Panoramica dei modelli di simulazione aeroportuale

La ricerca sul lato landside dell’aeroporto si è affermata alla fine degli anni Sessanta per fare luce sul problema della grave congestione e del ritardo nei terminal aeroportuali derivanti dalla sostanziale crescita del traffico aereo e dall'introduzione di grandi aeromobili (Ma 2013).

Per la facilità d’uso, l'affidabilità e l'efficienza nell'analisi e la sua capacità di descrivere attività dettagliate in modo gestibile, i ricercatori, sin dall’inizio, si sono orientati verso l’utilizzo della simulazione. (McCabe e Carberry, 1975).

La simulazione è il metodo più promettente di analisi, in quanto può affrontare in modo efficiente sia la natura variabile della domanda che quella stocastica del sistema di trasporto aereo (McCabe and Goldstein, 1982).

Le caratteristiche della simulazione possono variare a seconda delle funzionalità richieste, degli approcci specifici per la modellazione di situazioni particolari e dell'obiettivo della simulazione stessa.

Mumayiz (1990) ha presentato un modello di simulazione stocastico, event-oriented, del flusso di passeggeri all’interno di un terminal aeroportuale. Nel modello i passeggeri si muovono lungo percorsi predefiniti dal curbside fino al gate e viceversa. Tale modello consiste in tre moduli interattivi:

 il modulo di immissione e modifica dei dati in ingresso;  il modulo di simulazione;

 il modulo di generazione dei dati di output.

Gatersleben e der Weij (1999) hanno definito una lista di Key Performance Indicators (KPI) nell'ambito del progetto LOT all'aeroporto di Schiphol, Amsterdam, che comprende l'utilizzo delle risorse, il numero di passeggeri in aree di attesa e nelle

137

aree di imbarco, le lunghezze delle code, il tempo totale di viaggio, la lunghezza del percorso e la portata di passeggeri al minuto.

L’ambiente di simulazione adottato per riprodurre i processi di arrivo, partenza e trasferimento è stato ARENA. Per la costruzione del loro modello, Gatersleben e der Weij prima hanno esaminato le risorse aeroportuali presenti e le strutture correlate al flusso, e poi basandosi anche sull’opinione di esperti nella gestione del processo di movimentazione passeggeri hanno dedotto che l’incremento di volume del terminal per rispondere ad un aumento della domanda non rappresenta necessariamente un modo efficiente per affrontare la crescita del volume del traffico aereo.

Curcio et al. (2007) hanno utilizzato Anylogic per simulare i flussi di passeggeri e individuare i problemi di sicurezza nell'aeroporto di Lamezia Terme, in Calabria. I flussi di passeggeri, i movimenti degli aeromobili e i flussi bagagli sono stati tutti modellati utilizzando Anylogic e i risultati della simulazione sono stati poi confrontati con dati reali per essere validati. Il tempo di attesa dei passeggeri prima di raggiungere l'area del gate è stato utilizzato come indicatore di prestazione del sistema. In termini di dati di input, il loro modello utilizza le informazioni relative ai voli in partenza e in arrivo (orari, origini, destinazioni, identificativo del volo, compagnia aerea, la frequenza della connessione, etc.).

La simulazione ha coperto 130 giorni consecutivi con un errore medio pari a circa il 4,64% e nella simulazione di differenti scenari al variare dei tempi di arrivo del passeggero in aeroporto, desk check-in disponibili e le linee di controllo attive. Anche Cheng (2014) ha adottato Anylogic come software per sviluppare il proprio modello ad agenti con l’obiettivo di studiare l’influenza delle dinamiche di gruppo sul comportamento dei passeggeri in partenza. Diversi scenari sono stati testati (in termini di composizione del gruppo) e sono stati misurati alcuni parametri, quali tempi di permanenza, preferenze in relazione all’espletamento di attività non vincolanti e livelli di servizio (LOS) nelle aree di processamento. Il modello è stato quindi applicato ad un caso studio ed è stato analizzato l'impatto delle dinamiche di gruppo in un processo di evacuazione aeroportuale.

