Pubbliche manifestazioni – gestione delle emergenze 2

Registrazione gratuita per l’accesso al sito

INTRODUZIONE

Guardando un gruppo di persone che cammina per la strada si potrebbe pensare che il loro moto sia caotico ed imprevedibile, ognuno ha le sue preferenze, i suoi bisogni, i suoi scopi e la sua destinazione; invece la dinamica delle folle di pedoni può essere sorprendentemente predicibile. 

Questo perché una persona, un pedone, è libero di muoversi come vuole solo se ci sono pochi altri individui attorno a lui, cioè quando la folla ha una densità molto bassa, in caso contrario, infatti, si instaurano particolari relazioni tra l’ambiente e i soggetti che compongono la folla.

Queste relazioni fanno sì che all’interno della folla si manifestino fenomeni di auto­-organizzazione. Uno dei tanti casi in cui questo comportamento può essere osservato e quando si incrociano due gruppi di persone con direzioni differenti, ad esempio i viaggiatori in partenza e quelli in arrivo nel sottopassaggio di una stazione ferroviaria, in questo caso si formeranno delle file di persone che hanno la stessa direzione.

Un altro esempio evidente delle capacita di auto-organizzarsi dei pedoni è dato dai sentieri, o dalle piste, che vengono lasciate sulla neve, sull’erba o su un qualsiasi altro tipo di terreno che si deformi col passare delle persone.
Gli individui, seppur liberi, tendano a muoversi in modi   prevedibili.

Le norme di tipo prescrittivo non tengono conto dei fattori comportamentali umani, i metodi per calcolare il numero, la larghezza, e le distribuzioni di uscite di sicurezza si basano sul presupposto che gli occupanti utilizzano equamente tutte le uscite disponibili in caso di emergenza, questa ipotesi non corrisponde alla realtà. In secondo luogo, i regolamenti esistenti si basano su dati e considerazioni obsolete, infatti negli ultimi quarant’anni le proporzioni di anziani e obesi, fra la popolazione, sono cambiati. I codici di tipo prescrittivo non tengono in alcun modo conto dell’età e delle dimensioni fisiche delle persone, circostanze che influenzano notevolmente il flusso di evacuazione.

Inoltre, ogni luogo da evacuare è unico e, mentre alcune misure sono di carattere generale, come ad esempio il numero di uscite di sicurezza, altri sono specifici del contesto, come ad esempio la posizione  delle uscite. Per questo è necessario esaminare diversi scenari per arrivare alla migliore soluzione possibile, in quanto la soluzione migliore per ogni situazione può non essere evidente, soprattutto per i progetti complessi.

I metodi tradizionali di valutazione, ossia le esercitazioni post-costruzione, offrono risultati piuttosto limitati. In primo luogo, l’analisi non può essere adeguata in quanto, per ragioni etiche, non è possibile indurre il panico ed esporre persone reali ad ambienti pericolosi; in questo senso le simulazioni mancano di realismo e non sono idonee a fornire informazioni utili su che cosa accadrebbe in caso di emergenza reale. In secondo luogo, le valutazioni post-costruzione limitano il potenziale di modifica di progettazione, dal momento che la costruzione è già stata completata. Infine occorre tenere conto del costo delle simulazioni reali che a volte, come per esempio nel caso di eventi che coinvolgono migliaia di persone, possono essere proibitivi. Infine, di solito, quando vengono eseguite prove di evacuazione, ci si limita ad eseguire una solo prova al massimo due. Una singola sperimentazione o poche sperimentazioni non forniscono statisticamente risultati affidabili.

Le simulazioni effettuate tramite modelli di calcolo hanno il potenziale per superare questi problemi, in quanto consentono la valutazione rapida di diversi scenari, in diverse fasi del processo di progettazione, con spese enormemente inferiori. La generazione di risultati affidabili e utili richiede l’esecuzione di più simulazioni.

L’interesse principale di effettuare modellazione di evacuazioni risiede nella possibilità di aumentare la sicurezza, sia nella fase di progettazione degli spazi e dei componenti dei sistemi di esodo, sia sull’organizzazione di eventi di massa.

In fase di progettazione, la simulazione permette di identificare le aree problematiche nonché, mediante tecniche di ottimizzazione, migliorare le prestazioni generali di sicurezza. Al fine della determinazione degli elementi di sicurezza attiva e passiva, è possibile determinare qual è il numero di persone adeguato che uno spazio in grado di ospitare in modo sicuro, inoltre la modellazione dell’esodo può aiutare a concepire strategie di evacuazione e può anche essere utilizzato per formare il personale su possibili scenari di evacuazione.

Ci sono diversi aspetti che interferiscono nel risultato di evacuazione: l’architettura del luogo, la natura e il contesto dell’evento che ha portato alla necessità dell’evacuazione, come per esempio, un incendio, un terremoto, oppure semplici notizie relative a un pericolo imminente e, infine, il comportamento umano.

Le folle di persone mostrano una varietà di comportamenti auto-organizzati, che variano a seconda del contesto. Ad esempio:

  • in situazioni normali vi è formazione spontanea di corsie unidirezionali nei flussi pedonali bidirezionali;
  • in presenza di elevate densità di affollamento nascono dinamiche del comportamento come movimento ad onde, fermate e improvvise accelerazioni (stop-and-go) e turbolenza del movimento delle masse (vedi il filmato in coda all’articolo relativo alla maratona di Chicago);
  • in circostanze di emergenza, il panico è associata a un comportamento herding (letteralmente pastorizia; sta a indicare che gli agenti si comportano come delle pecore che seguono un cane pastore).

