03.03.2020

В исследовании ученых из университета Тохоку (Япония) представлена агент-ориентированная модель, позволяющая имитировать процесс эвакуации населения в городской среде в результате обрушения цунами. Модель построена для технической реализации на суперкомпьютерах на основе гибридной технологии распараллеливания с использованием программных интерфейсов MPI и OpenMP, а проведенные с ее использованием расчеты продемонстрировали высокую реалистичность полученных результатов. К примеру, было воспроизведено цунами, вызванное землетрясением, произошедшим 11 марта 2011 г. в районе острова Хонсю и по оценкам сейсмологов, являющимся сильнейшим в Японии за весь период наблюдений.

Обзор разработанной модели

В качестве пространства, представляющего собой городской ландшафт площадью 20 км2, в модели используется мелкозернистая двумерная решетка. В процессе эвакуации агенты перемещаются, а также взаимодействуют друг с другом посредством уравнений (1) и (2):

Tsunami_f1.JPG (1)

Tsunami_f2.JPG (2)

Tsunami_f3.JPG (3)

Уравнение (1) описывает процесс движения агента mi, где vi – текущая скорость, v0 – желаемая скорость в направлении e0i(t), а Fij – силы воздействия от окружающих агентов, вычисляемые по формуле (2), в которой τ – функция, зависящая от относительного движения xij = xixj, и относительной скорости vij = vivj, а k и τ0 – модельные константы. Упомянутая функция рассчитывается по формуле (3), где Ri и Rj – радиусы агентов. Как видно, авторы использовали модель социальных сил, предложенную Дирком Хелбингом в работе «Модели социальных сил для пешеходной динамики» (Helbing, 1995).

Как правило, в агентных моделях, построенных с использованием этой парадигмы, на траекторию перемещения агентов и их скорость оказывают воздействие не только другие агенты, но и различные препятствия (к примеру, стены), что делает модели более реалистичными, хотя учет всех этих сил сопряжен с большими вычислительными затратами. Концептуальная схема модели приведена на рис. 1.

 Tsunami_1.JPG

Рис. 1. Схема работы агент-ориентированной модели: траектория движения агента определяется движущей силой, а также силой взаимодействия других агентов

Для настройки параметров модели были использованы статистические данные о поведении большого количества пешеходов. К примеру, скорости движения отдельных агентов определялись с учетом средней скорости их перемещения (1,34 ± 0,26 м/сек.) таким образом, чтобы вся совокупность чисел соответствовала нормальному распределению. Аналогично определялся радиус отдельных агентов, среднее значение которого равняется 0.25 м. Единица модельного времени dt = 0.01 сек., а сторона клетки в используемой двумерной решетки dx = 1.0 м. По мнению авторов, более укрупненный масштаб и увеличение единицы модельного времени снизят реалистичность проводимых экспериментов.

Также в модель были включены корректировки, меняющие траекторию движения агентов в зависимости от складывающейся ситуации. На рис. 2 показаны различные варианты движения двух агентов: в случаях (a) и (b) агенты перемещаются навстречу друг другу, а варианты (c) и (d) показывают движение в одном направлении. Разработчики предложили изменение траектории встречного агента за счет незначительного уклонения в сторону (рис. 2b), и небольшого колебания в процессе обгона (рис. 2d). Эти изменения по сравнению с вариантами (a) и (c) изменяют баланс социальных взаимодействий и, в конечном счете, повышают реалистичность модели за счет более естественного поведения агентов.

 Tsunami_2.JPG

Рис. 2. Траектории движения двух агентов: (a) движение навстречу без уклонений; (b) движение навстречу с уклонениями; (c) движение в одном направлении без колебаний; (d) движение в одном направлении с колебаниями. Колебания в направлении движения могут поменять баланс сил и привести к более естественному поведению агента.

Для тестирования упомянутых корректировок в случае множества агентов были проведены расчеты с двунаправленным потоком пешеходов, двигающихся по коридору шириной 5 м. Рис. 3 (a) демонстрирует, что при возрастании плотности встречных потоков, последние формируются в полосы (нижний рисунок показывает две полосы зеленых агентов, перемещающихся навстречу одной полосе красных). В правой части рисунка приведены усредненные данные, полученные в результате множества модельных прогонов. По оси ординат – скорость (м/сек.), а по оси абсцисс – плотность потока (чел./м2). Как видно, полученные результаты вполне логичны, а кроме того, повторяют результаты других исследований.

 Tsunami_3.JPG

Рис. 3. Моделирование двунаправленного потока агентов: (a) формирование полос в зависимости от плотности потоков (красные агенты двигаются вверх, а зеленые вниз); (b) зависимость скорости перемещения агентов от плотности потока

Следующее тестирование было направлено на определение возможностей агентов проходить через усложненные участки маршрута (узкие проходы между строениями, входы, выходы и т.д.). На рис. 4a визуализирован процесс прохождения агентами узкого места – как видно, в случае высокой интенсивности потока пешеходов с течением времени увеличивается их скопление. Проведенные расчеты с использованием разработанной модели повторяют результаты аналогичных исследований и демонстрируют практически линейную зависимость интенсивности потока пешеходов в зависимости от ширины прохода (рис 4b).

 Tsunami_4.JPG

Рис. 4. Пример моделируемого узкого места: (a) визуализация процесса движения агентов; (b) количественная оценка интенсивности потока пешеходов в зависимости от ширины прохода, меняющегося в интервале от 1 до 4 м.

