Apresentação 3o Seminário de Tese
Transcript of Apresentação 3o Seminário de Tese
AVALIAÇÃO DE RISCO DE
ACIDENTES AÉREOS EM
AEROPORTOS UTILIZANDO
SIMULAÇÃO MONTE CARLO:
Uma aplicação para o
Aeroporto Internacional do Rio
de Janeiro
SEMINÁRIO DE TESE IT-310
LUIZA FRANCO BARROSO
ORIENTADOR: PROF. DR. ANDERSON CORREIA
TÓPICOS DA
APRESENTAÇÃO
1. MOTIVAÇÃO
2. OBJETIVO
3. LITERATURA E CONTRIBUIÇÃO
4. METODOLOGIA
5. RESULTADOS PARCIAIS
6. PLANO DE AÇÃO
MOTIVAÇÃO
• Acidentes aéreos:
• São eventos raros que surgem a partir de possíveis
combinações das interações variáveis entre agentes e
condições em um sistema complexo.
• Elevado grau de variabilidade e a natureza estocástica das
condições de operação.
• Avaliação de risco baseada em análise dos dados
históricos:
• Considera possíveis combinações aleatórias que possam
levar a condições desfavoráveis de risco no futuro?
• Qual a chance de que todos os fatores críticos ocorram
simultaneamente?
CARACTERÍSTICAS DOS
ACIDENTES NA AVIAÇÃO CIVIL
Fonte
: B
OE
ING
(2014).
Estatística Acidentes Fatais - Frota Comercial
de Jatos
2004 - 2013
MOTIVAÇÃO
Runway Excursion foi o acidente mais frequente de 2009 até 2013,
representando 23% de todos os acidentes (IATA, 2014).
EXCURSÃO DE PISTA
EXCURSÃO DE PISTA X
INFRAESTRUTURA
AEROPORTUÁRIA
MOTIVAÇÃO
As condições do aeroporto
podem contribuir
significativamente na
probabilidade e severidade
do acidente (ACRP, 2011).
Utilizar a ferramenta de simulação Monte Carlo para
avaliação de risco de acidentes de excursão de
pista em aeroportos.
OBJETIVO DA
PESQUISA
OBJETIVO
APLICAÇÃO MODELOS DE
AVALIAÇÃO DE RISCO EXCURSÃO
DE PISTA
SIMULAÇÃO MONTE CARLO
PARA AVALIAÇÃO DE RISCO
MODELOS DE AVALIAÇÃO DE
RISCO
• RIBEIRO (2013)
• Avaliação de risco para operações um
dia típico.
• FORTES (2012).
• Avaliação de risco para operações em
um ano.
• FORTES, CORREIA e MULLER (2013).
• Análise de sensibilidade variando
principais fatores causais.
LITERATURA E
CONTRIBUIÇÃO
• HOLZӒPFEL ET AL. (2009)
• Avaliação de risco de esteira de
turbulência.
• STROEVE, BLOM e BAKKER (2009 e
2013).
• Avaliação de risco acidentes
incursão de pista.
• DREES, WANG e HOLZAPFEL (2014).
• Análise baseada em dados
artificiais e de difícil determinação.
MODELO DE AVALIAÇÃO DE
RISCO EM AEROPORTOS
METODOLOGIA F
onte
: A
CR
P(2
011).
“Improved Models for Risk Assessment of Runway Safety Area – ACRP – REPORT 50”
• Permite identificar áreas de maior risco;
• Permite avaliar qualquer tipo de ação de melhoria, como:
• Extensão de área de segurança de pista
• EMAS
• Distância declarada
MODELO DE AVALIAÇÃO DE
RISCO EM AEROPORTOS
METODOLOGIA F
onte
: A
CR
P(2
011).
“Improved Models for Risk Assessment of Runway Safety Area – ACRP – REPORT 50”
Fonte
: A
CR
P(2
011).