Queste dinamiche collettive hanno un profondo impatto sul flusso delle persone nello spazio. La dinamica delle folle è stata studiata, da un punto di vista empirico, per più di cinque decenni. Nel corso degli ultimi venti anni, l’interesse per l’argomento è aumentato in modo significativo, anche a seguito della frequenza crescente e delle dimensioni di incidenti che hanno coinvolto un grande numero di persone (Chen; Helbing, Johansson, e Al-Abideen; Moussaid et al.).

Le potenziali applicazioni degli studi sulle dinamiche delle folle sono numerosi; lo studio del comportamento dei pedoni mediante simulazione ha cominciato a essere oggetto di studio anche per i professionisti e per l’industria. Con l’aumento delle capacità di calcolo,  nell’ultimo decennio sono stati implementati molti modelli di simulazione del comportamento umano e di gestione delle emergenze.

Ad esempio, il Notting Hill Carnival è un evento che si tiene ogni anno, nel Regno Unito. Si compone di una sfilata che si propone di celebrare la diversità culturale. L’evento attira più di un milione di visitatori, ed è un evento importante relativamente all’applicazione delle tecniche di controllo della folla. E’ stato utilizzato un modello di calcolo per simulare e valutare i percorsi alternativi da utilizzare per la sfilata e, alla fine, uno dei percorsi simulati è stato scelto come il percorso effettivo per realizzare la sfilata stessa.

Un altro esempio è l’Hajj, il pellegrinaggio musulmano che ogni anno viene effettuato alla Mecca, che attira circa tre milioni di pellegrini per una settimana, Nel corso degli anni il pellegrinaggio è stato funestato da numerosi incidenti che hanno causato centinaia di morti. Sono state effettuate molti studi sul movimento della folla, utilizzando le varie tecniche per la previsione del comportamento delle folle, portando all’implementazione di diversi miglioramenti importanti nella gestione dell’evento.

Relativamente a quest’ultimo evento è interessante leggere i seguenti documenti:

 

Tipologia dei Modelli del movimento pedonale

Esistono due principali metodi di studio per la modellazione pedonale: quello macroscopico e quello microscopico. Il primo metodo considera gli agenti come particelle facenti parte di un unico insieme e si prefissa di riprodurre e descrivere il sistema tramite parametri macroscopici, non inerenti al singolo individuo, quali il flusso, la velocità media, la densità media e la direzione principale della massa. Il secondo metodo descrive ogni agente come singola entità e il suo modo di comportarsi nel sistema di riferimento, in questo modo si pone rilevanza all’eterogeneità della massa di agenti.

Modelli macroscopici
I modelli macroscopici trattano le caratteristiche medie del sistema, senza evidenziare in nessun modo l’aspetto di natura microscopica. Sono analizzate le relazioni fra il flusso, la densità media e la velocità media degli agenti, questo approccio è utile per lo studio quando è prevista un’alta densità pedonale, in questi casi il comportamento di massa oscura quello del singolo individuo.

Quasi tutti i modelli macroscopici derivano dall’analogia fra il flusso pedonale e il flusso di mezzi continui e sono denominati “Continuum models” o “Fluiddynamic based models”, prevedono l’utilizzo di un numero limitato di equazioni relativamente facili da gestire basandosi sulla teoria dei fluidi.

Modelli fluidodinamici
I primi modelli degli anni 70 assimilavano i flussi pedonali al comportamento dei gas e dei fluidi. In questi modelli le equazioni del moto sono basati su equazioni di Navier-Stokes, che regolano il moto dei fluidi.

Successivamente, vari ricercatori arrivarono alla conclusione che per avere un’applicazione realistica della dinamica dei fluidi (o della cinetica dei gas) ai flussi pedonali si devono introdurre delle correzioni per considerare le particolari interazioni che avvengono fra le persone (per esempio: manovre di scostamento o decelerazione/accelerazione) che portano alla “non-conservazione” dell’energia.

Modelli microscopici o Modelli ad agenti
Nei modelli microscopici il comportamento collettivo della folla è modellato come il risultato di interazioni tra gli individui. Questa modalità di modellazione è conosciuta come Agent-Based Modeling (ABM), e le sue applicazioni si estendono oltre la modellazione dei processi sociali.

ABM è una modalità di modellazione della simulazione che ha iniziato ad essere utilizzata proficuamente dagli anni ’90 con l’aumento della potenza di calcolo degli elaboratori. Le caratteristiche dei modelli ABM si basano sul fatto che permettono la simulazione e l’esame dei sistemi che presentano anche grandi complessità nelle loro interdipendenze. Nei modelli ABM, i sistemi sono modellati come un insieme di entità, noti come agenti, che si comportano in modo autonomo in base ad una serie di regole e del loro contesto specifico, in questo modo il comportamento globale del sistema emerge dall’interazione tra gli agenti.

In generale i modelli ABM possono essere sia continui sia discreti, sia nello spazio sia nel tempo e possono essere governati da qualsiasi tipo di legge; hanno spesso un ampio set di regole comportamentali, ognuna di esse definita per una particolare situazione.

