Viables de Congestion Vial en Una Avenida Urbana

7/23/2019 Viables de Congestion Vial en Una Avenida Urbana

1/20

Congreso Internacional deX V nfraestructura Vial

& Expo Vial y TransporteLima, 21 y 22 de Agosto 2015

INSTITUTO DE LA CONSTRUCCIN Y GERENCIA ICGe-mail: [email protected] / Web: www.construccin.org

XIV

& Expo Vial y TransporteInfraestructura Vial

CongresoInternacional de

XIV Congreso Internacional Infraestructura Vial & Expo Vial y Transporte 2015

NDICE:

Problema y Objetivos de la investigacin.

Metodologa.

Anlisis y Resultados.

Conclusiones.


2/20





PROBLEMA Y OBJETIVOS

3


PROBLEMA

FORMULACIN DEL PROBLEMA

Qu escenario o escenarios se debenconsiderar para ampliar o modificar lainfraestructura de una va expresa en Lima?

Cmo implementar la simulacin de trfico queconsidere las principales variables que influyen

en el tiempo de permanencia de una va?


3/20





OBJETIVOS DE LA INVESTIGACIN

OBJETIVO GENERAL

Minimizar el tiempo de permanencia enuna va expresa, controlando laasignacin de la demanda, con ndices demedicin propuestos para tales fines.


METODOLOGA

6


4/20





Esquema General

Filmaciones de municipios. Filmaciones y mediciones en

intersecciones. Filmaciones y mediciones en

el recorrido a lo largo de laVa.


Procesamiento de Imgenes: ConteoVehicular

CONFIGURACIN DE PARAMETROS

CONTADORCONFIGURACIN DE CONTEO

CONO DE SOFTWARE


5/20





ANLISIS Y RESULTADOS

9


Tipologa Vehicular

A ut omvil es CamionetasCOUSTER/CO

MBICAMIONES MOTOS

Q3 70.10 20.94 6.00 1.69 1.27

0.00

10.00

20.00

30.00

40.00

50.00

60.0070.00

80.00

Porcentaje(%)

Demanda Segun Tipo de Vehculo


6/20





0

2

4

6

8

10

12

14

16

18

0+000 0+500 1+000 1+500 2+000 2+500

Capacidad Vial

Ancho deVia

Capacidad Geomtrica

Geometra de Va-Ancho de Calzada (Va Expresa) Q1Q2

Q3

Q4

O1

O2

Caudal Via Alterna Av. Aviacion


Caudal Via Expresa Av. Aviacion

Caudal Via Expresa Av. Rosa Toro

Caudal Via Expresa Av. Circunvalacion

Caudal Via Expresa Av. Evitamiento


Nivel de Servicio y Capacidad Vial:Intensidad Vehicular

Intensidad vehicular horaria Va ExpresaQ1

Q2

Q3

Q4

O1

O2








7/20






Intensidad vehicular HorariaQ1

Q2

Q3

Q4

O1

O2







FLUJOOESTE-ESTE



Q1

Q2

Q3

Q4

O1

O2







Intensidad vehicular horaria Va Expresa vs Va Alterna

Va Expresa

Va Auxiliar


8/20






Intensidad vehicular horaria Va Expresa vs Va AlternaQ1

Q2

Q3

Q4

O1

O2







FLUJOOESTE-ESTE

Va Expresa

Va Auxiliar


Nivel de Servicio y Capacidad Vial:Velocidad durante la jornada

Velocidad y formacin de congestinQ1

Q2

Q3

Q4

O1

O2








9/20





Nivel de Servicio y Capacidad Vial:Velocidad durante la jornada

Velocidad y formacin de congestinQ1

Q2

Q3

Q4

O1

O2







FLUJOOESTE-ESTE


Nivel de Servicio y Capacidad Vial:Maniobras vs Velocidad

Maniobra de Conductores vs Velocidad Promedio


10/20





Maniobra de Conductores vs Velocidad Promedio

Nivel de Servicio y Capacidad Vial:Maniobras vs Velocidad


Nivel de Servicio y Capacidad Vial:Velocidad f(Progresiva)

Curva de Congestin: Velocidad vs Progresiva (al inicio de la jornada)

