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


RISCO EM AEROPORTOS

METODOLOGIA F

onte

: A

CR

P(2

011).


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


RISCO EM AEROPORTOS

METODOLOGIA F

onte

: A

CR

P(2

011).


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








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


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%



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%


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.

Apresentação 3o Seminário de Tese

Documents

Transcript of Apresentação 3o Seminário de Tese