Lo schema di movimento è composto da due fasi, in primo luogo l’agente riconosce il contesto nel quale è collocato attraverso uno o più test, una volta fatto ciò esegue le regole che il modello prevede per il contesto individuato.

Nei modelli ABM il processo decisionale degli agenti può essere definito come backward-looking (letteralmente guardare indietro), gli agenti apprendono dal passato, sviluppando delle regole di comportamento che condizionano i loro movimenti futuri basandosi sulla propria storia e su quella dell’intero sistema. In altre parole sono mossi, come detto in precedenza, da una razionalità adattiva alla situazione; si adattano cioè ad un ambiente disordinato e complesso usando delle deduzioni che possono variare nel tempo.

Le caratteristiche di base dei modelli ABM sono:

  • gli agenti possono mostrare schemi comportamentali complessi e fornire informazioni preziose sulle dinamiche dell’ambiente che stanno simulando;
  • gli agenti costituiscono un modo naturale per descrivere sistemi complessi di entità individuali con comportamenti autonomi (come il traffico veicolare e le folle);
  • il modo migliore per implementare gli ABM nella simulazione pedonale è attraverso un sistema Multi-agent, in cui ciascuno agente virtuale possiede diversi livelli comportamentali e li sfrutta autonomamente.

I metodi ABM si stanno diffondendo, essendo il loro sviluppo oggetto di intenso studio, relativamente all’applicazione di ABM ai processi sociali, gli agenti rappresentano persone o gruppi di persone e le interazioni degli agenti rappresentano interazioni sociali.

Uno dei maggiori vantaggi di un approccio ABM è che permette di ottenere buoni risultati, in termini di flessibilità nel modellare sia l’agente che le interazioni tra agenti.

Diversi autori distinguono questi modelli microscopici in base al livello di “intelligenza” degli agenti. Nella modellazione di un agente, il suo comportamento può essere esplicitato ad un livello in cui gli obiettivi e il percorso sono predefiniti e l’operatore non è in grado di fornire un’assistenza tecnica, si muove semplicemente reagendo all’ambiente, cioè evitando le collisioni. In alternativa, il comportamento può essere dipendente da un certo livello di ragionamento e il processo può quindi essere definito decisionale; in altre parole, il comportamento operativo dipende dalle decisioni assunte dagli agenti. I modelli basati su agenti con integrato all’interno della modellazione un certo livello di intelligenza, sono noti come sistemi multi-agente.

Un’altra importante distinzione riguarda il modo in cui vengono modellate le interazioni degli agenti con l’ambiente. In questo contesto, i modelli possono essere basati sulle forze che si scambiano gli agenti fra di loro e con l’ambiente (force-based) o su regole (rule-based). In un approccio basato sulle regole, il comportamento dei pedoni dipende da regole che sono una funzione della loro situazione attuale.

Nei modelli euristici basati su regole gli agenti sono guidati da informazioni visive, come la distanza dagli ostacoli posti nella direzione delle linee di vista degli agenti, che applicano delle semplici procedure cognitive per adattare la loro velocità e direzione di marcia. Variazioni di questo approccio si verificano nei meccanismi in base ai quali gli agenti valutano la loro situazione in funzione del livello di conoscenza che hanno sull’ambiente. Al contrario, i modelli basati sulla forza specificano direttamente le interazioni a livello di equazioni di movimento, considerando che le forze non sono necessariamente fisiche.

Il modello della forza sociale (Social Force Model -SFM) (Helbing, 1991) è uno degli esempi più noti di ABM. Esso descrive il movimento dei pedoni come risultato di motivazioni e influenze tradotte in una somma di forze: attrattive, repulsive, di guida e fluttuanti. Le applicazioni della SFM variano nella traduzione esatta delle influenze in forze, nel meccanismo da cui le forze sono combinate e quali forze sono considerate.

Panico

Lo stato emotivo di una persona influenza sia il suo comportamento mentale che fisico: il giudizio, la memoria, l’attenzione, interazioni, ecc., possono essere influenzato dalle condizioni al contorno. In condizioni di stress, il comportamento di un individuo può essere molto diverso dal suo comportamento in circostanze normali. Per questo motivo, il panico e il comportamento ordinario delle persone sono spesso studiati a parte, e modelli che descrivono il comportamento di tipo ordinario delle folle possono non essere adatti per la modellazione delle situazioni di emergenza.

In situazioni di panico le persone provano a muoversi più velocemente del normale, c’è meno preoccupazione e attenzione per lo spazio personale, e le interazioni tra gli individui cominciano a diventare fisiche. Quando le persone iniziano a spingere, alcuni possono cadere, diventando ostacoli. Inoltre, poiché le persone non sono sicure di cosa fare, iniziano il movimento dopo e cominciano a seguire gli altri che si sono mossi, esibendo un comportamento herding.

Il contagio sociale, combinato con la ridotta attenzione indotta dallo stress, induce le persone a trascurare le alternative, come le uscite laterali. In questo modo iniziano ad accumularsi inceppamenti nel flusso ordinato, si crea il cosiddetto “effetto arco” con produce intasamento, che porta a pressioni pericolose, tra le persone.

In questi scenari, le persone cambiano il loro comportamento, i modelli auto-organizzati di comportamento si rompono, dando luogo a modelli meno coordinati.

