疏散较快, 表现在人员对出口的熟悉程度较高, 疏散效率也随之提高, 当W1达到一定值时, 疏散时间趋于平稳;当堵塞值权重W2增大时, 疏散时间随之降低, 但当W2达到一定值时, 疏散时间开始增加, 这表明人群寄希望于寻找堵塞程度较小出口时, 有时反而会造成停滞不前, 使疏散速度降低, 这与实际情况也是相符的;当趋众值权重W3增大时, 人群的疏散时间降低, 在W3达到一定值后, 疏散时间趋于平稳, 这表明人群的趋众效应在一定程度上是有利于疏散的;当冲突值权重W4增大时, 人群的疏散放慢甚至产生停滞, 这表明在人群疏散时, 过多的冲突只会使疏散的速度放慢, 甚至造成人员伤亡使疏散陷于停滞。
3 结束语
本文基于元胞自动机建模思想, 提出了一种人员疏散的微观模型。模型能够模拟疏散人群在出口处形成拱形或半圆形、快即是慢现象, 人群疏散时间与人群对建筑环境的熟悉程度、人群的堵塞程度、人群的趋众值、人群疏散冲突之间的关系, 仿真结果表明, 模型具有很强的现实描述能力, 能够再现和解释现实的疏散情形。
参考文献
[1]马俊驰.火灾中人群疏散的仿真研究[D].上海:同济大学, 2007.
[2]方正, 卢兆明.建筑物避难疏散的网格模型[J].中国安全科学学报, 2001, 11 (4) :10-13.
[3]G.Keith Still Crowd Dynamics.PhD Thesis, Universi-tyof Warwick, 2000.
[4]Helbing D, FarkasI, Vicsek T, Si mulating dynamical fea-tures ofescape panic[J].Nature, 2000, 407:487-490.
[5]Muramatsu M, Nagatani T.Jamming transition of pedes-trian traffic at a crossing with open boundaries[J].Physi-ca A, 2000, 286:377-390.
[6]杨立中, 方伟峰, 黄锐, 等.基于元胞自动机的火灾中人员逃生的模型[J].科学通报, 2002, 47 (12) :1484-1489.
[7]宋卫国, 于彦飞, 范维澄, 等.一种考虑摩擦与排斥的人员疏散元胞自动机模型[J].中国科学, E辑:技术科学, 2005, 35 (7) :725-736.
[8]翁文国, 袁宏永, 范维澄, 等.一种基于移动机器人行为的人员疏散的元胞自动机模型[J].科学通报, 2006, 51 (23) :2818-2822.
[9]张培红, 陈宝智.火灾时人员疏散行为规律[J].东北大学学报, 2001, 22 (1) :54-56.
微观交通仿真 篇5
当前, 不可再生资源日益枯竭, 木材以其固有的固碳、可再生和调节室内环境等天然属性对社会的可持续发展做出显著贡献。用短切碳纤维与木质纤维复合的纤维板结合了碳纤维的优点, 不仅赋予了复合材料良好的导电性, 而且对传统中密度纤维板的力学性能起到了很好的补充与改善。在大力提倡智能环保建筑的今天, 开发高附加值、高性能的功能型复合材料己经成为碳纤维增强木质复合材料 (CFRW, Carbon Fiber Reinforced Wood) 发展的必然趋势。力学性能是复合材料的基础性能, 只有对其进行了深入的认识与掌握才能在更深的层次、更广的方面应用好复合材料, 发挥出复合材料的优越性。随着科学技术的迅猛发展, 对复合材料及其结构的力学性能表征的研究需求日趋迫切, 通过对材料微观结构的模型化弄清材料的宏观力学性能, 进行材料的虚拟设计与选材, 既具有重要的基础研究意义, 也有着重要的应用价值[1]。有限元方法在力学分析方面有很大的突破, 运用有限元方法在ANSYS环境下使其微观结构模型化, 能够对其性能进行更好的分析以及直观的了解。本文以短切碳纤维增强木质导电复合材料为研究对象, 研究基于有限元方法的复合材料力学性能ANSYS环境下的建模仿真预测, 实现复合材料微观与宏观的有效关联, 从而为功能型木质复合材料的开发制备提供提供基础性能可靠设计的保障。