Este-Oeste Oeste-Este

Av.Venezuela

Av.Universitaria

Av.Brasil

Av.JavierPrado

Av.Paseo

La

Republica

Av.Circunvalacion

Ov.Huarochiri

Ov.MonitorHuascar

Av.Venezuela

Av.Universitaria

Av.Brasil

Av.JavierPrado

Av.Paseo

La

Republica

Av.Circunvalacion

Ov.Huarochiri

Ov.MonitorHuascar


11/20





Nivel de Servicio y Capacidad Vial:Intensidad f(Progresiva)

Curva de Congestin: Intensidad vs Progresiva


Intensidad

Intensidad


Nivel de Servicio y Capacidad Vial:Intensidad Vehicular vs Velocidad


HCM HCM

Ajuste de la Curva Intensidad vehicular vs Velocidad


12/20





Nivel de Servicio y Capacidad Vial:Intensidad vs Densidad

Curva de Congestin: Intensidad vehicular vs Densidad Vehicular


A B C D E F

A

B

C

D

E

F


Nivel de Servicio y Capacidad Vial:Velocidad vs Densidad

Curva de Congestin: Velocidad vs Densidad Vehicular



13/20





pE=[VARIABLES];tE=[OBJETIVOS];[pn,ps1] = mapstd(pE);[tn,ts] = mapstd(tE);[ptrans,ps2] = processpca(pn,0.001);[T,Q] = size(ptrans);Clas13 = [1:4:Q 3:4:Q];Clas4 = 4:4:Q;Clas2 = 2:4:Q;Enp = ptrans(:,Clas13);VEt = tn(:,Clas13);val.P = ptrans(:,Clas4);val.T = tn(:,Clas4);test.P = ptrans(:,Clas2);test.T = tn(:,Clas2);Rango=minmax(ptrans);

Modelos numricos y redes neuronales


Red neuronal R

net = newff(Rango,[6 1],{'tansig' 'purelin'},'trainlm') 0.9373




Red neuronal R

net = newff(Rango,[6 1],{'purelin' 'purelin'},'trainlm') 0.90482




Red neuronal R

net = newff(Rango,[6 1],{'purelin' 'tansig'},'trainlm') 0.90496



net = newff(Rango,[3 1],{'purelin' 'tansig'},'trainlm') 0.86587Red neuronal R

net = newff(Rango,[5 1 1],{'tansig' 'tans ig ' 'purelin' },'t rainlm') 0.91648



Red neuronal R

net = newff(Rango,[5 1 1], {'tansig' 'purel in' 'purel in'} ,' tra inlm') 0.93692





14/20





OBJETIVO RNA

0 670 10.4 3 23 25 50 64 54 65 720 8.5 77 77

1 670 10.4 3 23 25 50 64 54 65 720 8.5 77 77

2 670 10.4 3 23 25 50 64 54 65 720 8.5 77 77

3 670 10.4 3 23 25 50 64 54 65 720 8.5 77 77

4 670 10.4 3 23 25 50 64 54 65 720 8.5 77 77

5 670 10.4 3 23 25 50 64 54 65 720 8.5 77 77

6 1340 10.4 3 120 50 100 129 108 129 1440 8.5 77 79

7 3060 10.4 3 150 225 4 50 5 95 516 596 3510 8.5 54 43

8 4110 10.4 3 150 255 5 10 6 69 574 670 4620 8.5 49 48

9 4590 10.4 3 180 225 4 50 5 84 494 585 5040 8.5 46 55

10 4710 10.4 3 180 210 4 20 5 44 458 544 5130 8.5 53 57

11 5730 10.4 3 180 270 5 40 7 00 590 700 6270 8.5 63 59

12 4560 10.4 3 180 225 4 50 5 84 494 585 5010 8.5 54 50

13 5100 10.4 3 270 285 5 70 7 43 632 744 5670 8.5 51 66

14 3990 10.4 3 180 210 4 20 5 47 464 547 4410 8.5 60 60

15 5430 10.4 3 150 225 4 50 5 81 488 582 5880 8.5 39 44

16 5369 10.4 3 150 255 5 10 6 60 556 661 5879 8.5 41 42

17 5550 10.4 3 150 225 4 50 5 80 486 581 6000 8.5 39 42

18 5460 10.4 3 120 330 6 60 8 65 740 865 6120 8.5 35 36

19 3960 10.4 3 120 270 5 40 7 12 614 712 4500 8.5 32 31

20 3520 10.4 3 90 240 480 632 544 632 4000 8.5 30 29

21 3520 10.4 3 90 240 480 632 544 632 4000 8.5 42 29

22 3080 10.4 3 90 210 420 553 476 553 3500 8.5 61 61

23 670 10.4 3 23 25 50 64 54 65 720 8.5 77 76

Donde:

Qi: Via principal del sistema O-E

Ei: Rampa de entrada al sistema O-E.