𝑃 𝐿𝐷𝑂𝑅 = 1
(1 + 𝑒𝑏0+𝑏1∙𝑋1+𝑏2∙𝑋2+𝑏3∙𝑋3…)
Obstáculo
𝑃 𝑑 > 𝑥 = 𝑒−0.00321𝑥0,984991
𝑃 𝑑 > 𝑦 = 𝑒−0.20983𝑦0,4862
𝑃 𝑎𝑐𝑖𝑑𝑒𝑛𝑡𝑒 = 𝑃 𝐿𝐷𝑂𝑅 x 𝑃 𝑑 > 𝑥 x 𝑃 𝑑 > 𝑦
MODELO DE AVALIAÇÃO DE
RISCO EM AEROPORTOS
METODOLOGIA F
onte
: A
CR
P(2
011).
“Improved Models for Risk Assessment of Runway Safety Area – ACRP – REPORT 50”
Fonte
: A
CR
P(2
011).
Obstáculo
CategoriaVelocidade
máxima Exemplos
1 0Barranco na borda da RSA,
parede de concreto
2 5 Prédio de alvenaria
3 20 Valas, cercas
4 40 Estruturas frágeis, ALS
MODELAGEM PROPOSTA
METODOLOGIA
ACRP Report 50 ESTUDO
PREVISÃO
DEMANDA
Leigh Fisher
Análise Infraestrutura
Parâmetros Físicos
• Identificação obstáculos existentes no entorno das pistas
• Categorização dos obstáculos
Parâmetros Operacionais
• Tipo de operação: pouso ou decolagem
• Pista e cabeceira utilizada
• Voo Internacional ou Doméstico
• Classe de Usuário
• Classe de Aeronave
• Aeronave Turboélice ou Jato
Parâmetros Meteorológicos
• Visibilidade Vertical
• Visibilidade Horizontal
• Vento (Direção e Velocidade)
• Temperatura
• Chuva
• Rajada de vento
• Tempestade de Raios
Análise de Risco
• Probabilidade de Evento - LDOR, LDUS e TOOR
• Probabilidade de Localização
• Análise das consequências
SIMULAÇÃO MONTE CARLO
DADOS METEOROLÓGICOS
o Tratamento dados:
METODOLOGIA
PARÂMETRO
METEOROLÓGICO ESTATÍSTICA USADA REFERÊNCIA
Ocorrência de Chuva Cadeia de Markov 1ᵃ Ordem
Todorovic e Woolhiser (1975),
Wilks (1999), Vrugt et al. (2013), Taewichit et al. (2013).
Temperatura Distribuição Normal Stanivuk e Tokic (2013), Lana et
al.(2008), Sang (2012).
Velocidade do Vento
Distribuição Weibull
Ibrahim et al (2013), Ettoumi et
al. (2003), Lun e Lam (2000),
Garcia et al. (1998).
Modelo Autoregressivo Discreto
de 1ᵃ Ordem Castino et al. (1998)
Direção do Vento Cadeia de Markov 1ᵃ Ordem Castino et al. (1998), Ettoumi et
al. (2003).
Visibilidade Horizontal
Distribuição discreta de
visibilidade irrestrita ou não; e distribuição normal para
visibilidade restrita.
Stroeve et al (2009)
o Principais restrições observadas:
o Unidade de tempo mensal ou diária
o Não detalham grau de aderência dos resultados
o Fonte: METAR 2003 a 2013
DADOS METEOROLÓGICOS
METODOLOGIA
PARÂMETRO
METEOROLÓGICO ESTATÍSTICA ADOTADA FONTE
UNIDADE DE
VARIABILIDADE
Visibilidade Vertical - Visibilidade irrestrita: dist. Discreta.
- Visibilidade restrita: dist. Gamma.
Input
Analyzer Mensal
Visibilidade Horizontal - Visibilidade irrestrita: dist. Discreta. - Visibilidade restrita: dist. Normal.
Literatura Mensal e Horária
Vento
- Velocidade: dist. Weibull.
- Direção: Cadeia de Markov de 1ᵃ
Ordem.