1 ANSYS环境下的有限元分析
有限元法的基本思路就是将复杂的结构看成由有限个单元仅在结点处连接的整体, 首先对每一个单元分析其特性, 建立相关物理量之间的相互联系;然后, 依据单元之间的联系, 再将各单元组装成整体, 从而获得整体特性方程, 再应用方程相应的解法, 即可完成整个问题的分析[2]。有限元的分析一般都借助于一些有限元软件, 然而国际上著名的通用有限元软件有几十种, 本文采用ANSYS10.0进行复合材料的建模仿真研究。
ANSYS10.0软件主要包括前处理模块、分析计算模块和后处理模块3个部分。启动ANSYS图形用户界面, 从主菜单就可以进入各处理模块[3]。
1) 前处理模块主要有三部分内容:参数定义、实体建模和网格划分。
参数定义:主要包括定义单位制、单元类型、材料模型和材料特性参数、几何参数等。
实体建模:根据用户对模型的需要, ANSYS软件主要有两种建模方法, 即自顶向下与自底向上。自顶向下建模时, 由用户定义模型的高级图元, 其他相关参数由程序自动定义;自底向上建模时, 则有用户从最低级的图元依次向上定义各参数并构造模型。
网格划分:ANSYS软件包含了多种网格划分方法, 如:延伸划分、映像划分、自由划分等, 能够很方便的对单元的形状、大小进行控制。
2) 求解模块:用户可以根据自己的需求定义分析类型、分析选项、载荷数据等, 然后进行有限元的求解过程, 最后获取分析的结果。ANSYS软件提供的分析类型有很多种, 如:结构静力分析、结构动力分析、结构非线性分析、动力学分析、热力学分析等[4]。
3) 后处理模块:观察由求解模块获得的分析结果。若需要观察以图形形式显示和输出的结果, 可利用ANSYS软件提供的通用后处理模块POST1, 若需要通过绘制曲线或裂变查看一个时间段中的结果, 则可以利用ANSYS提供的时间历程后处理模块POST26。
运用ANSYS环境下的有限元分析方法能够将复合材料的结构进行模型化分析, 在微观环境下对复合材料各方面的性能进行测试及研究。
2 实验方法及数据测试
2.1 实验方法
本实验运用短切碳纤维、木质纤维、脲醛胶粘剂、异氰酸树脂胶、固化剂等原材料通过搅拌机、预压机、热压机 (如图1所示) 制备出不同碳纤维掺杂比例的复合材料。
首先按照常规中密度纤维板的制板工艺对木质纤维施加脲醛树脂胶, 然后按照设定的质量比, 将短切碳纤维先与异氰酸酯均匀混合, 再加入拌胶木质纤维混合, 直至混合均匀后进行铺装。一部分复合板采用贴面热压混合的复合方式, 贴面碳纤维与木质纤维质量比例分别为单面1:1、单面2:1、单面3;1、双面1:1、双面2:1、双面3:1;另一部分复合板采用体混合的复合方式, 其混合碳纤维掺杂比例分别为:10%, 20%, 30%, 40%和50%。
2.2 数据测试
先将制作好的复合纤维板放在恒温恒湿箱中, 温度设置为室内常温20℃左右, 湿度设置为65%左右, 放置到质量恒定为止。再利用游标卡尺测量试件的尺寸, 即宽度和厚度, 宽度在试件边界中心处测量, 厚度在试件几何中心处测量, 精确到0.01mm。调节万能力学试验机 (如图2所示) 使得两支座跨距为试件厚度的20倍, 测定弹性模量, 测得的部分数据如表1所示。
弹性模量是指物体所受的应力与在此应力下产生的应变之比, 试验中弹性模量值按式 (1) 计算, 精确至0.1MPa:
式中:bE为试件的弹性模量, MPa;
l为两支座间距离, mm;
h为试件厚度, mm;
(f为在载荷-变形图中内力的增加量, N;
s为在力21f-f区间时间变形量, mm。