138

Lo stesso software è stato utilizzato da Ma (2013) su differenti aeroporti australiani. Egli ha messo in chiara evidenza l'importanza delle attività discrezionali e la necessità di modellare i passeggeri in modo adeguato in termini di pianificazione delle attività, distinguendo attività vincolanti dalle attività non vincolanti. I risultati hanno, comunque, sottolineato come la modellazione ad agenti rappresenti l’opzione migliore per esplorare le dinamiche spazio-tempo e per catturare fenomeni emergenti e complessi come i comportamenti umani. Interessanti sono stati gli approcci utilizzati per modellare le scelte dei passeggeri in precisi punti nello spazio: reti bayesiane e diagrammi di influenza. Le reti bayesiane sono state definite a partire da caratteristiche base e avanzate dei passeggeri, mentre i diagrammi d'influenza sono stati definiti da tabelle di utilità appositamente elaborate. Due tipi di stress sono stati considerati nel modello: tempo e distanza. Lo stress del tempo è correlato al fatto che nessun passeggero è disposto a perdere il volo, mentre lo stress legato alla distanza è correlato alla necessità dei passeggeri di dover riposare dopo aver camminato, ed espletato delle attività, per un certo intervallo di tempo. Ad ogni punto di decisione, le probabilità sono state calcolate per ciascun individuo attraverso il teorema di Bayes, e in ogni punto l'attività con l'utilità più alta veniva scelta dall'agente. Ogni passeggero è stato generato con attributi base casuali (età, sesso, frequenza di viaggio, classe di viaggio e nazionalità) e le probabilità di possedere determinante caratteristiche avanzate sono state calcolate attraverso le regole bayesiane, mediante apposite tabelle di probabilità condizionali (presenti del suo lavoro). Nel modello le attività vincolati presentavano sempre il maggior livello di priorità a seconda della presenza o meno di stress.

Nel 1999 Brunetta et al hanno proposto il modello SLAM (Simple Landside Airport Model) per la stima della capacità del terminal e dei ritardi subiti dai passeggeri analizzando diverse configurazioni spaziali delle strutture dell’aeroporto.

SLAM, che rientra nella famiglia dei modelli macroscopici, è stato anche incorporato nella piattaforma OPAL (Optimization Platform for Airports including Landside) (OPAL, 2003), che fornisce una serie di funzionalità per l'analisi integrata delle prestazioni aeroportuali. SLAM è costituito da una rete di moduli, uno per ogni

139

struttura del terminale. Esso fornisce stime non molto accurate del livello di servizio della struttura e dei ritardi incontrati dai voli in partenza / arrivo dovuti a malfunzionamenti di qualche struttura. Il modello non riesce a catturare la complessità del processo di gestione dei passeggeri all’interno del terminal in quanto non consente di rappresentare le interazioni tra i vari elementi del terminal e non può gestire effetti stocastici che possono influenzare la performance complessiva del terminal (Manataki, Zografos. 2009).

Ballis (2002) ha sviluppato un modello di simulazione per testare il progetto più appropriato per due aeroporti greci (Kavala e Alessandropoli), che presentavano alcune particolarità nei loro flussi di passeggeri. Un modello già sviluppato presso il National Technical L'Università di Atene (NTUA) nel 2001 è stato adattato e applicato a questi aeroporti (anche l’applicazione non viene tecnicamente specificata e descritta nell'articolo). Il modello richiede come dati di input i pattern di arrivo dei passeggeri, i tempi di servizio e le norme di assegnazione dei banchi di servizio; fornisce, inoltre, informazioni quantitative riguardanti il funzionamento di alcune aree specifiche del terminal che hanno permesso la misurazione dei livelli di servizio. Ray e Claramunt (2003) hanno sviluppato una piattaforma di modellazione e simulazione in grado di replicare le proprietà statiche e dinamiche di un sistema del mondo reale modellandolo come un grafo. Utilizzando il software ATLAS i ricercatori hanno ottenuto un ambiente di simulazione interattivo capace di supportare l’analisi e la valutazione di diversi schemi di movimentazione dei passeggeri nelle diverse aree del terminal. Tale modello però non è in grado di considerare il comportamento della singola entità circolante e pertanto risulta complicato studiare in dettaglio l’interazione tra i diversi oggetti della simulazione. Roanes-Lozano et al. (2004), hanno sviluppato un modello di simulazione del terminal partenze dell'aeroporto di Malaga. Il modello di simulazione, implementato con Maple 8, simula i singoli passeggeri guidati da una singola variabile: il tempo residuo prima del prossimo step. I dati di input, consistono nell’elenco delle compagnie aeree, i tempi medi di check-in, i ritardi dei passeggeri, le aree per i controlli di sicurezza e la posizione dei gate. Gli output sono essenzialmente grafici

140

che rappresentano variabili come la lunghezza della coda o il numero di passeggeri in fila. Il risultato finale è stato considerato molto utile sia per la progettazione che per la comprensione del funzionamento della struttura in diversi scenari.

Rauch e Kljajic (2006) hanno costruito un modello di simulazione ad eventi discreti utilizzando il linguaggio di programmazione GPSS (General Purpose Simulation System). I ricercatori hanno studiato sia le prestazioni attuali del sistema sia quelle previste in futuro. Il loro modello ha permesso di valutare il flusso dei passeggeri, individuare colli di bottiglia e la capacità del sistema. Stando agli autori, il modello è flessibile e permette un’agevole variazione dei parametri del sistema.