Реализация параллельной версии модели

Для распараллеливания построенной агент-ориентированной модели была применена гибридная технология с использованием программных интерфейсов MPI и OpenMP. Учитывая особенности процесса эвакуации, при котором агенты концентрируются в определенных местах (эвакуационные выходы, узкие проходы и т.д.), для балансировки вычислительной нагрузки разработчики приняли решение разделять программный код без декомпозиции пространства по процессорам (как это зачастую делается в случае масштабных географически распределенных агентных моделей), а посредством равномерного разделения моделируемого социума. На рис. 5 проиллюстрирован процесс распределения 25 869 агентов, представляющих жителей крупного района города Кесеннума, находящегося в префектуре Мияги (Японии) и пострадавшего от цунами в 2011 г., по 200 процессорам. Цвет отдельных индивидуумов соответствует цвету обрабатываемого их процессора, причем видно, что в одной и той же части пространства находятся агенты различной окраски, что соответствует выбранной стратегии распределения вычислительной нагрузки. Тем не менее, из-за отдельных, медленно эвакуирующихся агентов дисбаланс иногда все же возникает.

 Tsunami_5.JPG

Рис. 5. Результат распределения 25 869 агентов по 200 процессорам

На рис. 6 отображена топографическая карта рассматриваемого в модели центрального района города (площадью 5 км × 4 км) и возможные места эвакуации (обозначены зелеными треугольниками), использованные во время событий 2011 г.

Количество учитываемых в модели агентов соответствует численности горожан, находящихся в указанном районе в дневное время (согласно данным национальной переписи). Для расчетов было выделено два типа агентов: (1) группа, возраст представителей которых свыше 65 лет, а средняя скорость передвижения 0.67 ± 0.26 м/сек. и (2) возрастная группа агентов младше 65 лет, средняя скорость которых в два раза выше. Дополнительно в рамках первой группы была выделена подгруппа особенно медленно передвигающихся агентов (около 10%), скорость перемещения которых ниже 0.35 м/сек.

 Tsunami_6.JPG

Рис. 6. Топографическая карта центрального района города Кесеннума (Япония). Места эвакуации были определены на основе событий 2011 г.

Далее приведем результаты производительности модели. В процессе работы симулятора, через 5 минут после землетрясения агенты начинают эвакуацию, а на рис. 7 показан соответствующий процесс через 10 минут после его начала, где красные точки представляют агентов первой группы, а зеленые – второй.

 Tsunami_7.JPG

Рис. 7. Отображение процесса симуляции

На рис.8 приведены результаты прогонов с использованием различных стратегий распараллеливания (только MPI или гибридный подход с применением MPI и OpenMP). Как видно, оба подхода достаточно эффективны, хотя комбинированная стратегия более производительная, по сравнению c простой MPI-альтернативой.

 Tsunami_8.JPG

Рис. 8. Оценка эффективности различных стратегий распараллеливания: (a) среднее время симуляции; (b) эффективность распараллеливания, рассчитанная по закону Амдала.

Поскольку точные начальные условия (к примеру, позиции агентов с разной скоростью перемещения) определить практически невозможно, для получения усредненных оценок было проведено 500 модельных прогонов с различными параметрами инициализации. На рис. 9 представлен расчет каждого из сценариев, результирующие линии которых окрашены в разные цвета. Как видно, случайным образом определяемые местоположения агентов оказывают незначительное (до 1.7%) влияние на время процесса эвакуации.

 Tsunami_9.JPG

Рис. 9. Результаты моделирования эвакуации после обрушения цунами (сценарии различаются цветом)

В свою очередь использование разработанного симулятора позволяет исследовать различные сценарии эвакуации с целью определения наиболее эффективной стратегии спасения населения. Более подробно про симулятор и полученные результаты можно прочитать в статье: [Makinoshima, Fumiyasu & Imamura, Fumihiko & Abe, Yoshi. (2018). Enhancing a tsunami evacuation simulation for a multi-scenario analysis using parallel computing. Simulation Modelling Practice and Theory. 83. 10.1016/j.simpat.2017.12.016].

 

rss
Назад

Статьи
Суперкомпьютерные технологии Демография Агент-ориентированные модели METIS Транспортные модели пешеходная модель Cуперкомпьютерные технологии БРИКС Высокопроизводительные вычисления МЁБИУС Монография Parallel computing Параллельные вычисления Биомедицина Axum SWAGES Публикации CUDA Microsoft Social Simulation Conference ГИС Междисциплинарное исследование Новости Революция Экономические процессы цунами Case HPS POLARIS TSUBAME Методология запуска О проекте Социальная сеть Эксафлопная производительность XAXIS Иерархическая платформа Механизм раделяемой памяти Пандемия Ссылки Эпидемия D-MASON Repast Исследования Моделирование мира Пандора Стратегии распараллеливания Ядерная атака на США FuturICT Russian Supercomputing Days Агент-ориентированный подход Исторические процессы Моделирование эпидемий Суперкомпьютерная Академия автоматическое распараллеливание GPU SEGMEnT Клеточные автоматы Модель экономики Евросоюза Пространственно-распределенные агентные модели Суперкомпьютерные дни агентная модель HPABM SSC Контакты Мониторинг планеты Пространственные модели большие данные