Crédito: CC0 Public Domain
Conduciendo hacia adelante en los atascos de tráfico de parachoques a parachoques, los conductores lamentan los años de sus vidas dedicados a los malos desplazamientos. A pesar de la drástica reducción de la pandemia de tráfico, los estadounidenses continuaron perdiendo un promedio de 26 horas el año pasado debido a la congestión del tráfico. En un año típico, los conductores estadounidenses pasan cerca de 46 horas al volante, lo que puede sumar miles de horas a lo largo de su vida.
Los atascos de tráfico no solo son una pérdida de 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 picos en las emisiones contaminantes. Una investigación reciente del Laboratorio Nacional de Energía Renovable (NREL) del Departamento de Energía de EE. UU. En colaboración con el Laboratorio Nacional de Oak Ridge (ORNL) revela el potencial para desenredar Tráfico gruñe al combinar sensores y controles de próxima generación con computación, análisis y aprendizaje automático. Estas innovadoras estrategias anticongestión están diseñadas para reducir el consumo de energía de los vehículos hasta en un 20% y recuperar hasta $ 100 mil millones en productividad perdida durante los próximos 10 años.
El equipo de NREL creó una serie de simulaciones (o ‘gemelo digital’) de las condiciones de la carretera en Chattanooga, Tennessee, utilizando datos en tiempo real recopilados a través de una amplia gama de sensores. Las simulaciones ayudan a identificar qué controles, como la programación de semáforos, rutas alternativas, armonización de velocidad, mediciones de rampas, límites de velocidad dinámicos y más, pueden proporcionar la mayor eficiencia energética al tiempo que optimizan el tiempo de viaje, la velocidad de la carretera y la seguridad. La información así obtenida puede ser utilizada por urbanistas, desarrolladores de tecnología, fabricantes de automóviles y operadores de flotas para desarrollar sistemas y equipos que mejoren los desplazamientos y las entregas.
“Chattanooga proporcionó un microcosmos ideal de condiciones y oportunidades para trabajar con una lista única de socios municipales y estatales”, dijo John Farrell, gerente de programa del Laboratorio de Tecnologías de Vehículos de NREL. “En última instancia, 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 automatizadas, señales de tráfico, dispositivos GPS a bordo, detectores de radar y estaciones meteorológicas. Esta información se utilizó en simulaciones, modelado y actividades seleccionadas de aprendizaje automático dirigidas por científicos de NREL como parte de un proyecto dirigido por ORNL.
El equipo de NREL desarrolló técnicas y herramientas de vanguardia para identificar y cuantificar la energía perdida debido a la congestión y evaluar y validar estrategias de mitigación. Al combinar datos de múltiples fuentes con aprendizaje automático de alta calidad, los investigadores de NREL pueden hacer una estimación Consumo de energía y pérdidas de energía, identificar dónde y por qué los sistemas están perdiendo energía y modelar respuestas realistas a las condiciones y controles cambiantes. Esto proporciona una base científica para una estrategia de mejora del flujo de tráfico que el equipo puede luego simular y validar en estudios de campo.
Para el proyecto de Chattanooga, el equipo de NREL desarrolló un método para estimar y visualizar los volúmenes de tráfico, las velocidades y el consumo de energía en tiempo real e histórico, identificando las áreas con mayor potencial de ahorro de energía mediante el uso de una estrategia de alivio de la congestión. El equipo también desarrolló técnicas de aprendizaje automático para ayudar a evaluar el rendimiento de las señales de tráfico, trabajando con investigadores de ORNL en otras estrategias de aprendizaje automático e inteligencia artificial.
Los análisis de NREL fueron más allá de los datos, utilizando aprendizaje automático, datos de dispositivos GPS y sensores de vehículos, y análisis visuales para investigar las causas fundamentales de la congestión. Por ejemplo, el equipo descubrió que los semáforos a lo largo de uno de los corredores principales no estaban configurados para optimizar menos tráfico fuera de las prisas al mediodía, lo que resultó en largas demoras debido a paradas excesivas de semáforos rojos.
El equipo reveló que el mismo corredor puede actuar como un área estratégica de reducción de energía, y el modelo de simulación del corredor muestra que la configuración optimizada del semáforo tiene el potencial de reducir el consumo de energía en esta ubicación hasta en un 17%. Luego, los investigadores recomendaron a los ingenieros del Departamento de Transporte de Chattanooga que realizaran mejoras específicas en los cuatro controladores de señales a lo largo del corredor. Los resultados reales mostraron una reducción del 16% en el consumo de combustible de los vehículos en este tramo de la carretera, casi alcanzando el objetivo de reducción del 20%, gracias a la implementación de estrategias muy limitadas.
“Optimizar el control de los sistemas de tráfico puede ayudar a ahorrar cantidades significativas energía y reducir las emisiones de la movilidad en el mundo real ”, dijo Qichao Wang, investigador de doctorado de NREL y jefe de actividades de control de tráfico del proyecto.
Archivo datos en tiempo real el procesamiento requerido para producir estas complejas simulaciones a gran escala se basó en la computación de alto rendimiento en la supercomputadora Eagle en el NREL. Esta computadora puede realizar 8 millones de billones de cálculos por segundo, lo que permite a los científicos realizar cálculos en horas, minutos o segundos que antes hubieran tomado días, semanas o incluso meses.
“La combinación de la informática de alto rendimiento, los datos de alta fidelidad, el aprendizaje automático y la investigación del transporte puede ofrecer resultados poderosos que van mucho más allá de lo que era posible en el pasado con la tecnología heredada”, dijo Juliette Ugirumurera, científica informática y copresidenta de NREL. del equipo de diseño del laboratorio.
Más de 11 mil millones de toneladas de bienes viajan por las carreteras de los Estados Unidos cada año, lo que representa más de $ 32 mil millones en bienes cada día. Esto ofrece a los transportistas de carga comerciales aún más incentivos que los conductores individuales para evitar desperdiciar combustible y dinero en atascos de tráfico. Los científicos se asociaron recientemente con transportistas regionales y nacionales de 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 vehículos de pasajeros y patrones de viaje individuales”, dijo Wesley Jones, director del grupo de computación científica NREL y copresidente del equipo de diseño del laboratorio. “A medida que ampliamos nuestra investigación para examinar las operaciones de envío, también analizaremos de manera más amplia las rutas regionales y nacionales por las que viajan”.
En definitiva, se prevé que estas tecnologías en el transporte de pasajeros y mercancías se aplicarán a nivel nacional, con sensores y controles adicionales integrados en la infraestructura y vehículos conectados y autónomos.
Entregado por
Laboratorio Nacional de Energías Renovables