Andreatta et al. (2007), hanno utilizzato il modello SLAM II per modellare l'Aeroporto Internazionale di Atene in diversi scenari. SLAM II è un linguaggio di simulazione basato su Fortran che unisce concetti di rete, di eventi discreti e di modellazione continua in uno stesso linguaggio.

Il loro modello restituisce, come dati di output una serie di grafici dinamici relativi alle performance delle strutture aeroportuali. Nel modello sono stati testati tre diversi scenari: uno scenario di base, uno di forte carico e uno olimpico (dato che Atene ha ospitato i giochi olimpici nel 2004). Come dati di input sono stati utilizzati: il numero di voli nel periodo di tempo da simulare, gli orari di partenza, il tipo di aereo, il numero di passeggeri, i profili di arrivo dei passeggeri, il numero di desk check-in e i tempi di servizio. Il modello sviluppato è riuscito a mettere in evidenza i principali problemi degli impianti del terminal e i risultati sono stati considerati ragionevoli sia dagli esperti aeroportuali che dalle aziende.

Freivalde e Lace (2008) hanno sottolineato che negli aeroporti c’è sempre una capacità extra che non viene utilizzata e hanno descritto la loro idea di modellazione e simulazione utilizzando due tool di simulazione: GRADE e ARENA. Nel loro studio sui flussi pedonali all’interno dell’aeroporto internazionale di Riga, i ricercatori si sono focalizzati sia sugli arrivi che sulle partenze individuando le carenze e i colli di bottiglia del sistema.

Manataki e Zografos (2009) hanno proposto un modello di simulazione mesoscopico utilizzando l’approccio “system dynamics” per modellare il flusso di passeggeri in

141

partenza dall’aeroporto internazionale di Atene. La scelta di adottare un modello mesoscopico nasce dalla necessità di utilizzare uno strumento di supporto alle decisioni che, a differenza dei modelli macroscopici includa un livello sufficiente di dettaglio per valutare le prestazioni dell’aeroporto, gestire la complessità e la natura stocastica dei processi che si verificano nel terminal, e a differenza dei modelli microscopici non richieda una grande familiarità con i fenomeni, una mole di dati notevole e una sforzo computazionale rilevante.

Smits et al. (2013) hanno proposto un modello basato sulle reti di Petri generalizzate applicato all’aeroporto di Rotterdam. Gli autori hanno definito e studiato quattro azioni particolari:

 uso dei servizi igienici;  stare in coda al check-in;  essere serviti al check-in;  attesa.

I dati di input del modello sono fondamentalmente la geometria dell'aeroporto e il tempo relativo dei pedoni (ovvero il tempo a disposizione dei passeggeri prima di dover effettuare la prossima attività vincolante). Il software di simulazione adottato è stato Mason.

Più recentemente, Fonseca, Casas et al. (2014), utilizzando l’aeroporto internazionale di Barcellona come caso studio, hanno realizzato un modello di simulazione, volto a valutare il progetto di un nuovo terminale. In questo caso il software di simulazione adottato è stato Witness. La geometria dell'aeroporto era quella esistente nel caso studio e tutti i dati relativi ai passeggeri e agli aeromobili provenivano da record storici dall'aeroporto. Tutte le entità e le aree sono state definite e categorizzate. Alla fine della simulazione sono stati ottenuti tutti i principali flussi e riprodotti i processi dell'aeroporto. Il modello sviluppato ha avuto una reale utilità per la progettazione e la gestione dell'aeroporto di Barcellona e per altri aeroporti con configurazioni simili.

In letteratura è possibile anche rintracciare dei modelli di simulazione microscopica che si concentrano sui singoli processi aeroportuali, come ad esempio il check-in

142

(Appelt et al. 2007; Joustra e Van Dijk, 2001; Kiyildi e Karasahin, 2008, Trakoonsanti 2016) o i controlli di sicurezza (Shannon et al., 2004; Wilson et al., 2006).

Molto interessante risulta essere anche il lavoro di Adacher et al (2017) che hanno studiato il processo di gestione delle risorse lato landside. I ricercatori hanno proposto un modello di ottimizzazione che, assegnato un determinato layout e un flusso di passeggeri, individua il numero di banchi check-in e di security checkpoint per minimizzare una specifica funzione di costo che tiene conto dei costi di utilizzo delle risorse e dell'insoddisfazione dei passeggeri. Il modello sviluppa un algoritmo di ottimizzazione che integra un modulo di simulazione.

Ciascun modello di simulazione di un terminal aeroportuale, ovviamente, utilizza modelli, più o meno raffinati, di simulazione del deflusso pedonale. In generale si riscontrano approcci flow-based per modellazioni di tipo system dynamics o approcci entity-based o agent-based più dettagliati per modellazioni a eventi discreti o ad agenti.