Un esempio ben noto è l’incendio nel nightclub “The Station” negli Stati Uniti, nel 2003, in cui diverse persone sono rimaste intrappolate alla porta principale, bloccando l’uscita mentre l’incendio progrediva, uccidendo cento persone.

Le caratteristiche del comportamento di panico sono state studiate principalmente dal punto di vista della psicologia sociale. Il panico coinvolge una vasta gamma di fattori, molti dei quali non sono ancora ben compresi.

La scarsità di dati sul comportamento umano in condizioni di panico è dovuta alla circostanza che difficilmente possono essere osservate in quanto non prevedibili, mentre gli esperimenti dal vivo sono pericolosi da realizzare e in ogni caso non realistici. Di conseguenza, gli studi sistematici sul panico sono rari  e la maggior parte delle ricerche si è limitata ai rapporti dei sopravvissuti o alle riprese video, da cui è estremamente difficile estrarre dati quantitativi.

Di conseguenza, nonostante la disponibilità di numerosi modelli di evacuazione, la maggioranza non tiene conto del comportamento umano negli scenari di evacuazione in caso di panico.

A causa di questa mancanza di informazioni, i modelli di evacuazione sono essenzialmente semplificati rappresentano il comportamento normale in cui gli agenti hanno come obiettivo comune di uscire dall’edificio o dal luogo in cui si presume esista un pericolo immediato. I modelli più sofisticati prendono in considerazione le forze di contatto tra i pedoni, per esempio, considerano l’esistenza fenomeni di compressione corporea e l’attrito che impedisce lo scorrimento tra gli agenti. I modelli più raffinati vanno oltre, considerando che gli agenti possono rimanere feriti e quindi diventano ostacoli per gli altri. Tuttavia, a parte modelli come FDS+EVAC che considerano l’interazione dell’evacuazione con gli effetti dell’incendio,  non esistono ben definite le modalità che rendono gli agenti statici. In realtà, le persone che non si muovono non solo sono ostacoli alla progressione degli altri, ma possono anche indurre altre persone a cadere e quindi a formare altri ostacoli.

I i modelli di evacuazione esistenti possono essere visti come semplificazioni della realtà, per quanto riguarda la gamma di azioni potenziali. In questi modelli si osservano comportamenti qualitativi di evacuazione ma con deviazioni quantitative potenzialmente rilevanti. La “Society of Fire Protection Engineers” fa notare che a causa della scarsità di dati comportamentali, i modelli tendono a basarsi pesantemente sulle ipotesi e non è possibile misurare con sicurezza la loro accuratezza predittiva.

Il modello FDS+EVAC sviluppato dal National Institute of Science and Technology (N.I.S.T.) e dal VTT – Technical Research Centre of Finland, adotta il modello Social Force, inoltre utilizza le informazioni relative al calcolo fluidodinamico dell’incendio per condizionare il movimento degli agenti, come per esempio un rallentamento a causa del fumo oppure a seguito del calcolo del FED, simulare le condizioni degli effetti tossici e dell’asfissia degli agenti a causa dei prodotti della combustione.  Per simulare realisticamente il fenomeno, il modello considera le vere forze fisiche che si generano tra la folle in queste situazioni. Queste forze sono: le forze di contatto tra i corpi, le forze d’attrito tra i vari pedoni e le forze che si esercitano tra questi ed i muri. Sono inoltre considerate le forze sociali e le forze psicologiche.

Il modello a base dell’algoritmo di movimento implementato da FDS+EVAC è il modello di forza sociale presentato dal gruppo di Helbing, con le modifiche introdotte da Langston per descrivere in modo più appropriato la forma del corpo umano e considerare i gradi di libertà del singolo agente.

 

Il comportamento degli agenti nel modello FDS+EVAC

Nel modello di calcolo FDS+EVAC, ogni agente osserva la posizione degli altri individui e seleziona il proprio percorso d’uscita valutando quello apparentemente più veloce. La selezione dell’uscita è modellata come un problema di ottimizzazione, per il quale ogni agente tenta di selezionare l’uscita che minimizza il proprio tempo di evacuazione. Il tempo di evacuazione è dato dalla somma del tempo di percezione del pericolo, del tempo di percorrenza e del tempo perduto per effettuare le code.

Il tempo di percorrenza è valutato dividendo la distanza da percorrere per la velocità di percorrenza, mentre il tempo valutato per la coda è una funzione della posizione e delle azioni degli altri evacuanti. Nella realtà di un’evacuazione, si presume che un individuo cambi il percorso inizialmente scelto soltanto in presenza di un’alternativa che appare chiaramente migliore. Questo comportamento è simulato dall’algoritmo attraverso un parametro che viene sottratto al tempo stimato per l’imbocco dell’uscita scelta.

Esistono inoltre altri fattori che influenzano il processo di decisione degli evacuanti. Questi sono fattori legati al fuoco, alla familiarità delle uscite considerate ed alla visibilità delle singole uscite.

Le uscite sono divise in sette differenti gruppi in modo che ogni uscita appartenga ad un determinato gruppo. I gruppi sono dati da un ordine di preferenza.

La familiarità di ogni uscita per ogni tipo di agente può essere determinata dall’utente in fase di input dei dati. E’ anche possibile dare una probabilità per la familiarità di un’uscita.

La visibilità di un’uscita per ogni agente, è determinata prendendo in considerazione l’effetto di oscuramento del fumo e gli ostacoli. Il possibile effetto intasamento dovuto ad altri agenti non è considerato nella attuale versione del programma.