Literatura Mensal
Temperatura - Dist. Normal Literatura Mensal e Horária
Chuva - Ocorrência de chuva: Cadeia de Markov de 1ᵃ Ordem
Literatura Mensal e Horária
Rajada de vento - Ocorrência de Rajada: Dist. de Poisson Input
Analyzer Mensal
Tempestade de Raios - Ocorrência de Tempestade de Raios:
Dist. de Poisson
Input
Analyzer Mensal
DADOS OPERACIONAIS
METODOLOGIA
PARÂMETRO OPERACIONAL VARIABILIDADE FONTE
Operação (pouso ou decolagem) Horária HOTRAN
Pista e cabeceira utilizada Anual ICEA
Origem/Destino internacional Horária e por tipo de operação HOTRAN
Classe de usuário Horária e por tipo de operação HOTRAN, INFRAERO e
ICEA
Classe do equipamento Horária e por tipo de operação HOTRAN e ICEA
Sistema propulsivo aeronave Por tipo de Classe de Aeronave HOTRAN e ICEA
o Limitações:
o Suposição de que variabilidades observadas nos últimos anos se manterão as mesmas durante o período de simulação
o Restrição de acesso a dados referentes à aviação não-regular no SBGL
RESULTADOS PARCIAIS
RESULTADOS PARCIAIS
• Aplicação Aeroporto Internacional do Rio de Janeiro
• Mês de Janeiro de 2014
• Software de simulação Monte Carlo utilizado: Arena Rockwell
• Definição das distribuições de frequência
• Análise gráfica dos resultados e foi utilizada a medida estatística do
erro quadrático médio (EQM)
• Simulação trinta dias de operação:
• 7.606 pousos e 7.460 decolagens (Previsão:
Direção 01 – Distribuição Weibull Direção 01 – Distribuição Gamma
Direção 02 – Distribuição Weibull Direção 02 – Distribuição Gamma
Direção 03 – Distribuição Weibull Direção 03 – Distribuição Gamma
Direção 04 – Distribuição Weibull Direção 04 – Distribuição Gamma
Direção 05 – Distribuição Weibull Direção 05 – Distribuição Gamma
Direção 06 – Distribuição Weibull Direção 06 – Distribuição Gamma
Direção 07 – Distribuição Weibull Direção 07 – Distribuição Gamma
Direção 08 – Distribuição Weibull Direção 08 – Distribuição Gamma
Erro quadrático
Direção Dist.
Weibull
Dist.
Gamma
Diferença
1 0.020614 0.001752 92%
2 0.053274 0.003446 94%
3 0.156218 0.006894 96%
4 0.131204 0.008988 93%
5 0.004741 0.004682 1%
6 0.006077 0.006723 -11%
7 0.007881 0.005088 35%
8 0.04243 0.005765 86%
TRATAMENTO
DADOS
RESULTADOS PARCIAIS
Ex. Resultado distribuição de frequência velocidade do vento
RESULTADOS PARCIAIS
Intervalo de Probabilidades Cabeceira 10 Cabeceira 15 Cabeceira 28 Cabeceira 33
De Até % % % %
1,0E-09 1,0E-08 0.00% 0.05% 0.00% 0.00%
1,0E-08 1,0E-07 4.38% 4.45% 3.51% 4.41%
1,0E-07 1,0E-06 56.46% 59.24% 57.50% 56.48%
1,0E-06 1,0E-05 32.71% 30.72% 32.90% 34.06%
1,0E-05 1,0E-04 6.40% 5.49% 5.83% 4.94%
1,0E-04 1,0E-03 0.05% 0.05% 0.26% 0.11%
Probabilidade Média 3.16E-06 2.98E-06 3.72E-06 2.91E-06
Intervalo de Probabilidades Cabeceira 10 Cabeceira 15 Cabeceira 28 Cabeceira 33
De Até % % % %
1,0E-09 1,0E-08 0.21% 0.16% 0.00% 0.16%
1,0E-08 1,0E-07 26.24% 27.77% 25.72% 25.33%
1,0E-07 1,0E-06 56.96% 56.33% 55.72% 59.27%
1,0E-06 1,0E-05 14.88% 14.12% 17.06% 14.07%
