Krediet: CC0 publiek domein
Bestuurders klagen over de jaren van hun leven die zijn opgeofferd tijdens slecht woon-werkverkeer. Zelfs met de pandemie die het verkeersvolume drastisch verminderde, verloren Amerikanen vorig jaar nog steeds gemiddeld 26 uur aan verkeersopstoppingen. In een typisch jaar zitten Amerikaanse chauffeurs bijna 46 uur achter het stuur, wat in de loop van hun leven kan oplopen tot duizenden uren.
Verkeersopstoppingen verspillen niet alleen tijd en meer dan 3,3 miljard liter brandstof per jaar, maar ze vertalen zich ook in 8,8 miljard uur aan productiviteitsverlies en pieken in vervuilende emissies. Recent onderzoek door het National Renewable Energy Laboratory (NREL) van het Amerikaanse Department of Energy, in samenwerking met Oak Ridge National Laboratory (ORNL), onthult het potentieel om verkeersgruis te ontwarren door een combinatie van sensoren en bedieningselementen van de volgende generatie met high-performance computing, analytics en machine learning. Deze innovatieve strategieën voor congestiebestrijding zijn gericht op het verminderen van het energieverbruik van voertuigen met maximaal 20% en het terugwinnen van maar liefst $ 100 miljard aan verloren productiviteit in de komende 10 jaar.
Het NREL-team creëerde een reeks simulaties (of een “digitale tweeling”) van verkeersomstandigheden in Chattanooga, Tennessee, met behulp van real-time gegevens die zijn verzameld via een breed scala aan sensorapparatuur. De simulaties helpen bepalen welke bedieningselementen – in de vorm van verkeerssignaalprogrammering, alternatieve routering, snelheidsharmonisatie, hellingmeting, dynamische snelheidslimieten en meer – de grootste energie-efficiëntie kunnen opleveren, terwijl de reistijd, snelwegsnelheid en veiligheid worden geoptimaliseerd. De resulterende informatie kan worden gebruikt door stedenbouwkundigen, technologieontwikkelaars, autofabrikanten en wagenparkbeheerders om systemen en apparatuur te ontwikkelen die het woon-werkverkeer en leveringen zullen stroomlijnen.
“Chattanooga bood een ideale microkosmos van omstandigheden en kansen om te werken met een uitzonderlijke selectie van gemeentelijke en staatspartners”, aldus John Farrell, programmamanager Vehicle Technologies Laboratory van NREL. “Uiteindelijk is het plan om deze oplossingen toe te passen op grotere stedelijke gebieden en regionale corridors door het hele land.”
Sensoren werden gebruikt om continu gegevens te verzamelen van meer dan 500 bronnen, waaronder geautomatiseerde camera’s, verkeerssignalen, ingebouwde GPS-apparaten, radardetectoren en weerstations. Deze informatie wordt gebruikt voor simulatie, modellering en geselecteerde machine-leeractiviteiten onder leiding van NREL-onderzoekers voor het door ORNL geleide project.
Het NREL-team heeft state-of-the-art technieken en tools ontwikkeld om energieverlies door verkeersopstoppingen te identificeren en te kwantificeren en om risicobeperkende strategieën te evalueren en te valideren. Door gegevens uit meerdere bronnen te koppelen aan high-fidelity machine learning, kunnen NREL-onderzoekers het energieverbruik en energieverlies schatten, bepalen waar en waarom systemen energie verliezen en realistische reacties op veranderingen in omstandigheden en controles modelleren. Dit biedt een wetenschappelijke basis voor strategieën om de verkeersstroom te verbeteren, die het team vervolgens kan beoordelen door middel van simulaties en valideren door middel van veldstudies.