Sono definite condizioni di disturbo dell’evacuante, la temperatura e il fumo non letali. Se si presentano condizioni letali su un percorso d’uscita, l’uscita non ha preferenza.

L’algoritmo di selezione delle uscite è impostato per seguire le seguenti indicazioni:

Le ultime due righe della tabella non hanno preferenza perché un evacuante non può essere a conoscenza di un’uscita non familiare ed invisibile e non è possibile selezionare queste uscite.

Secondo la letteratura socio-psicologica la familiarità di un percorso è un fattore essenziale nel processo di decisione. Questo perché si considera che fattori ignoti riferiti a percorsi ignoti possano aumentare la minaccia.

In precedenza, tutti gli agenti di FDS+EVAC per la selezione delle uscite di destinazione usavano questo algoritmo. Questo tipo di agente originale di FDS+EVAC assume un comportamento definito conservativo.

L’attuale versione di FDS+EVAC prevede la presenza di agenti attivi, che utilizzano un ordine di preferenza diverso per le uscite rispetto al tipo conservativo. Gli agenti attivi considerano tutte le uscite visibili anche nello stesso gruppo di preferenze delle uscite familiari. Un altro tipo di agente definito nel modello è quello  di tipo herding (letteralmente pastorizia, sta a indicare che gli agenti si comportano come delle pecore). Gli agenti herding usano solo le uscite familiari, se sono state definite dall’utente. Se non sono state definite delle uscite familiare, un agente herding guarda gli agenti vicini e cerca di seguirli. Il terzo tipo di agente è definito di tipo follower (letteralmente seguace). Un agente follower guarda gli agenti vicini più prossimi che ha di fronte e controlla se l’uscita in cui gli agenti vicini stanno andando è migliore della propria scelta di uscita corrente, in altre parole l’agente follower considera le porte di uscita obiettivo dei suoi vicini come porte familiari.

Il movimento di un agente del tipo conservativo viene attivato dal tempo di rilevamento e dalle distribuzioni del tempo di reazione fornite come dato di input dall’utente. Il tempo di rilevamento può essere inferiore  quello definito dall’utente se c’è abbastanza fumo per attivare il rilevamento. Il fumo può essere rilevato o dalla concentrazione di fumo locale in corrispondenza della posizione dell’agente (rilevamento per sensi) o può essere rilevato da parte di un dispositivo (di solito un rivelatore di fumo o di calore). Se un agente conservativo si perde, inizia a comportarsi come un agente di tipo herding, finché non è in grado di localizzare un’uscita con il proprio ragionamento. Un agente si perde quando non può vedere nessuna uscita e non ha alcuna uscita familiare in quella parte dell’edificio. Può per esempio accadere che alcuni dei percorsi familiari siano bloccati dal fumo, in questo caso l’agente finisce per utilizzare un percorso sconosciuto. Gli agenti di tipo conservativo possono essere usati in molte situazioni di evacuazione degli edifici, ad esempio, possono simulare il comportamento dei clienti di un centro commerciale, che in genere  conoscono le uscite principali e non sono molto disposti a utilizzare uscite di emergenza.

Il movimento di un agente del tipo attivo è molto simile al tipo di agente conservativo. La differenza è che gli agenti attivi osservano attivamente il loro ambiente per trovare la via di uscita più veloce. Gli agenti attivi hanno la stessa preferenza per tutte le uscite visibili, indipendentemente dal fatto che le uscite siano familiari o meno. I tempi di rilevamento e di reazione sono simili a quelli degli agenti conservativi e gli agenti attivi che si perdono si comportano come gli agenti conservati persi. In genere delle folle di persone eterogenee contengono sempre delle persone che osservano più attentamente degli altri il contesto nel quale si trovano. Esistono delle persone meno attente che si dirigeranno verso le loro uscite familiari o seguiranno gli altri, mentre i più attenti cercheranno attivamente possibili vie di uscita più veloci. Il tipo di agente attivo può essere utilizzato per modellare questi membri più attenti fra la folla. L’esistenza di agenti attivi è molto importante per l’esito delle evacuazioni in quanto, oltre a loro stessi, possono condurre gli agenti herding verso alcune uscite che normalmente non utilizzerebbero. Questo tipo di comportamento è stato osservato abbastanza spesso nelle esercitazioni di evacuazione.

Il movimento di un agente del tipo herding è determinato dalla supposizione che non abbia familiarità con la geometria dei locali e che non userà alcuna uscita, a meno che non sia considerata un’uscita familiare. Per questi agenti solo le porte che sono utilizzate per entrare nell’edificio possono essere considerate uscite familiari. Questo tipo di agente rappresenta anche agenti che non riescono a trovare alcuna uscita disponibile (quindi da considerare persi). Gli agenti herding si guardano intorno e vedono cosa stanno facendo gli altri agenti e, se alcuni degli altri si stanno dirigendo verso un’uscita, iniziano a seguirli. Un agente herding rimarrà fermo anche dopo aver rilevato l’incendio e dopo avere trascorso il suo tempo di reazione, se non è stato in grado di selezionare alcuna uscita conosciuta o osservando altri agenti. Se i vicini più prossimi di un agente herding si stanno dirigendo verso una certa uscita, l’agente inizia a seguire questi agenti quasi immediatamente, indipendentemente dai tempi di rilevamento e reazione. Se sono disponibili uscite familiari a un determinato piano per un agente herding si comporta come un agente conservativo, in altre parole il comportamento dovuto alla familiarità del percorso è predominante sul comportamento herding.