Si: Rampa de salida al sistema O-E.

G. Qi:Geometria del sistema O-E.

CARRILES MANIOBRASV.

OBJETIVOV. REDG. Q2G. Q1

VARIABLES

T Q1 E1 S1 E2 S2 E3 Q2



Figura 1.- Correlacin. (R=0.95031)

Figura 2.- Velocidad media en el tiempo.

GANANCIAS

-0.2234 -0.3385 -0.9416 -0.3175 -1.9547

1.1424 -0.6371 1.1036 -1.6245 -0.7096

0. 9319 - 0. 1875 0. 1140 - 2. 1063 0. 3821

-0.2765 -2.7709 -0.7733 3.2374 -2.0904

1. 8409 - 3. 8362 7. 9097 5. 4610 - 2. 3576

PESOS

net = newff(Rango,[5 1],{'tansig''purelin'},'trainlm');



15/20





Nivel de Ruido: Interseccin Av. JavierPrado Av. Snchez Carrin

MAANA TARDE

75.0

80.0

85.0

90.0

95.0

07:00 08:00 09:00 10:00 11:00

Decibeles

Horario

75.0

80.0

85.0

90.0

95.0

16:00 17:00 18:00 19:00 20:00

Decibeles

Horario

NIVEL MXIMO DE RUIDO PERMITIDO NIVEL MXIMO DE RUIDO PERMITIDO

Puntos medidos


Anlisis de Puntos Crticos

CICLO SEMAFORICO VEHICULARt (S)

1

2

3

4

24 28 32 36 404 8 12 16 20 64 68 72 76 8044 48 52 56 60 108 112 116 12084 88 92 96 100 124 128 132 136 140104


16/20






CICLO SEMAFORICO PEATONALt (S)1.1

1.2

2.1

2.2

3.1

3.2

4.1

4.2

48 52 56 60 644 8 12 16 20 24 28 32 36 40 44 88 92 96 100 10468 72 76 80 84 128 132 136 1401 08 1 12 1 16 1 20 1 24



FLUJOGRAMA


17/20





FLUJOGRAMA



CONCLUSIONES

34


18/20





CONCLUSIONES

La infraestructura vial de la Va Expresa es utilizadaentre el 60 y 90% de su capacidad. La congestinprovoca una disminucin de la capacidad vial de lainfraestructura.

Se observan dos valles de congestin, convelocidades que estn por debajo de 20km/h. Elprimero entre las 7:30am y 9:00 am, y el segundoentre las 4pm y las 7:30pm.

Se plantean modelos tpicos del comportamiento dela Av. Javier Prado para predecir la velocidad en elsistema a partir de la intensidad vehicular horaria


La congestin provoca una degradacin delNivel de Servicio de la Infraestructura. Seobserva horarios con Niveles alrededor de F,aproximadamente 3h/da.

Mas del 60% de usuarios de transporte privadoen el eje vial Javier Prado La Marina realizanviajes largos de mas de 10km.

CONCLUSIONES


19/20





CONCLUSIONES

Es posible entrenar una red neuronal paralas condiciones establecidas para la tomade datos, es decir la red neuronal artificialpuede aprender el comportamiento delsistema para determinadas condiciones deuso, pudiendo predecir su comportamientopara otras.

Algunas variables como los giros y la

semaforizacin impactan directamente en lacapacidad total de transporte vial.


Leonardo Flores G., Edward Santa Mara D., Denis Coarita, YeltsinValero C., Walter Montenegro S.

Variables de Congestin Vial en unaAvenida Urbana


20/20




AGRADECIMIENTO A NUESTROSAUSPICIADORES


Documents

Viables de Congestion Vial en Una Avenida Urbana