
Varios otros estudios propusieron modelos de dos niveles para abordar los problemas de optimización del rendimiento de la red durante desastres (por ejemplo,). Sin embargo, las consideraciones sobre el número de restricciones y su expresión fueron sustancialmente diferentes en cada estudio. En Faturechi y Miller-Hooks, se propuso un modelo aleatorio de dos niveles y tres etapas para evaluar y optimizar la resistencia del tiempo de viaje en una red de carreteras en función de la capacidad de unporque.com la red para resistir y adaptarse a las interrupciones. La resiliencia se cuantificó en este artículo considerando dos condiciones: considerando un presupuesto B dado para acciones de mitigación, preparación y respuesta, y considerando un tiempo T dado para la implementación de la acción de recuperación. Después de cualquier actividad de recuperación en un escenario posterior a un desastre, el rendimiento de la red de transporte alcanzó una condición de equilibrio de usuario parcial, y eq.
Tabla 4 3 Números de zona típicos para estudios de modelado
En Sultania et al. , el modelo de estado más probable se desarrolló para cuantificar el riesgo asociado con la probabilidad de ocurrencia de la interrupción y las consecuencias resultantes. Chen y Miller-Hooks formularon un indicador de capacidad para cuantificar la resistencia de la red considerando la capacidad inherente o la capacidad de adaptación de la red para hacer frente al impacto de las interrupciones. En general, las medidas proactivas y de protección para mejorar la resiliencia del sistema son beneficiosas para reducir las consecuencias de los desastres; Chen y Miller-Hooks argumentaron que las acciones reactivas podrían ser más beneficiosas. Además, en los estudios de resiliencia basados en redes de transporte aéreo, la capacidad de la calle de rodaje y la capacidad de la pista durante y después de las fases de desastre se consideran parámetros de resiliencia (por ejemplo,). Janic midió la resiliencia del aeropuerto en función del número de vuelos alojados en el aeropuerto para un índice de capacidad específico, mientras que Faturechi et al. cuantificó la probabilidad esperada de acomodar el número de vuelos en una situación posterior a un desastre. Otro artículo reciente consideró la demanda de viajes que surge de las evacuaciones de emergencia de las zonas afectadas por el desastre y se resolvió de manera óptima para encontrar la estrategia de ruta eficiente para mejorar la operación de evacuación. En este documento se realizó una revisión integral sobre la resiliencia del sistema de transporte en términos de características de resiliencia del sistema en respuesta a diferentes tipos de desastres.
La capacidad de un sistema para sostenerse de los impactos de un desastre, a veces conocida como capacidad de adaptación, se puede definir como el tiempo que un sistema puede sobrevivir por sí solo después de la ocurrencia de cualquier evento disruptivo. La capacidad de flujo, una propiedad central del sistema, se utiliza como un parámetro clave en el análisis de resiliencia para analizar la sostenibilidad de un sistema. Se utilizó un algoritmo genético de dos espacios y la resistencia de la red se calculó como una diferencia normalizada entre el costo de operación del sistema en el peor estado y el estado razonablemente recuperado. Yoo y Yeo utilizaron la capacidad adaptativa representada como la relación entre el margen de los nodos funcionales restantes de la red después del desastre y la cantidad de nodos antes del desastre.
Índice de resiliencia
Dependiendo del nivel de daño del desastre y el tamaño del área afectada, el daño a la infraestructura y la cantidad de tamaño de la flota afectada podría ser significativamente mayor, lo que puede resultar difícil oracionasanjudas-tadeo.com de simular y resolver computacionalmente para los modelos propuestos. Por lo tanto, a la mayoría de los modelos propuestos les resulta difícil abordar de manera eficiente el problema del gran tamaño de la flota.
Global IoT in Intelligent Transportation System Market to 2026 – Industry Perspective, Comprehensive Analysis, and Forecast – Farming Sector
Global IoT in Intelligent Transportation System Market to 2026 – Industry Perspective, Comprehensive Analysis, and Forecast.
Posted: Sat, 02 Jan 2021 17:38:46 GMT [source]
Dado que la entrega confiable es fundamental en el transporte de mercancías, es primordial la rápida restauración y recuperación de la cadena de suministro de mercancías después de un desastre. Adams y col. triángulos de resiliencia modificados propuestos (discutidos anteriormente en la sección 4.10) para medir la resiliencia de una cadena de suministro de carga. Se integraron múltiples enfoques estratégicos, como la generación de columnas, la descomposición de Benders y la simulación de Monte Carlo, para desarrollar una planificación de programa estocástica de software almacen enteros mixtos. El modelo mostró una mejora promedio en la resiliencia en un 57%, que varía del 10% al 141% para diferentes escenarios de desastre probados. Dado que la carga juega un papel clave en la distribución de ayuda de emergencia durante y después de un desastre, se consideró el modelo de red de afinidad o el enfoque de optimización difusa cooperativa para mejorar el desempeño de la movilidad de carga de emergencia en la gestión de desastres. Estos modelos demostraron la selección de ruta óptima para operar el trabajo de socorro de manera eficiente.
Problemas de asignación de tráfico y enrutamiento en redes de transporte estocásticas
- Adams y col. triángulos de resiliencia modificados propuestos (discutidos anteriormente en la sección 4.10) para medir la resiliencia de una cadena de suministro de carga.
- Se integraron múltiples enfoques estratégicos, como la generación de columnas, la descomposición de Benders y la simulación de Monte Carlo, para desarrollar una planificación de programa estocástica de enteros mixtos.
- Dado que la entrega confiable es fundamental en el transporte de mercancías, es primordial la rápida restauración y recuperación de la cadena de suministro de mercancías después de un desastre.
- El modelo mostró una mejora promedio en la resiliencia en un 57%, que varía del 10% al 141% para diferentes escenarios de desastre probados.
Vugrin y col. desarrolló un modelo de resiliencia basado en el requerimiento de costo operativo en escenarios de desastre y aplicó el modelo en un sistema de transporte utilizado para el suministro de productos de la industria petroquímica. Se calcularon dos componentes principales de la resiliencia del sistema (es decir, impacto sistemático y esfuerzo de recuperación total) para determinar los impactos de las interrupciones. SI se refiere a la diferencia entre el rendimiento real del sistema y el rendimiento del sistema objetivo, y TRE se refiere a la eficiencia de las actividades de recuperación durante el período posterior al desastre. En esta investigación, se consideraron dos escenarios de huracanes de categoría 2 para dos sitios de estudio de caso: Houston, Texas y Nueva Orleans, Louisiana.