从实验数据可以看出在木质纤维中施加短切碳纤维后的复合材料的弹性模量比单纯木质纤维板的弹性模量有了显著的增加, 单表面板的弹性模量总体比双表面板的弹性模量大, 而混合板的弹性模量总体和双表面板差不多;对于单表面板不同的混合比例弹性模量随着碳纤维比例的增大而下降, 双表面板中碳纤维混合比例越大弹性模量越大, 尤其在3:1处变化比较明显, 混合板随着混合比例的增大弹性模量逐渐变大, MDF复合板的弹性模量符合国家规定的标准中密度纤维板力学性能。
3 基于有限元的力学性能微观建模仿真
早期有限元建模方式采用脱机方式 (如SAP5) , 但这种方式输入工作量很大还很容易出现输入错误, 因此现在很多有限元分析软件都采用了自动分网功能, 使得建模过程主要在计算机上通过人机交互方式进行。
在进行建模之前首先对分析对象的形状、尺寸、应力和变形的大致规律等进行分析;然后根据对象的具体特征对形状和大小进行必要的简化、变化和处理, 以适应有限元分析的特点;再根据结构的类型、精度要求、应力和形变特点等因素进行综合考虑, 进行单元的选择与单元特性定义;最后进行网格的划分并定义正确的边界条件。
按照以上步骤, 对短切碳纤维木质复合材料力学性能进行模型的建立。然而在实际中碳纤维复合材料中的纤维是随机分布的, 对复合材料进行微观力学分析时为简化研究过程, 假设碳纤维是按照一定的规则分布, 并将其分为若干个子块, 如图3所示。再细分将每个子块分为若干个线性四面体, 每个线性四面体与元有四个节点并且每个节点有三个自由度, 如图4所示。
运用ANSYS10.0软件对复合材料进行模型的建立, 首先设定碳纤维与木纤维材料的属性, 碳纤维选择Solid 45单元类型, 碳纤维材料属性EX=1.8×105, PRXY=0.28, ALPX=7.5×103和木纤维基体材料单元选用Solid185, 材料属性EX=4×103, PRXY=0.33, ALPX=23.6×10-6, Yield Stress=140, Tang Mod=7×103;然后在ANSYS中建立有限元实体模型并进行布尔操作, 划分有限元网格, 如图5所示。再在Current LS中进行求解, 获取各方向的应力云图, 如图6所示, 并查看各方向的应力分量和等效应力, 通过建立的模型对力学性能进行分析[5]。
在进行弹性模量分析时采用三角单元模型, 运用自适应网格划分方法, 如图7所示, 首先根据力学性能试验所需的环境在ANSYS10.0软件中定义出模型的边界条件, 然后在复合板的几何中心位置施加一定的压力, 并在复合板的两端处施加支反力, 从图中可以看出在此力的作用下复合板的中间位置产生明显的应变, 如图8所示。
通过对不同碳纤维与木纤维配比的复合板进行力学实验并对其试验结果进行仿真, 对照每个仿真结果可以发现:碳纤维的加入明显改善了中密度板的性能, 对其施加同等的应力时, 短切碳纤维木质复合材料产生的应变远远小于普通中密度纤维板, 对比图9和图10可以看出贴面复合板的弹性模量在一定程度上优于体混合板的弹性模量。对短切碳纤维木质复合材料力学性能的建模实现了复合材料结构的模型化, 通过在软环境下从微观角度对模型进行各方面的研究, 得出了复合材料的宏观力学性能, 有效实现了复合材料宏观与微观的有效关联。
4 结论
基于有限元理论, 并应用ANSYS10.0软件进行复合材料微观模型的建立, 可以查看各方向的应力分量和等效应力, 进而实现对复合材料的力学性能的建模。本文主要对最能反映复合板力学性能的弹性模量位移进行了仿真分析, 通过对不同碳纤维含量以及不同混合方式的复合板的力学性能研究, 获得不同试件在静态弹性模量性能方面的直观表现, 从中可以看出碳纤维的加入明显增强了复合材料的力学性能;并通过微观下不同碳纤维配比得的性能参数, 获得碳纤维对复合材料宏观力学性能的影响情况。通过对复合材料的建模仿真研究实现了结构的模型化, 能够在软环境下对复合材料的力学性能进行测试并不断调整, 为木质复合材料工艺设计及优化提供数字化依据。
参考文献
[1]曾黎明.功能复合材料及其应用[M].北京:化学工业出版社, 2007:13-15.