Un agente herding guarda sempre intorno e controlla dove si dirigono i vicini più vicini.

Per impostazione di default un agente herding verifica i cinque agenti vicini più vicini che si trovano entro un raggio di 5 metri (che può essere modificata dall’utente). Il valore di default è risultato da simulazioni reali.  Se un agente herding non è stato in grado di ottenere le informazioni relative all’uscita da utilizzare  dagli agenti vicini e non ha alcuna via di uscita familiare disponibile, allora cerca tutti gli agenti visibili e prova a trovare l’agente più vicino che si sta dirigendo verso una certa uscita, quindi aggiorna costantemente queste informazioni finché ci sono degli agenti visibili diretti verso delle uscite. Se tutti gli agenti che si muovono sono scomparsi, l’agente herding ricorderà dove è andato l’ultimo agente che ha visto muoversi.

Se un agente herding non è in grado di trovare alcuna informazione sulle uscite, si allontana di alcuni metri dalla porta di ingresso, si ferma e continua ad osservare altri agenti e si muoverà immediatamente quando riceve informazioni su una nuova uscita di destinazione da utilizzare.

Il comportamento di herding potrebbe essere facilmente modificato per tenere conto di effetti come protettore contro personale, bambino contro adulto, ecc., Dove è più probabile che alcuni agenti siano seguiti rispetto ad altri.

Il movimento di un agente del tipo follower può essere considerato a metà strada tra il comportamento degli agenti conservativi e quello degli agenti herding. Gli agenti follower usano la stessa procedura di selezione delle porte rispetto agli agenti conservativi, ma vedono anche dove si dirigono gli agenti più vicini di fronte a loro e includono quelle uscite nella loro lista di possibili uscite. L’agente follower cambierà il proprio obiettivo se i vicini più prossimi sembrano andare verso una uscita “migliore”, dove per “migliore” è riferito a tempi di uscita più brevi. Altrimenti gli agenti follower si comportano come gli agenti conservativi.

 

ESEMPI

Gli esempi riportati nella primo parte dell’articolo, sono stati affinati aggiungendo la geometria della piazza, considerando quindi l’effetto della presenza degli archi che formano i portici lungo i lati e impostando le condizioni reali delle vie utilizzate come vie di esodo.

Inoltre sono state considerate le condizioni dettate dalla norme di tipo prescrittivo relative alla suddivisione in settori dello spazio destinato al pubblico, alle condizioni già descritte nella prima parte dell’articolo.

Sono state effettuate diverse simulazione in funzione degli scenari determinati con o senza settori e con varchi aventi larghezza variabile.

Alcune variabili considerate come la presenza delle apertura delle vie che, dalla piazza S.Carlo adducono alla piazza CLN, si dimostrano molto importanti, in quanto la loro variazione provoca cambiamenti significativi nei risultati in termini di tempi di evacuazione.

Inoltre, nei casi in cui si utilizzano i settori interni sono stati esaminati dei vari casi diversificati in funzione della larghezza dei varchi dei settori variabili da 1.2 m a 2.4 m.

L’approccio prescrittivo prevede l’utilizzo dei seguenti parametri, fissati dalle norme, per determinare la larghezza totale delle US utili a fare defluire un numero determinato di persone (massimo affollamento ipotizzabile):

  • densità di affollamento: (parametro fissato dalla norma in funzione dei luoghi, che rappresenta il numero di persone per m2 presumibilmente presenti all’interno di un locale o di un luogo con affollamento di persone. In genere assume valori variabili da 0.2 per/m2 a 1.2 per/m2
  • capacità di deflusso: (parametro fissato dalla norma per indicare quante persone possono essere evacuate attraverso un modulo di larghezza di 60 cm)
  • modulo: unità di misura della larghezza di una US (1 modulo = 60 cm)

L’approccio prestazionale prevede la determinazione di tutti i tempi che concorrono alla formazione del tempo di esodo (RSET) da confrontare con il tempo disponibile per l’evacuazione (ASET). La teoria è riportata al link.

 

Simulazione – Scenario 1 

La simulazione di evacuazione prevede l’utilizzo del modello Pathfinder ed è relativa alla realizzazione di un’area per il contenimento di 20.000 persone all’interno della Piazza S. Carlo a Torino. La piazza è dotata di 5 grandi varchi di esodo, completamente liberi, in corrispondenza delle strade (via Vittorio Alfieri, via Giovanni Giolitti, via S. Teresa, via Roma, via Maria Vittoria).

Le quattro strade che adducono in piazza CNL sono chiuse.

La piazza ha dimensioni 168.0 m x 76.0 m = 12.768 mq.
La densità di affollamento teorica è uguale a 20.000/12.768 = 1.56 per/mq.
Le persone sono distribuite su un’area inferiore di 148.0 m x 68.0 m = 10.064 mq, con una densità di affollamento reale di 20.000 / 10.064 ≈ 2 persone/mq.

 

Simulazione – Scenario 2 

La stessa piazza suddivisa in 4 settori in grado di contenere 5.000 persone per ogni settore.
La piazza è dotata di 5 grandi varchi di esodo, completamente liberi, in corrispondenza delle strade (via Vittorio Alfieri, via Giovanni Giolitti, via S. Teresa, via Roma, via Maria Vittoria).

