Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 1 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero,

Presentazione sul tema: "Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 1 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero,"— Transcript della presentazione:

1 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 1 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 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

2 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 2 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

3 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 3 LA CAMPAGNA DI MONITORAGGIO ACUSTICO A MILANO

4 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 4 SVILUPPO E OTTIMIZZAZIONE DI UN ALGORITMO PER LA CLASSIFICAZIONE DI ARCHI STRADALI DI UNA RETE URBANA IN CLUSTER OMOGENEI

5 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 5 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)

6 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 6 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

7 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 7 Analisi di cluster dei profili orari di rumore Mediante una cluster analysis otteniamo due raggruppamenti significativamente distinti

8 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 8 Distribuzione delle diverse classi di strade (D, E, F) nei due cluster individuati Hourly cluster Road category Total DEF Cluster 1 51239 56 (9%)(21%)(70%) Cluster 2 42013 37 (24%)(54%)(35%) Total9325293 Conferma che l’approccio al raggruppamento delle strade secondo la loro classificazione funzionale non fornisce risultati ben correlati ai reali andamenti acustici

9 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 9 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

10 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 10 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.

11 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 11 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)

12 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 12 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:

13 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 13 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

14 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 14 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

15 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 15 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 10531:105320,242168:105170,239247:93420,173103:88080,0912039:161880,06Stelvio_H0,06 12093:137270,252953:119720,2311845:118470,1911927:120230,103121:161880,0611985:119860,06 11966:119670,302953:31240,2312161:121930,198808:119260,116974:120390,06Murat_A0,06 11966:331660,302158:137030,2412167:121930,19Fermi_AD0,113064:87740,092160:119840,06 12092:137270,323154:116390,2512157:121940,193103:119270,118774:120260,0911984:119850,07 3029:30420,333165:119950,2612161:121940,193132:119650,126974:120080,09Zara_K0,07 20540:313750,3323024:230280,273939:137300,2011926:119650,1212994:137670,09Zara_L0,07 3965:39680,3323028:230330,272479:311570,20Pirelli_C0,123168:120080,09Zara_M0,07 2172:274050,3423035:230360,272103:82860,20Pirelli_D0,123031:39070,09Sauro_A0,07 27405:313750,343668:230350,272116:93530,21Emanueli_D0,122108:272230,09Zara_D0,07 3397:121210,342769:120830,2712035:161790,21Emanueli_E0,122141:272230,09Zara_C0,07 4196:121210,342527:231610,2716178:161790,213931:103140,1212026:161890,10Zara_E0,07 5049:50510,342527:25540,272156:82860,213094:120230,133121:161890,10Zara_N0,07 34391:343920,3511968:119690,273921:40650,2110313:103140,132093:314180,10Zara_O0,07 34392:343930,353934:137210,2827227:313810,213095:30960,143064:120240,10Zara_B0,08 3032:30410,363935:137210,2827227:313830,213095:31020,1412145:121460,10Istria_A0,08 3032:60310,362538:231610,282083:21620,213172:31730,1412146:121470,10Gioia_M0,08 3042:60320,365049:137100,2812103:160030,233173:138220,14Pasta_A0,10Fermi_AA0,08 6031:60320,3616019:230240,2812104:160030,23Cozzi_G0,14Girardengo_B0,10Fermi_AB0,08 3382:120170,365047:160190,2811887:313960,2310322:160000,15Girardengo_C0,10Fermi_Z0,08 Identification of monitoring network sites inside Zone 9 (Milan pilot area)

16 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 16 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

17 Associazione Italiana di Acustica 43° Convegno Nazionale Alghero, 25-27 maggio 2016 17 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