[2]王焕定, 焦兆平.有限单元法基础[M].高等教育出版社, 2010.
[3]杜平安, 于亚婷, 甘娥忠.有限元-原理、建模及应用[M].2004.
[4]王瑞, 陈海霞, 王广峰.ANSYS有限元网格划分浅析[J].天津工业大学学报.
微观交通仿真 篇6
近年来, 交通占我国石油消耗的比重不断升高, 其中道路交通既是各交通方式中能耗排放最大 (占比70%以上) 和增速最快的主体, 也是大城市空气污染的首要污染源。我国石油对外依存度在2009年已超过50%的警戒线水平, 温室气体 (GHG) 排放接近最大排放国 (国外研究机构称已超过美国) , 正面临着能源安全和GHG减排双重压力。2008年底, 我国城市道路和公路里程达400万公里, 其客货运量均占交通总体的70%以上。2009年, 中国汽车销量同比增长46%成为世界最大汽车市场, 机动车保有量同比增长18%达1.87亿辆。另外, 我国道路交通还存在机动车能耗比世界平均水平高, 以及日趋严重的城市交通拥堵等问题。针对如此庞大复杂且迅速增长的道路交通系统, 交通能耗排放和污染控制面临着严峻挑战, 而准确测算和评价道路交通油耗和排放是应对挑战需解决的重要问题。
2 油耗和排放测算模型的分类
按照测算模型的应用角度, 可从宏观和微观将油耗排放模型分为两个层次。宏观模型 (如COPERT、MOBILE、EMFAC等) 可以用来测算国家或城市的交通油耗排放总量和发展趋势, 但不能用于测算和评价交通管理 (未来交通节能减排的重要手段) , 如信号控制、电子收费等措施的节能减排效果。我国学者对宏观排放模型已有较多论述, 本文重点从微观层次阐述和分析国外各类微观油耗和排放模型的研究方法和最新进展, 旨在为开发油耗排放的测算和评价模型提供有益借鉴。
出于汽车在能耗和排放方面的设计需求, 微观油耗排放模型最早出现在汽车工程领域里[1,2,3,4], 而在交通领域中, 微观油耗模型的研究早于排放模型。直到上世纪90年代宏观模型在交通项目评估的缺陷被得到广泛认识后, 在美国公路研究合作项目 (NCHRP) 组织下, 微观排放模型[5]成为了交通领域的研究热点。理论上, 微观油耗模型和排放模型有很大的共同点, 但由于受各种驾驶状态下富燃贫燃以及催化转化的影响, 排放模型所考虑的因素更多, 开发难度更大。假设存在有准确的微观排放模型, 则根据碳平衡原理[6], 一定可建立出准确的油耗模型, 但反之不成立。根据模型的理论基础和开发方法, 微观油耗排放模型可分为四类:基于发动机动力分析的模型、基于驾驶模式分解的模型、基于速度-加速度的统计模型、以及基于功率需求的物理模型。下面从模型结构、输入变量、测算原理等方面展开分析。
3 各类模型的结构原理与测算方法
3.1 基于发动机动力仿真的模型
ADVISOR[1], PSAT[2]和EVSIM[3]是汽车工程领域内被广泛应用的油耗模型。这些模型使用行驶周期来模拟所选车辆的运行状态和相应的功率流, 需要复杂的车辆、发动机、排放控制、行驶周期等参数, 来计算扭矩、功率、车辆牵引力、以及油耗。以ADVISOR为例:模型由行驶周期模块提供汽车所应该满足的行驶轨迹, 向整车模块请求所需的速度, 整车模块利用汽车行驶方程式计算出满足这一速度请求所需的车轮转速和力, 再向车轮和车轴模块发出请求, 请求沿后向路径逐级向上级模块主减速器、变速器、离合器、机械负载等模块传递, 直到发动机和燃料转换模块, 计算出需要发动机提供的实际功率和燃料。
上述模型能够以非常高的精度计算特定车辆在指定行驶周期下的油耗排放, 但缺点也很明显, 需要繁多的输入参数和计算过程, 并只能针对特定的车辆。为了评价某车辆技术而非特定车辆的油耗, Simpson[4]设计了PAMVEC模型, 使用三个参数 (平均速度、速度比、加速特征值) 来刻画车辆行驶模式进而预测其燃油消耗。
3.2 基于驾驶模式分解的模型
这类模型将机动车在不同条件下所能遇到的典型驾驶状况进行了分类, 并按照各驾驶模式测算对应油耗排放。Akcelik[7]等人划分了怠速、匀速、加减速三种驾驶模式, 在后期发展为四种模式并应用于SIDRA[8]模型中。这类模型假设各模式的油耗排放是相互独立的, 且总油耗排放等于各模式的油耗排放之和。由于这类模型概念清楚、结构简单, 而且容易和交通模型建立接口, 模型的应用比较广泛。该模型的基本公式可以由式 (1) 表示:
