Filtern
Dokumenttyp
Schlagworte
Institut
Durch den immer mehr zunehmenden Bedarf an Automatisierung und Optimierung des Winterdienstes und neuerdings auch im Hinblick auf autonomes Fahren steigen auch die Anforderungen an kleinräumige Vorhersagen des Straßenwetters, welche die streckenspezifischen Eigenschaften abbilden können. Im Projekt FE FE040279 „Streckenbezogene Glättevorhersage“ war die Aufgabe zu lösen, den derzeitigen Stand der
Technik bezüglich Straßenwettervorhersagen darzustellen und die Frage zu klären, inwieweit Straßenzustandserfassung durch mobile Sensoren, zusammen mit stationären Straßenwetterstationen geeignet sind, die unterschiedlichen Streckeneigenschaften abzubilden und die Prognosen zu verbessern. Zu diesem Zweck wurden über zwei Winter (2015/16 und 2016/17) auf drei ausgesuchten Teststrecken (BAB A 4, BAB A 9, St2139) Methoden zur genaueren Vorhersage der winterbedingten Glätte für die einzelnen Abschnitte innerhalb eines zu bearbeitenden Straßennetzes untersucht. Dabei kam es hauptsächlich auf die Größen Fahrbahntemperatur, Wasserfilmdicke und Taupunkttemperatur an. Dafür wurden in einem 5-Schritte-Prozess (1) Wettermodelle,
(2) Punktprognosen, (3) Fahrbahnzustands-Prognosen, (4) Streckenprognosen und (5) zeitliche Variabilität (Verläufe) verglichen und neue Konzepte getestet.
Die Strecken A 9 (ca. 50 km, 380-520 m ü. NN) und St2139 (ca. 15 km , 480-901 m ü. NN) haben für meteorologischen Verhältnisse, abwechslungsreiche Topografie- und Geländeeigenschaften. Zur Charakterisierung sind sie mit drei bzw. einer Wetterstation ausgestattet und es wurden von den Lkw der AM Greding und der SM Viechtach, welche mit mobiler Sensorik (MARWIS v. Fa. Lufft) bestückt worden sind, in den beiden Winterhalbjahren fast täglich und insgesamt mehrere hundertmal im normalen Betriebsablauf befahren. Erfasst wurden dabei Taupunkt- und Fahrbahntemperatur, Wasserfilmdicke und Eisprozent, sowie Straßenzustand. Mit speziell ausgerüsteten Fahrzeugen des Auftragnehmers und der BASt (IceCar) wurde auf allen drei Teststrecken eine sogenannte erweiterte Thermalkartierung (Thermal mapping) mit zusätzlich Taupunkt- und Bilanzstrahlungsmessung zur Charakterisierung der Strahlungsbedingungen der Strecke bei standardisierten Wetterbedingungen aufgenommen. Die Messungen zeigten eine hohe Variabilität auf den Strecken, die innerhalb einer Fahrt bei Temperatur bis zu 17 °C und bei Wasserfilmdicke bis über 2.000 μm erreicht. Diese Variabilität korreliert wenig mit den Messungen an den Stationen und wird von keinem Prognose-Anbieter sehr gut erfasst.
Die bei den Recherchen zum Stand der Technik gefundenen Dienste-Anbietern, speziell von Straßenwettervorhersagen haben sich, neben den projektbeteiligten Wetterdiensten DWD und meteoblue, drei weitere private Wetterdienstleister bereit erklärt, über die gesamte
Projektlaufzeit online Vorhersagedaten für die Teststrecken zu liefern, welche ausgewertet und validiert worden sind.
Die Prognosen erreichten für Stationen im besten Falle einen MAE (mittl. abs. Fehler – siehe Glossar) von ±2.3 °C und verglichen mit mobilen Messungen auf der Strecke einen MAE von ±2.1 °C. Für die Wasserfilmdicke werden im Schnitt bestenfalls ±180 μm erreicht.
Die stationären und mobilen Messdaten wurden ausführlich zur Plausibilisierung und Beurteilung der Messunsicherheiten ausgewertet. Außerdem wurde untersucht, wie anhand der zahlreich erfassten Daten sich statistische Modelle finden lassen, welche die spezifischen
Streckeneigenschaften mit möglichst geringen Fehlern wiedergeben können. Dabei kann gezeigt werden, dass durch die im normalen betrieblichen Ablauf zu unterschiedlichsten Wetterbedingungen erfassten mobilen Messdaten eine deutlich bessere Bild der
Streckeneigenschaften erreichen lässt, als dies beispielsweise durch eine einfache Thermalkartierungen möglich ist.
Anhand der mobilen Streckenmessungen wurden durch Klassifizierung nach Wetterlagen Standardprofile der Temperatur erstellt, die es erlauben, den Prognose-Fehler für Temperatur von ±2.1 °C auf ±1.9 °C, und mithilfe von Nowcasting auf ±0.6 °C zu senken.
Eine Prognose für die nächsten 12 Stunden dürfte mithilfe dieser Methoden einen Fehler (MAE) von ±1.2 °C erreichen können.
Bei den Wasserfilmdicken werden mit mobilen Streckenmessungen und Klassifizierung nach Niederschlagsmenge Standardprofile der Wasserfilmdicke erstellt, die es erlauben, den Prognose-Fehler für Wasserfilmdicke von ±190 μm auf ±90 μm und mithilfe von Nowcasting auf unter ±50 μm zu senken. Eine Prognose für die nächsten 12 Stunden dürfte mithilfe dieser Methoden einen Fehler von unter ±100 μm erreichen können.
Die Methoden wurden mithilfe der Daten von 2015/16 entwickelt und anhand der Fahrten von 2016/17 geprüft, sodass eine Anwendung auf unabhängige Fahrten und andere Strecken gesichert ist. Sie erfordert die Erstellung von regelmäßigen mobilen Messprofilen, die zu Standard-Profilen klassifiziert werden. Anhand der Erfahrungen von zwei Wintern dürfte ein Training des Modells innerhalb von einer Wintersaison machbar sein, während der es schon zu Verbesserungen der Streckenvorhersagen kommen könnte.
Die neuen Methoden stellen eine signifikante Verbesserung des Stands der Technik dar und können mit geeigneten Maßnahmen binnen weniger Monate in die Praxis eingeführt werden.
Immediate user self-evacuation is crucial in case of fire in road tunnels. This study investigated the effects of information with or without additional virtual reality (VR) behavioural training on self-evacuation during a simulated emergency situation in a road tunnel. Forty-three participants were randomly assigned to three groups with accumulating preventive training: The control group only filled in questionnaires, the informed group additionally read an information brochure on tunnel safety, and the VR training group received an additional behavioural training in a VR tunnel scenario. One week later, during the test session, all participants conducted a drive through a real road tunnel in which they were confronted with a collision of two vehicles and intense smoke. The informed and the behaviourally trained participants evacuated themselves more reliably from the tunnel than participants of the control group. Trained participants showed better and faster behavioural responses than informed only participants. Interestingly, the few participants in the control group who reacted adequately to the scenario were all female. A 1 year follow-up online questionnaire showed a decrease of safety knowledge, but still the trained group had somewhat more safety relevant knowledge than the two other groups. Information and especially VR behavioural training both seem promising to foster adequate self-evacuation during crisis situations in tunnels, although long term beneficial behavioural effects have to be demonstrated. Measures aiming to improve users/ behaviour should take individual difference such as gender into account.