Le quattro strade che adducono in piazza CNL sono aperte.

La piazza è suddivisa in 4 settori ognuno con capienza di 5.000 persone e densità di affollamento di circa 3.12 persone/m2. I varchi nella delimitazione dei settori sono posti ogni circa 10 m e sono larghi 2.4 m (4 moduli, per un totale di  18 US (4 moduli) per ogni settore = 72  moduli per ogni settore -> 72 x 250 = 18.000 persone evacuabili da ogni settore.

 

Simulazione – Scenario 3

Come scenario 2. La geometria è uguale a quella dello scenario 4 (il calcolo dello scenario 4 è stato effettuato con il modello FDS+EVAC), per confrontare i risultati ottenuti dai due modelli.

In questo scenario le US sono poste all’inizio delle vie Alfieri e Giolitti, quindi gli agenti non percorrono le due vie non considerando quindi i rispettivi ostacoli.

Le quattro strade che adducono in piazza CNL sono aperte ma anche in questo caso le US sono poste all’inizio delle rispettive vie di esodo.

In questo scenario è stata adottata la visualizzazione dell’ambiente 3D in VireFrame in modo da potere osservare il comportamento degli agenti all’interno dei portici.

 

Simulazione – Scenario 4

La simulazione di evacuazione prevede l’utilizzo del modello FFS+EVAC ed è relativa alla stessa piazza suddivisa in 4 settori in grado di contenere 5.000 persone per ogni settore.

La piazza è dotata di 5 varchi di esodo, completamente liberi, in corrispondenza delle strade (via Vittorio Alfieri, via Giovanni Giolitti, via S. Teresa, via Roma, via Maria Vittoria).

Le quattro strade che adducono in piazza CNL sono aperte.

Gli agenti hanno caratteristiche diverse impostate tramite funzioni statistiche uniformi, sono distinti in 4 tipologie (Uomini, dome, Bambini, anziani) con comportamenti e dimensioni corporee differenti, inoltre gli agenti presentano i seguenti comportamenti (assegnati in modo arbitrario): 30 comportamento Attivo; 60% comportamento conservativo; 10% comportamento herding.

La piazza anche in questo caso è suddivisa in 4 settori ognuno con capienza di 5.000 persone e densità di affollamento di circa 3.12 persone/m2. I varchi nella delimitazione dei settori sono posti ogni circa 10 m e sono larghi 2.4 m (4 moduli, per un totale di  18 US (4 moduli) per ogni settore = 72  moduli per ogni settore -> 72 x 250 = 18.000 persone evacuabili da ogni settore.

 

Esempio maratona

La rivista Science News ha pubblicato uno studio delle Università di Lione e Stanford sui movimenti delle folle. In particolare sono stati migliaia di persone che partecipano alla maratona di Chicago. Lo studio conferma l’analogia fra il comportamento delle folle e quello dei fluidi, così come previsto dai modelli denominati “Continuum models” o “Fluiddynamic based models”.

All’inizio della maratona, i corridori si dispongono in gruppi noti come recinti, che avanzano individualmente sulla linea di partenza. I membri dello staff della maratona formano una linea davanti a ciascun recinto, trattenendo periodicamente i partecipanti fino a quando non c’è spazio per andare avanti. I ricercatori hanno filmato questo processo di start-and-stop in quattro maratone, tra cui la Maratona di Chicago nel 2016 e 2017. E’ molto importante rilevare come i movimenti dello staff hanno innescato un cambiamento nella densità della folla e nella velocità di percorrenza, questo cambiamento genera un’onda che attraversa la folla, molto simile alle onde prodotte quando l’acqua viene spinta. Effetti simili sono stati verificati alle maratone di Parigi e ad Atlanta nel 2017.

 

Bibliografia

La bibliografia riporta tutti i seguenti documenti, per accedere a tutti i documenti utilizzare il seguente link.

N.B. La bibliografia è accessibile agli utenti con accesso a “Tutti i contenuti”. 