其中, F为行驶区间的总油耗或排放, g;Xs为行驶区间的距离, km;ds为每个车辆的平均延误, s;h为每个车辆的平均停车次数;f1为车辆匀速行驶时的油耗或排放因子, g/km;f2为车辆怠速时的油耗或排放率, g/s;f3为车辆每次停车造成的额外油耗或排放, g。为了计算更准确, 模型建议使用者提供各加减速的初速度和终速度。如果不能提供, 模型将按照观测的时间和距离计算或者以完全停车的方式替代。关于停车, 模型需要定义最小匀速行车速度和加速度以区别两种不同的停车:匀速行驶过程中的停车和排队过程中的停车。
这类模型简单易用, 但缺点在于以平均驾驶状态下的加减速给出模型的油耗排放参数, 而不能区分由于不同驾驶者、不同交通状况等因素下的加减速的区别。后来的测试证明, 不同加速对油耗排放的影响非常大, 而且短距离出行的排放和油耗受加减速的影响更大, 因此该模型在短距离的预测效果不好。Post等人[9]的研究表明, 4km是这类模型应用的最小出行距离, 这类模型能够解释4km以上出行的90%的油耗变化。
3.3 基于速度-加速度的统计模型
对机动车行驶状态最直观的描述方法就是建立速度-加速度矩阵。因此, 最方便的微观建模方法[5]莫过于建立速度-加速度矩阵对应的查询表, 即根据实验数据对矩阵下的每一个速度-加速度单元给出平均油耗排放率。Andre等人和Joumard等人使用速度和加速度的乘积来代替加速度变量, MODEM模型是这一方法的代表模型, 该模型将油耗排放数据依据“速度”和“速度加速度乘积”进行分类, 在预测瞬时油耗排放时按照“速度”和“速度加速度乘积”组合进行选择和计算数值。
Cernuschi[13]将数据分成了五类加速模式, 分别代表高减速、低减速、匀速、高加速、低加速模式, 他对每一类模式都应用回归方法对排放-速度曲线进行了最佳拟合, 同时对怠速油耗排放进行区别对待。这种方法其实是速度-加速度矩阵方法的特例, 将加速度矢量的维数定义为5, 从而减少建模的数据需求, 也能减少模型预测时的计算量。Ahn[14]等人没有直接应用速度、加速度变量组成矩阵查询表, 而对速度、加速度进行了不同幂次的乘积组合。
在Ahn等人建立的VT-Micro模型中, 首先用分类回归树的方法把测试车辆分成几类, 然后将每一类的车辆把排放数据根据速度、加速度平均形成具有代表性的车辆排放数据。对每一类的车辆针对每一种排放物用速度、加速度不同幂次的乘积组合来确定最佳的拟合。VT-Micro[14]的基本形式如式 (2) 所示:
其中, MOEe为瞬时油耗率或排放率, mg/s;Lei, j为加速时速度幂次为“i”, 加速度幂次为“j”时的模型回归系数;Mei, j为减速时速度幂次为“i”, 加速度幂次为“j”时的模型回归系数;s为车辆的瞬时速度, km/h;a为车辆的瞬时加速度, m/s2。
基于速度-加速度统计模型的问题首先在于速度-加速度的分辨率。理论上, 矩阵的分辨率越高预测精度就越高。然而, 高矩阵分辨率也对各种车型基础数据收集和模型计算效率提出了非常高的要求。Kenworthy等人[15]指出, 以0.1 km/h为分辨率构建速度-加速度矩阵是不现实的。其次, 这种纯粹根据速度、加速度来拟合的统计模型虽然对特定的车辆数据可能有较好的拟合效果, 但是没有考虑车辆的油耗排放原理, 因此模型的通用性有待进一步验证。
3.4 基于功率需求的物理模型
为了克服统计方法不能解释车辆排放原理的缺点, 很多研究工作从车辆功率需求的角度建立模型。这种方法在很大程度上借鉴了基于汽车发动机动力的模型方法, 但在参数选择的微观程度上有别于汽车工程领域研究。最早油耗模型中的“功”需求的概念出现在Watson等人[16]上世纪80年代的研究中, 他们在基于平均速度的油耗模型中加入了用于和车辆动能变化的变量, 来反映车辆在加速时的功的需求, 如式 (3) , (4) 所示。
其中, F为行驶区间的总油耗, L;Vs为区间平均速度, km/h;K1、K2、K3、K4为系数;PKE为车辆在加速过程中的动能变化, 由公式 (4) 计算:
其中, Vf为车辆加速后的终速度;Vt为车辆加速前的始速度;Xs为车辆的行驶距离。在Post等人[9]的模型中, 特定车辆的瞬时油耗和功率需求开始得到比较深入的研究。这些模型试图计算车辆克服空气阻力、滚动阻力, 以及改变车辆动能来获得加速度时功的需求。该计算是在特定的行驶周期上完成的, 车辆所需要的能量被看作是车辆自身参数 (车重、风阻、胎阻系数、变速箱效率、发动机大小等) 以及车辆运行参数的函数。
由Barth等人[5]建立的CMEM模型被认为是对后续微观模型开发影响最大的基于功率需求的物理模型, CMEM通过车辆行驶模式和发动机运行参数计算逐秒排放, 能够与交通仿真模型较好结合。CMEM刻画了车辆排放的内部过程, 模型的物理意义更清楚, 尤其在车辆的排放控制措施的考虑上, 引入了“时变催化率模型”, 如图1所示。
CMEM模型结构特征可以归纳为两类输入变量、三个核心参数、六个主要模块。两类输入变量为车辆的自身变量 (车重、最大扭矩等) 和活动变量 (速度、加速度) 。三个核心参数为:燃油消耗率、发动机排放率、催化转换器的排放通过率。发动机排放是指在催化转换前的排放, 而尾气管排放是经催化转换后的排放, 排放通过率是尾气管排放与发动机排放的比值, 最终的排放是上述三个核心参数的乘积。六个主要模块是:发动机功率模块、发动机转速模块、空燃比模块、油耗模块、发动机排放模块、催化通过率模块。其中关键在于确定发动机功率, CMEM采用了式 (5) 、 (6) 估算发动机功率:
其中, Ptract为车辆在速度为v加速度为a行驶状态下的所需的牵引功率, k W;M为车辆重量, kg;g为重力加速度常数;θ为道路坡度;A、B、C分别为滚动阻力系数, 速度校正系数和风阻系数。ε为车辆的传动系统效率;Pacc为车辆的附属设备功率, 如空调等。
尽管CMEM仍然是目前应用最多的微观模型, 但其复杂参数设置和计算需求以及误差也使模型受到越来越多的质疑。Cappiello等人[17]针对这些问题, 在CMEM基础上建立了EMIT模型。EMIT的基础数据与CMEM相同, 均源自NCHRP排放数据库;模型结构也采用从发动机排放到尾气管排放的模拟过程;发动机功率也采用了与式 (6) 、 (7) 一致的算法。与CMEM不同的是, EMIT的预测目标不是特定型号车辆的排放, 而是将轻型汽油车看作一类预测对象;EMIT的模型结构简单, 仅设置了发动机排放和尾气管排放两个模块, 如图2所示;EMIT采用“碳平衡”的方法由排放计算油耗, 而CMEM则采用了由油耗到尾气的建模思路;EMIT模型直接建立了时变催化率和发动机排放之间的分段线形函数, 而CMEM模型建立了时变催化率同油耗的函数。
MOVES是美国EPA从2001后研发的新一代排放模型。目前已经发布MOVES2010, 两年过渡期后将取代MOBILE成为法规排放模型。MOVES (包括Nam为其开发的PERE模型) 代表了近年来油耗排放微观建模的最新进展。MOVES与CMEM和EMIT模型不同的是, 该模型在功率需求计算上采用了独立于车重的机动车比功率 (VSP, Vehicle Specific Power) 变量, 利用聚类分析的方法刻画VSP与油耗排放的关系。VSP的定义如式 (7) :
其中, m为车辆质量, t;v为车辆瞬时速度, m/s;a为车辆瞬时加速度, m/s2;ε为质量因子, 表示传动系中转动部分的当量质量;grade为道路坡度;g为重力加速度;CR为滚动阻力系数;CD为风阻系数;A为车辆前横截面积;ρ为空气密度。
对比MOVES和CMEM中采用的车辆功率需求公式, 式 (8) 和 (6) , 不难发现这两个方法有共同之处, 都以车辆速度、加速度、坡度为独立自变量。如果假定典型的车重和其他车辆系数, 两者会得到相同的结果, 因此, 这两种方法在本质上是相似的。
4 结论
