基于智能体建模的灾害应急程序

基于智能体建模的灾害应急程序

背景

Battelle(美国巴特利)是世界上最大的非营利性研发机构,也是全球性的技术开发、技术商品化和技术转让方面的领导者。他们管理或共同管理着美国能源部、美国国土安全部和英国国际核实验室的实验室。

问题

为了找到切实可行的解决方案,来快速有效地应对突发性的危机或自然灾害,Battelle需要测试在临时核装置(IND)场景下的一个48小时避难场所的效力。目的是通过比较即时疏散和就地安置命令,减少在不协调的大规模疏散过程中所受到的辐射量。

不论是自然或人为的灾难,建立它们的模型都会面对许多特别的挑战。有特殊的环境和物理影响,以及大量的可能性方案和威胁因素。此外,人们的反应是未知的,应对策略也很少能如计划的一样实施。

解决方案

选用仿真建模,是因为它有评估潜在场景空间的能力。确定性模型具有包含因素的局限性,例如基本上无法预测人类的反应以及比较替代方案与寻找确切答案的需求。

对Battelle来说,AnyLogic是一个很自然的选择,因为它已经在机构的种种项目中被广泛使用,包括:

此外,AnyLogic基于智能体建模的能力可以让Battelle捕捉到灾难中最重要的动态。涌现或紧急行为是对人类行为建模的关键原则。同时,模型有时会呈现出意料之外的结果。这两者都只能通过基于智能体的建模来捕获。

灾害应对模型框架

灾害应对仿真框架

综合性模型的框架包含道路交通环境、车辆、驾驶员和灾害事件。为更好的进行控制,道路交通网由GIS数据库、当地交通管理局数据(最高车速、车道容量)组成的道路布局和作为节点的智能体共同搭建。随着灾难的扩散,一旦出现如道路的泛滥或桥梁的破坏的变化,整个交通网都会被并入动态事件。

车辆的物理限制取决于美国人口普查局和交通局提供的参数数据。进行大规模疏散时,考虑到驾驶者相比正常情况下的非理性变化,使用过去的灾难响应研究中的数据来表示驾驶者的行为。该模型还包括动态路线寻找(几个相互链接的智能体被动态追踪、更新的状态集,)。此外,全部行为状态皆与车辆运行参数相关联,以便在驾驶员丧失行动能力时启动车辆停用功能。

从初始值开始对智能体的行为变量进行校准,并使用过去灾难中的疏散数据来设置精度目标,因为校准和验证是证明仿真模型有效性的关键环节。如果没有历史数据可用,Battelle则使用来自其他主要交通事件的数据、基于其他灾难事件的敏感性分析和调查数据。

灾害应对仿真模型结构

灾害应对仿真模型结构

动态轮廓用来跟踪受灾难影响的区域,通常来自其他仿真模型,以划分处理要求。基于预测的天气模式、土地覆盖等实时更新的轮廓和多个相互关联的轮廓集适合展示几乎所有灾难场景(例如,洪泛水平、火灾蔓延、损伤路径、污染/沉降扩散)。在IND场景中,使用了两个主要的轮廓集:爆炸半径水平(火球和剩余压力轮廓)和辐射分布(空气中的辐射水平和来自各种类型的放射性粒子在地面上的沉积)。

结果

AnyLogic建立的仿真模型对直接疏散和顺序疏散进行了比较,并得出结论:顺序疏散明显减少了辐射接收量和严重辐射中毒的情况。

该模型还产生下游模型输出,以测试不同的灾害应对策略,并找到在多个合适的选项中找到最好的响应策略。Battelle能够将应急响应智能体、多个干预场景和可互换的模型组件(相同的灾难场景的不同位置,或相同位置的不同场景)结合起来,当面对各种突发性危机或自然灾害时,快速有效的找到实际操作解决方案。

同类案例研究

更多案例研究

Get a brochure with industry case studies

下载