1,0E-05 1,0E-04 1.65% 1.57% 1.44% 1.12%
1,0E-04 1,0E-03 0.06% 0.05% 0.06% 0.05%
Probabilidade Média 1.93E-06 1.80E-06 2.02E-06 1.59E-06
Intervalo de Probabilidades Cabeceira 10 Cabeceira 15 Cabeceira 28 Cabeceira 33
De Até % % % %
1,0E-09 1,0E-08 0.05% 0.00% 0.00% 0.00%
1,0E-08 1,0E-07 11.92% 10.93% 11.59% 10.90%
1,0E-07 1,0E-06 72.43% 74.04% 73.14% 72.64%
1,0E-06 1,0E-05 15.55% 14.82% 15.11% 16.29%
1,0E-05 1,0E-04 0.05% 0.16% 0.10% 0.11%
1,0E-04 1,0E-03 0.00% 0.05% 0.06% 0.06%
Probabilidade Média 6.26E-07 1.26E-06 1.30E-06 1.31E-06
LDOR
LDUS
TOOR
PROBABILIDADE DE EVENTO
RESULTADOS PARCIAIS
PROBABILIDADE DE EVENTO
Aeroportos
AnalisadosLDOR LDUS TOOR
SBGU 1,64E-06 9,52E-08 2,73E-07
SBMN 3,92E-07 8,45E-08 9,89E-07
SBGL 3,49E-07 2,28E-08 1,82E-07
SBBS 2,12E-07 3,38E-08 2,58E-07
SBBE 6,46E-07 3,39E-08 1,02E-07
SBPA 3,03E-07 5,16E-08 2,88E-07
SBRF 5,98E-07 4,52E-08 1,02E-07
Cabeceira LDOR LDUS TOOR
10 3.16E-06 1.93E-06 6.26E-07
15 2.98E-06 1.80E-06 1.26E-06
18 3.72E-06 2.02E-06 1.30E-06
33 2.91E-06 1.59E-06 1.31E-06
Probabilidade Média
Resultados RIBEIRO (2013): Probabilidades Médias obtidas:
PRÓXIMOS PASSOS...
• Concluir modelagem:
• Probabilidade de localização e análise de consequências
• Análise de sensibilidade
• Análise de melhorias do nível de risco
PLANO DE AÇÃO
Disciplina Período Crédito
IT 210 Gerenciamento Logístico 2º sem/2013 3
IT 224 Planning and Design of Airport Systems 2º sem/2013 3
MB 210 Fundamentos de Pesquisa Operacional 2º sem/2013 3
IT 200 Infraestrutura Aeronáutica 1º sem/2014 2
IT 201 Análise de Transportes 1º sem/2014 3
UFMG Modelagem Matemática aplicada à Logística Urbana 1º sem/2013 3
IT 300 Seminário de Tese 1º sem/2014 1
TOTAL 18
PLANO DE AÇÃO
Jul -
Ago
Set -
Out
Nov -
Dez
Jan -
Fev
Mar -
Abr
Mai -
Jun
Jul -
Ago
Set-
Out
Nov -
Dez
Jan -
Fev
Mar -
Abr
Mai -
Jun
1. Disciplinas
2. Revisão Bibliográfica
3. Modelagem ===========================================================
3.1 Coleta e tratamento dos dados
3.2 Implementação Modelo
3.3 Verificação e Validação
4. Avaliação dos resultados
5. Conclusões
6. Finalizar a dissertação
7. Envio de artigos para periódico
8. Defesa da Tese
Atividades
2013 2014 2015
PERIÓDICOS ALMEJADOS
• Safety Science - Qualis A1
• Journal of Air Transport Management – Qualis A2.
PLANO DE AÇÃO
REFERÊNCIAS
BOEING. Statistical Summary of Commercial Jet Airplane Accidents - Worldwide Operations 1959 – 2013. BOEING,
2014.
CASTINO, F.; FESTA, R.; RATTO, C. F. Stochastic modelling of Wind velocities time series. Journal of Wind Engineering
and Industrial Aerodynamics, v. 74, n. 76, p. 141-151, 1998.
DRESS, L.; WANG, C.; HOLZAPFEL, F. Using subset simulation to quantify stakeholder contribution to runway
overrun. Probabilistic Safety Assessment and Management Conference - PSAM 12, Honolulu, 2014.
ETTOUMI, F.Y.; SAUVAGEOT, H.; ADANE, A.E.H. Statistical bivariate modelling of wind using first-order Markov chain and
Weibull distribution. Renewable Energy, v. 28, p. 1787-1802, 2003.