Voor het Chattanooga-project heeft het NREL-team een methode ontwikkeld voor het schatten en visualiseren van real-time en historisch verkeersvolume, snelheid en energieverbruik, waardoor het mogelijk wordt om gebieden te lokaliseren met het grootste potentieel voor energiebesparing door toepassing van congestie-verlichtingsstrategieën. Het team ontwikkelde ook technieken voor machine learning om de prestaties van verkeerssignalen te helpen evalueren, terwijl het samenwerkte met ORNL-onderzoekers aan andere strategieën voor machine learning en kunstmatige intelligentie.
De analyses van NREL keken verder dan alleen gegevens, met behulp van machine learning, gegevens van GPS-apparaten en voertuigsensoren en visuele analyses om de onderliggende oorzaken van congestie te onderzoeken. Het team ontdekte bijvoorbeeld dat verkeerssignalen langs een grote corridor niet waren getimed om de lichtere verkeersstroom in de daluren te optimaliseren, wat resulteerde in een hoge incidentie van vertragingen als gevolg van overmatig stoppen bij rood licht.
Het team onthulde dat dezelfde corridor zou kunnen fungeren als een strategisch gebied voor het verminderen van het energieverbruik, met een simulatiemodel van de corridor die aangeeft dat geoptimaliseerde verkeerssignaalinstellingen het potentieel hebben om het energieverbruik op die locatie met maar liefst 17% te verminderen. Onderzoekers adviseerden vervolgens aan Chattanooga Department of Transportation-ingenieurs specifieke verbeteringen aan vier signaalcontrollers langs de gang. Resultaten uit de praktijk lieten zien dat het brandstofverbruik van voertuigen op dat stuk weg met maar liefst 16% afnam – waarbij bijna het doel van 20% reductie werd gehaald – door de inzet van zeer beperkte strategieën.
“Het optimaliseren van de besturing van de verkeerssystemen zou kunnen helpen om aanzienlijke hoeveelheden energie te besparen en mobiliteitsgerelateerde emissies in de echte wereld te verminderen”, zegt Qichao Wang, NREL postdoctoraal onderzoeker en hoofd van de verkeersleiding in dit project.
De real-time data-crunching die nodig was om deze complexe, grootschalige simulaties te produceren, was afhankelijk van high-performance computing op de Eagle-supercomputer bij NREL. Deze computer kan 8 miljoen miljard berekeningen per seconde uitvoeren, waardoor onderzoekers in uren, minuten of seconden berekeningen kunnen uitvoeren die voorheen dagen, weken of zelfs maanden zouden kosten.
“De kruising van high-performance computing, high-fidelity data, machine learning en transportonderzoek kan krachtige resultaten opleveren, veel verder dan wat in het verleden mogelijk was met legacy-technologie”, aldus Juliette Ugirumurera, NREL computational scientist en co-lead van het projectteam van het laboratorium.
Elk jaar wordt meer dan 11 miljard ton vracht over de Amerikaanse snelwegen vervoerd, goed voor meer dan $ 32 miljard aan goederen per dag. Dit geeft commerciële vrachtvervoerders een nog grotere motivatie dan individuele chauffeurs om geen brandstof en geld te verspillen aan verkeersopstoppingen. Onderzoekers zijn onlangs begonnen samen te werken met regionale en nationale vervoerders in Georgië en Tennessee om te onderzoeken hoe de simulaties en controles het meest effectief kunnen worden afgestemd op vrachtwagenvloten.
“Tot nu toe was ons prototype op stadsschaal sterker gericht op personenvoertuigen en individuele reispatronen”, zegt Wesley Jones, NREL Scientific Computing Group Manager en co-lead van het projectteam van het laboratorium. “Terwijl we ons onderzoek uitbreiden om vrachtactiviteiten te onderzoeken, zullen we ook een bredere blik werpen op de regionale en nationale routes die ze afleggen.”
De verwachting is dat deze technologieën voor personen- en vrachtvervoer uiteindelijk in het hele land zullen worden toegepast, met extra sensoren en regelapparatuur geïntegreerd in infrastructuur en geconnecteerde en autonome voertuigen.
Geleverd door National Renewable Energy Laboratory