| dc.description.abstract | Vinterdrift sikrer fremkommelighet langs det norske vegnettet på vinterstid og utgjør en stor andel av driftsbudsjettene. Små endringer kan gi store utslag i saltforbruk, kjørte kilometer og tilhørende kostnader. Dette er bakgrunnen for ønske om å simulere vinterdrift på et taktisk og strategisk nivå. Simulering gjør det mulig å se effekten av endringer uten å gjennomføre kostbare og tidkrevende undersøkelser. Følgende forskningsspørsmål ble definert for belyse tematikken:
1) Hvordan kan man forutse nødvendig vinterdrift?
2) Hvor god vil prediksjonsytelsen til en utkallingsalgoritme være?
Metodene benyttet i masteroppgaven er litteraturstudie, uformelle intervju, observasjon, analyse av flåtestyringsdata og modellutvikling. Litteraturen avdekket ulike tilnærminger til simulering av ulike deler av vinterdrift, med tilhørende kriterier, grenser og parametere. Det ble gjennomført befaring (observasjon) og analyse av flåtestyringsdata for en 23 kilometer lang strekning av E18 på Sørlandet. Vegen er en firefelts motorvei med nærhet til kysten, som driftes med høyeste driftsklasse tilknyttet vinterdrift.
For å forutse nødvendig vinterdrift ble det utviklet en værhendelsesmodell og en tiltaksmodell som til sammen utgjør en utkallingsalgoritme. Værhendelsesmodellen identifiserer perioder basert på tre værhendelser som kan utløse behov vinterdrift. Den første værhendelsen er "våt", dette innebærer våt vegbane med synkende temperatur eller regn på frossen vegbane. Den andre er "rim" som identifiserer om forholdene for avsetning av vanndamp på vegoverflaten er til stede. Den tredje er "snø" som undersøker når nedbør kommer som iskrystaller. Tiltaksmodellen analyserer værhendelsene og predikerer behov for vinterdrift (tiltak) basert på definerte parametere, kriterier og grenser funnet i litteratur, intervju, observasjon og kalibrering.
Over de to analyserte vintersesongene finner værhendelsesmodellen 190 værhendelser med varighet på mellom 0,5-50 timer sammensatt av en eller flere værfenomener. Værhendelsene utgjør 16% av de totalt 8250 timene med tilgjengelig værdata.
Tiltaksmodellen analyserer så værhendelsene og predikerer behovet for vinterdrift. Prediksjonen gir antall tiltak som må gjennomføres med enten "brøyting og salting" eller "salting", og tidspunkt for gjennomføring. De "predikerte tiltakene" sammenlignes så mot historisk gjennomførte "faktiske tiltak", fra flåtestyringsdata. Værhendelsesmodellen identifiserer 86% av de faktiske tiltakene over den analyserte perioden. Ved å sammenligne antall faktiske og predikerte tiltak direkte, overestimerer utkallingsalgoritmen med 2%. Da modellen er kalibrert mot all flåtestyringsdataen øker avvikene ved å skille mellom type tiltak og enkelt-sesonger. I sesongen 2020/2021 overestimerte modellen antall tiltak med 39%, mens den underestimerte antall tiltak med 16% i 2021/2022. Dette ses i sammenheng med at det for vintersesongen 2021/2022 (0,39 tiltak/time) ble gjennomført 44% flere faktiske tiltak per time værhendelse, enn for sesongen 2020/2021 (0,27 tiltak/time). Tiltaksmodellen beholdt derimot den samme raten på 0,4 tiltak per time værhendelse, gjennom begge sesongene. Dermed ble det gjennomført flere tiltak per time værhendelse i vintersesongen 2021/2022.
Utkallingsalgoritmen gir dermed en tilnærming til simulering av vinterdrift, og kan enkelt justeres til å anvendes på to-, tre- eller firefelts- riks- og fylkesveger driftet med driftsklasse DkA eller DkB, med ulik trafikkmengde. Prediksjonsytelsen er ikke høy nok til å fungere på et operativt nivå, men modellen har en akseptabel prediksjonsytelse av nødvendig vinterdrift for et strategisk og taktisk nivå. | |
| dc.description.abstract | Winter operations ensure accessibility along the Norwegian road network during the winter and make up a large proportion of the operating budgets. Small changes can have a big impact on fuel consumption, the number of driven kilometers and associated costs. This is the background for the desire to simulate winter operations on a tactical and strategic level. Simulation makes it possible to see the effect of changes without conducting costly and time-consuming investigations. The following research questions were defined to shed light on the topic:
1) How to predict the necessary extent of winter maintenance?
2) How good will the prediction performance of a winter maintenance algorithm be?
The methods used for this master's thesis are literature study, informal interviews, observation, analysis of fleet management data and model development. The literature revealed different approaches to simulating different parts of winter operation, with associated criteria, limits and parameters. An inspection (observation) and analysis of fleet management data were carried out for a 23-kilometer stretch of E18 in Sørlandet, Norway. The road is a four-lane highway close to the coast, and is operated with the highest operating class associated with winter operation.
In order to predict the necessary winter operation, a "weather event model" and a "model of measures" were developed, which gives a "winter-maintenance-algorithm". The weather event model identifies periods based on three weather events that can trigger the need for winter operation. The first weather event is "wet", which entails falling temperatures when the road is wet or rain on an already frozen road. The second is "rime", which identifies whether the conditions for hoar frost on the road surface are present. The third is "snow" which examines what precipitation comes as ice crystals. The measure model analyzes the weather events and predicts the need for winter operations (measures) based on defined parameters, criteria, and limits found from literature, interviews, observation, and calibration of the algorithm.
The weather event model finds 190 weather events with a varying length of 0,5-50 hours, composed of one or more weather phenomena. The weather events make up 16% of the total 8250 hours of available weather data.
The model of measures then analyzes the weather events and predicts the need for winter operations. The prediction gives the number of measures that must be implemented with either "plowing and salting" or "salting", and time for implementation. The predicted measures are then compared against historically implemented "actual measures", from fleet management data. The weather event model identifies 86% of the actual measures over the analyzed period. By comparing the number of actual and predicted measures directly, the "winter-maintenance-algorithm" overestimates by 2%. As the model is calibrated against the fleet management data, the discrepancies increase by dividing them between the types of measures and between seasons. For the season 2020/2021, the model overestimates the number of measures by 39%, while it underestimates the number of measures by 16% for the season of 2021/2022. This must be seen in correlation with the fact that the winter season of 2021/2022 (0,39 measures/hour) had 44% more measures per hour of weather events, compared to the measures taken in the previous season (0,27 measures/hour). The model of measures, on the other hand, maintained the same rate of 0,4 measures per hour of weather events, through both seasons. Thus, tere where done more measures per hour of weather events in the winter season of 2021/2022.
The "winter-maintenance-algorithm" thus provides an approach to simulating winter operation, and can easily be adjusted to be used on other two-, three- or four-lane national or county roads operated with high operating classes (DkA or DkB), with different traffic volumes. The prediction performance is not high enough to function at an operational level, but the model has an acceptable prediction performance for necessary winter operations at a strategic and tactical level. | |