出于汽车在能耗和排放方面的设计需求, 微观油耗排放模型最早出现在汽车工程领域里, 尽管其模型参数与交通参数相差甚远, 但这些模型对后来交通领域中的模型开发具有很大参考价值。在交通领域中, 油耗排放模型的研究很长一段时间局限在对速度、加速度的统计分析以及建立矩阵查询表等方法上, 计算效率较低且无法阐述油耗排放与交通行为的物理关系。以CMEM、MOVES模型为代表, 基于机动车功率需求变量的模型开发方法是目前主流方法。尤其是独立于车重的机动车比功率 (VSP) 变量, 既保留了汽车工程领域的物理模型的优点, 又减少了模型深入参数的复杂性, 适用于与交通参数的衔接, 是油耗排放模型的研究与应用方向。
参考文献
[1]Argonne National Laboratory (ANL) .Powertrain System Analysis Toolkit (PSAT) :A Flexible, Reusable Model for Simulating Ad-vanced Vehicles, October2006[R].http://www.anl.gov/techtransfer/pdf/PSAT.pdf, Accessed March2, 2010.
[2]Chau K.T., Y.S.Wong, and C.C.Chan.EVSIM–A PC-based Simulation Tool for an Electric Vehicle Technology Course[J].In-ternational Journal of Electrical Engineering Education, Vol.37, No.2, 2000, pp.167-79.
[3]Simpson A.G.Parametric Modelling Of Energy Consumption in Road Vehicles[D].Ph.D.dissertation, School of Information Tech-nology and Electrical Engineering, The University of Queensland, Australia, 2005.
[4]Barth, M., F.An, T.Younglove, G..Scora, C.Levine, M.Ross, and T.Wenzel.Comprehensive Modal Emissions Model (CMEM) , Ver-sion2.0, User's Guide[R].Univ.of California, Riverside, Riverside, California, 2000.
[5]王晓东, 孙丽玮.基于碳平衡法的汽油机与柴油机油耗模型研究[J].交通节能与环保.2009, 03期, pp.29-32.
[6]Akcelik, R.and M.Besley.Operating Cost, Fuel Consumption, and Emission Models in SIDRA and aaMotion[C]Paper Presented at the 25th Conference of Australian Institutes of Transport Research, Uni-versity of South Australia, Adelaide, Australia, 2003.
[7]Ahn, K., H.Rakha, A.Trani, and M.Van Aerde.Estimating Vehi-cle Fuel Consumption and Emissions based on Instantaneous Speed and Acceleration Levels[J].Journal of Transportation Engineering.Vol.128, No.2, 2002, pp.182-190.
[8]Cappiello, A., I.Chabini, E.Nam, M.Abou-Zeid, and A.Lue.A Statistical Model of Vehicle Emissions and Fuel Consumption[C].Proceedings of IEEE5th International Conference on Intelligent Transportation Systems, 2002, pp.801-809.