Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio 2016 Giovanni Zambon, Roberto Benocci, Alessandro Bisceglie Università degli Studi di Milano Bicocca LA MAPPA ACUSTICA DINAMICA DI MILANO DA UN NUMERO LIMITATO DI PUNTI DI MONITORAGGIO. PRIMI RISULTATI

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Campagna di monitoraggio acustico del rumore da traffico veicolare Raccolta di andamenti temporali dei livelli di rumore: creazione database Fasi: Raccolta e selezione di dati acustici da archivio Selezione di nuovi siti di monitoraggio in base a criteri predefiniti Acquisizione dati acustici Correlazione dati acustici con dati meteo Identificazione e rimozione eventi anomali (estranei al traffico) Determinazione di serie di livelli sonori equvalenti Archivio dati in un GEODATABASE

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio LA CAMPAGNA DI MONITORAGGIO ACUSTICO A MILANO

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio SVILUPPO E OTTIMIZZAZIONE DI UN ALGORITMO PER LA CLASSIFICAZIONE DI ARCHI STRADALI DI UNA RETE URBANA IN CLUSTER OMOGENEI

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Area da mappare Gli schemi di andamento dei flussi di traffico (e quindi del rumore) sono molto regolari e ripetitivi 2233 archi stradali Le strade possono quindi essere accorpate in un numero limitato di gruppi (cluster)

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Esempio di normalizzazione del profilo giornaliero di livelli orari L Aeqh ogni i-esimo livello orario L Aeqhij della j-esima serie temporale è stato normalizzato rispetto al livello del periodo di riferimento diurno L Aeqdj : [dB] (i= 1, ………., 103) Parametro usato per il confronto degli andamenti di rumore

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Analisi di cluster dei profili orari di rumore Mediante una cluster analysis otteniamo due raggruppamenti significativamente distinti

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Distribuzione delle diverse classi di strade (D, E, F) nei due cluster individuati Hourly cluster Road category Total DEF Cluster (9%)(21%)(70%) Cluster (24%)(54%)(35%) Total Conferma che l’approccio al raggruppamento delle strade secondo la loro classificazione funzionale non fornisce risultati ben correlati ai reali andamenti acustici

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Definizione di un parametro non acustico (funzione di flussi veicolari): AGGREGAZIONE DEGLI ARCHI DI STRADE Gli archi dell’intera area pilota devono essere accorpati tra loro quando presentano un analogo andamento acustico. Una mappa acustica baseUn gruppo di strade A partire dai risultati della cluster analysis, possiamo interpolare il comportamento acustico di ogni arco tra i due regimi. Poichè il rumore da traffico non è noto, occorre considerare i corrispondenti valori di flusso di traffico orario, che sono noti per ogni arco dell’area

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Determinazine del parametro non acustico ottimale La scelta del parametro non acustico dovrà essere effettuata tra quelli che meglio discriminano i due cluster. La bontà del parametro non-acustico è stata valutata mediante le curve ROC (Receiver Operating Characteristic [w]) ovvero degli schemi grafici impiegati per un classificatore binario. L’indicatore relativo all’ “area sotto la curva” (AUC) equivale alla probabilità che il risultato del test effettuato su un elemento estratto a caso dal gruppo di strade con parametro non-acustico superiore alla soglia appartenga al cluster designato. Il risultati migliori si hanno per log T n e sue combinazioni. Tuttavia, a causa dell’incertezza del calcolo di tali valori con il modello del traffico abbiamo optato per il log T t.

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Le corrispondenti distribuzioni P 1,2 (x), per il Cluster 1 e 2, sono riportate in figura con le relative curve di fitting polinomiale Distribuzione di frequenza del parametro X (istogramma) e corrispondenti funzioni di probabilità per il campione di strade monitorate, all’interno dei cluster 1 e 2 Aggregazione degli archi stradali per il parametro non acustico selezionato X=LogT T Si osserva un’ampia sovrapposizione delle distribuzioni dei due cluster P 1 (x) and P 2 (x)

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Usando i valori di β è possibile predire le variazioni orarie δ(h) per un dato valore di x, secondo l’equazione: δ pred (h) = β 1 * δ C1 (h) + β 2 * δ C2 (h) dove δ C1 (h) and δ C2 (h) rappresentano i valori medi del rumore per i cluster 1 e 2 rispettivamente. L’errore che si commette usando la precedente equazione può essere stimato calcolando la deviazione standard ε dei valori δ pred (h) dai valori misurati δ meas (h): Occorre quindi una combinazione lineare degli andamenti di rumore da traffico associati ai due cluster, per un dato valore del parametro non acustico x. I pesi (α 1, α 2 ) della combinazione lineare possono essere ottenuti, per ogni valore di x, usando le relazioni α 1 =P 1 (x) e α 2 =P 2 (x). Ovvero, per un dato valore di x si trovano le componenti α 1 and α 2 dalle espresioni analitiche di P(x). I valori di α 1,2 rappresentano la probabilità che una data strada caratterizzata dal proprio valore di x appartenga al Cluster 1 e al Cluster 2. Il risultante comportamento acustico orario della strada è una combinazione lineare del rumore medio (∆ di rumore) misurato per il Cluster 1 e 2, definiti rispettivamente come δ C1 (h) e δ C2 (h). Il comportamento acustico predetto δ pred (h), per un dato valore di x, è ottenuto normalizzando I valori di α 1,2, definiti con β:

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Distribuzione di frequenza del parametro X (istogramma), per tutte le strade dell’area pilota, e funzione di probabilità (curva blu) per il campione di strade monitorate Il parametro X = LogT T è stato calcolato per tutti gli archi all’interno dell’area pilota di Milano (circa 2000 strade). La sua distribuzione è confrontata con la distribuzione della funzione di probabilità P(x) ottenuta dalle 93 misure di rumore sperimentali Aggregazione degli archi stradali per il parametro non acustico selezionato X=LogT T

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Da questa distribuzione sono stati scelti 6 intervalli di X in modo da avere 6 gruppi di strade equamente popolati. Ad ogni gruppo di X sarà associata una mappa acustica, che sarà aggiornata in tempo reale misurando l’andamento del rumore in poche posizioni selezionate all’interno di ogni gruppo Range of X0,0 – 3,03,0 - 3,53,5 - 3,93,9 - 4,24,2 - 4,54,5- 5,2 β1β1 0,990,810,630,500,410,16 β2β2 0,010,190,370,500,590,84 Valori medi di β per i 6 gruppi di x = log T T. Questi valori medi di β possono essere impiegati nell’equazione: δ pred (h) = β 1 * δ C1 (h) + β 2 * δ C2 (h) per la previsione del rumore da traffico associato alle strade che appartengono a un dato gruppo Aggregazione degli archi stradali per il parametro non acustico selezionato X=LogT T

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Group 1Group 2Group 3Group 4Group 5Group 6 0,0-3,0δ3,0-3,5δ3,5-3,9δ3,9-4,2δ4,2-4,5δ4,5-5,2δ 10531:105320,242168:105170,239247:93420,173103:88080, :161880,06Stelvio_H0, :137270,252953:119720, :118470, :120230,103121:161880, :119860, :119670,302953:31240, :121930,198808:119260,116974:120390,06Murat_A0, :331660,302158:137030, :121930,19Fermi_AD0,113064:87740,092160:119840, :137270,323154:116390, :121940,193103:119270,118774:120260, :119850, :30420,333165:119950, :121940,193132:119650,126974:120080,09Zara_K0, :313750, :230280,273939:137300, :119650, :137670,09Zara_L0, :39680, :230330,272479:311570,20Pirelli_C0,123168:120080,09Zara_M0, :274050, :230360,272103:82860,20Pirelli_D0,123031:39070,09Sauro_A0, :313750,343668:230350,272116:93530,21Emanueli_D0,122108:272230,09Zara_D0, :121210,342769:120830, :161790,21Emanueli_E0,122141:272230,09Zara_C0, :121210,342527:231610, :161790,213931:103140, :161890,10Zara_E0, :50510,342527:25540,272156:82860,213094:120230,133121:161890,10Zara_N0, :343920, :119690,273921:40650, :103140,132093:314180,10Zara_O0, :343930,353934:137210, :313810,213095:30960,143064:120240,10Zara_B0, :30410,363935:137210, :313830,213095:31020, :121460,10Istria_A0, :60310,362538:231610,282083:21620,213172:31730, :121470,10Gioia_M0, :60320,365049:137100, :160030,233173:138220,14Pasta_A0,10Fermi_AA0, :60320, :230240, :160030,23Cozzi_G0,14Girardengo_B0,10Fermi_AB0, :120170,365047:160190, :313960, :160000,15Girardengo_C0,10Fermi_Z0,08 Identification of monitoring network sites inside Zone 9 (Milan pilot area)

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio LEGEND 0,0 - 3,0 3,0 - 3,5 3,5 - 3,9 3,9 - 4,2 4,2 - 4,5 4,5- 5,2 DYNAMAP Noise Monitoring Points Pilot area Top 20 locations Area Pilota (Zona 9) Identificazione della rete di monitoraggio acustico

Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, maggio Pilot Area (~2000 roads) Mean X n,corresponding values of β 1 (n) and β 2 (n) Sum of updated maps Low cost terminals measures (assigned to two clusters (C1’, C2’) analysing starting data recordings) Acoustic dataset (~100 roads) Distribution analysis Cluster analysis Two clusters δ C1 (τ), δ C2 (τ) over 24 hours τ = 5, 15,…, 60 min Non-acoustic parameter X 6 groups n Noise calculation: δ pred (τ) = β 1 * δ C1’ (τ) + β 2 * δ C2’ (τ) 6 basic noise maps Noise updating for each point of map n δ pred (τ) = β 1 * δ C1 (τ) + β 2 * δ C2 (τ) β 1,β 2 = parameters of probability function