Un modello automatico per simulare l’evacuazione di una folla in movimento.
(A Cellular Automaton Model for Crowd Movement and Egress Simulation)
Ludwig Klupfel
Auto-organizzazione di movimento pedonale.
(Self-organizing pedestrian movement)
Dirk Helbing, Pèter Molnàr, Illès J. Farkas, Kai Bolay
Linee guida per la valutazione delle Applicazioni Software di evacuazione 
Guidelines for Assessing Pedestrian Evacuation Software Applications
Christian J. E. Castle – Centre for Advanced Spatial Analysis University College London
Metodi di modellazione delle simulazioni di folle pedonali in Multi- Destinazione
(Methods for Modeling and Simulation of Multi-Destination Pedestrian Crowds)
Gunter Barwolff, Minjie Chen, Frank Huth, Gregor Lammel, Matthias Plaue, Hartmut Schwandt
Modellazione e simulazione di un piano di evacuazione dello stadio Hancock 
(Modeling and Simulation of Evacuation Plan for Hancock Stadium)
Nirmal Neranjan Weerasekara
Processi mentali di mobilitazione in incidenti critici e in situazioni di stress
(Mental Mobilization Processes in Critical Incident Stress Situations)
Atle Dyregrov, Roger Solomon, Carl Fredrik Bassøe
La comprensione del panico di massa e altre risposte collettive alle minaccia ealle catastrofi
(Understanding Mass Panic and Other Collective Responses to Threat and Disaster)
Anthony R. Mawson
Uso della modellazione 3D nella progettazione dei Piani di emergenza e di evacuazione
(Use of 3D Modeling in the Design of Emergency Evacuation Plans)
Michal Chabada
Principali aspetti riguardanti l’evacuazione di emergenza delle folle su larga scala
(Principal Aspects regarding to the Emergency Evacuation of Large-scale Crowds)
Jing-hong Wanga,b, Jin-hua Sunb
Panico e comportamento umano negli incendi
(Panic and human behaviour in fire)
Fahy, R.F.; Proulx, G.
Effetti della risoluzione dei dati sul comportamento umano nelle simulazioni di evacuazione su larga scala 
(Effects of Data Resolution and Human Behavior on Large Scale Evacuation Simulations)
Wei Lu
Direttive Europee – Panico e dispositivi di uscite di emergenza
(Europian Guideline – Panic & emergency exit devices)
Simulazione del movimento di pedoni sulla base dei dati da BIM
(Pedestrian simulation based on BIM data)
H. Mayer, W. Klein, C. Frey, S. Daum, P. Kielar, A. Borrmann
FDS simulazione di evacuazione per un grande centro commerciale (Mall): Parte I, simulazione di scenari di incendio
Fire Dynamics Simulation and Evacuation for a Large Shopping Center (Mall): Part I, Fire Simulation Scenarios
K.A. Albis, M.N. Radhwi, A.F.A. Gawad
Una bibliografia sull’evacuazione di edifici sottoposti a incendi: l’educazione, il comportamento e le tecniche di simulazione
A bibliography on evacuation from building fires: education, behavior, and simulation techniques
Erica D. Kuligowski
Scelta delle uscite, tempo di pre-movimento e comportamento di pre-evacuazione nel caso di evacuazione per incendio di un albergo – Analisi comportamentale e convalida dell’uso delle tecniche serie di gioco nella ricerca sperimentale.
(Exit choice, (pre-)movement time and (pre-)evacuation behaviour in hotel fire evacuation – Behavioural analysis and validation of the use of serious gaming in experimental research.)
Margrethe Kobes, Ira Helsloot, Bauke de Vries, Jos Post
Indagine sull’effetto delle diverse strategie di comportamento di pre-evacuazione e di scelta delle uscite di sicurezza utilizzando la modellazione basata su agenti intelligenti.
(Investigating the effect of different pre-evacuation behavior and exit choice strategies using agent-based modeling)
Ellen-Wien Augustijn-Beckers, Johannes Flacke, Bas Retsios
Reazioni umane in condizioni di pre-evacuazione in incendi: un’analisi di attribuzione considerando il processo psicologico
(Pre-evacuation Human Reactions in Fires: An Attribution Analysis Considering Psychological Process)
Mu H L, Wang J H, Mao Z L, Sun J H, Lo S M, Wang Q S
Indagine sul comportamento umano nell’evacuazione in emergenza si un negozio al dettaglio sotterraneo
(Investigation of Human Behavior in Emergent Evacuation from an Underground Retail Store)
F.Z.Huo, W.G.Song, X.D.Liu, Z.G.Jiang, K.M.Liew
Fattori umani nella simulazione di evacuazione, pianificazione e guida
(Human Factors in Evacuation Simulation, Planning, and Guidanc)
G. Hofinger, R. Zinke, L. Künzer
Effetto dei tempi di posizionamento e di movimento dei pedoni sulla simulazione dell’ evacuazione
(The Effect of Pedestrian Placement and Pre-movement Times on Evacuation Simulation)
C. Rogscha, R. Galster, T. Luthardt, D. Mohr
Il processo del comportamento umano negli incendi
(The process of human behavior in fires)
E. Kuligowski
Modellazione dei comportamenti umani e sociali nell’esodo in emergenza.
(computational modeling of human and social behaviors for emergency egress analysis).
Xiaoshan Pan
Applicazione di modelli computazionali per la simulazione dell’evacuazioni su larga scala a seguito di guasti dell’infrastruttura o attacchi terroristici.
(The Application of Computational Models for the Simulation of Large-Scale Evacuations following Infrastructure Failures and Terrorist Incidents),
Chris. W. Johnson
Modelli di evacuazione del futuro. 
(Evacuation models of the future: insights from an online survey of user’s experiences and needs).
E. Ronchi, MJ. Kinsey
Comportamenti collettivi durante l’evacuazione nelle emergenze.
Luca Pietrantoni, Gabbriele Prati
Modello di forza sociale per la dinamica pedonale
(Social force model for pedestrian dynamics)
D. Helbing, P. Molnár
Simulazione di folle di pedoni in situazioni normali e di evacuazione
(Simulating of Pedestrian Crowds in Normal and Evacuation Situations)
D. Helbing, I. Farkas, P. Molnár,T. Vicsek
Simulazione delle caratteristiche dinamiche dell’evacuazione in presenza di  panico
(Simulating dynamical features of escape panic)
D. Helbing, I. Farkas, P. Molnár,T. Vicsek
Fire Dynamics Simulator with Evacuation: FDS+Evac Technical Reference and User’s Guide
Timo Korhonen

 

Registrazione gratuita per l’accesso al sito