FORTES, J. L. C. Risk Assessment in Airports: São Paulo/Congonhas Airport – A Case Study. . Dissertação (Mestrado
em Engenharia de Infraestrutura Aeroportuária) – Instituto Tecnológico de Aeronáutica, São José dos Campos, 2012.
FORTES, J. L. C. ; CORREIA, A. R. ; MULLER, C. . Impacts of Different Operational Conditions in Risk Assessment for
an Airport. I17th Air Transport Research Society World Conference, 2013, Bergamo. Proceedings of the 17th Air Transport
Research Society World Conference,. v. 1. p. 1-12, 2013.
GARCIA, A.; TORRES, J.L.; PRIETO, E.; DE FRANCISCO, A. Fitting Wind speed distributions: a case study. Solar Energy,
v. 62,. n. 2, p. 139-144, 1998 .
HOLZӒPFEL, F.; FRENCH, M.; GERZ, T.; TAFFERNER, A.; HAHN, K.U.; SCHWARZ, C.; JOOS, H.D.; KORN, B.; LENZ, H.;
LUCKNER,R.; HOHNE,G. Aircraft wake vortex scnerios simulation package – WakeScene. Aerospace Science and
Technology, v. 13, p.1-11, 2009.
IBRAHIM, M. Z.; ALBANI, A.; HAMZAH, M. H. M. Assessment of Wind Energy Potential based on METAR data in Malaysia.
International Journal of Renewable Energy Research, v. 3, n. 4, 2013. IATA. Annual Review 2014. 70th Annual General
Meeting, Doha, June 2014.
ACRP – Airport Cooperative Research Program. Improved Model for Risk Assessment of Runway Safety Areas. ACRP
Report 50. Washigton, DC: Transportation Research Board, 2011.
LANA, X.; MARTÍNEZ, M.D.; BURGUEÑO, A.; SERRA, C. Statistics of hot and cold event in Catalonia (NE Spain) for the
recording period 1950-2004. Theoretical and Applied Climatology, v. 97, p. 135-150, 2009.
LUN, I.Y.F.; LAM, J.C. A study of Weibull parameters using long-term wind observations. Renewable Energy, v. 20, p. 145-
153, 2000.
REFERÊNCIAS
RIBEIRO, J. A. N. Avaliação de Riscos Operacionais e Levantamento de Alternativas para Alcance da Segurança
Operacional em Aeroportos Brasileiros. Trabalho de Conclusão de Curso (Graduação em Engenharia Civil) - Instituto
Tecnológico de Aeronáuticas, São José dos Campos, 2013.
SANG, Y.F. Spatial and temporal variability of daily temperature in the Yangtze River Delta, China. Atmospheric Research,
v. 112, p. 12-24, 2012.
STANIVUK, T.; E TOKIC, T. Impacto f weather conditions on the construction of the terminal – Monte Carlo Simulation.
International Journal for Traffic and Transport Engineering, v. 3, n.1, p. 34-44, 2013.
STROEVE, S. H.; BLOM, H. A. P.; BAKKER, G. J. Systemic accident risk assessment in air traffic by Monte Carlo Simulation.
Safety Science, v. 47, p. 238-249, 2009.
TAEWICHT, C.; SONI, P.; SALOKHE, V.M. JAYASURIYA, H.P.W. Optimal stochastic multi-states first-order Markov chain
parameters for synthesizing daily rainfall data using multi-objective differential evolution in Thailand. Meteorological
Applications, v. 20, p. 20-31, 2013.
TODOROVIC, P.; WOOLHISER, D. A. A stochastic model of n-day precipitation. Journal of Applied Meteorology and
Climatology, v. 14, n. 1, p. 17-24, 1975.
VRUGT, J.A.; BRAAK, C.J.F.; DIKS, C.G.H.; SCHOUPS, G. Hydrologic data assimilation using particle Markov chain Monte
Carlo Simulation: Theory, conceps and applications. Advances in Water Resources, v. 51, p. 457-478, 2013.
WILKS, D. S. Interannual variability and extreme-value characteristics of several
stochastic daily precipitation models. Agricultural and Forest Meteorology, v. 93, p. 153-169, 1999.