Подпишитесь на Deepl pro, чтобы отредактировать этот документ

Вычислительный эксперимент. В таблицах 2-4 ниже представлены результаты сценарного моделирования работы вышеописанного Semo (см. рис. 2) при различных параметрах входящего вагонопотока. В каждой таблице приведены средние результаты, полученные за 10 запусков программы. Время моделирования - пять недель для всех экспериментов - это минимальное время, за которое имитационная модель может рассчитать устойчивые характеристики SEMO. Основным показателем того, что Selbo справляется с нагрузкой, является P_R = 0, что для крупных производственных и транспортных систем означает отсутствие риска возникновения нештатных ситуаций. В частности, это указывает на то, что станция обслуживает все поезда и работает нормально.
Эксперимент 1: В таблице 2 показаны результаты моделирования для скорости прибытия X = 2,875 групп в час.
Таблица 2. Результаты эксперимента 1

	Извлечено из	Lost	Цыст (м )	Страница	Pr
Группы приложений	2431,80	0	161,76	0	0
Приложения	175199,20	0
	K	l	tph^( m)	tlock^( m )	P замок
Узел 1	1,00	41,46	35,68	2897,00	0,05
Узел 2	0,74	24,77	32,61	0,00	0,00
Узел 3	1,43	0,00	42,43	0,00	0,00
Узел 4	1,59	26,55	51,05	-	-

Эксперимент 2. В таблице 3 представлены результаты моделирования с общим вагонопотоком 5880 вагонов или почти 84 поезда в день, из которых 17 без разборки (X = 3,5).
Таблица 3. Результаты эксперимента 2

	Извлечено из	Lost	Цыст (м )	Страница	Pr
Группы приложений	2903,50	0	166,13	0	0
Приложения	209049,50	0
	K	l	tph^( m)	tlock^( m )	P замок
Узел 1	1,23	61,10	39,20	4681,25	0,08
Узел 2	0,83	32,65	34,48	0,00	0,00
Узел 3	1,60	0,00	42,44	0,00	0,00
Узел 4	1,79	26,64	50,02	-	-

Эксперимент 3. В таблице 4 показаны результаты моделирования для группы заявок X = 4 в час.
Таблица 4. Результаты эксперимента 3

	Извлечено из	Lost	Цыст (м )	Страница	Pr
Группы приложений	3453,50	1,00	178,23	0,0003	0,0003
Приложения	248605,50	72,82
	K	l	tph^( m)	tlock^( m )	P замок
Узел 1	1,50	111,15	48,60	7216,50	0,12
Узел 2	0,90	42,58	36,96	0,00	0,00
Узел 3	1,74	0,00	42,45	0,00	0,00
Узел 4	1,97	29,85	50,23	-	-

Обсуждение результатов моделирования
Из результатов эксперимента 1 видно, что среднее время пребывания заявки (вагона) в системе составляет 2,7 часа. Вероятность отказа равна нулю, т.е. вагонопоток поступает на станцию бесперебойно, что является важным показателем надежности железнодорожного транспорта. Таким образом, МСС успешно справляется с переработкой вагонопотока, обеспечивается надежная и безаварийная работа станции.
Эксперимент 2. Узел 1 является самым загруженным, так как среднее время блокировки его каналов составляет 2,2 часа в сутки, что не является критическим, но оказывает негативное влияние на работу станции. В такой ситуации диспетчер отправляет товарные поезда на соседние железнодорожные станции, где они ожидают освобождения путей в парке приема. Сортировочная станция работает в нормальном режиме и справляется с нагрузкой, однако из-за увеличения времени блокировки канала Узла 1 время доставки груза увеличивается, стабильность работы транспортной системы обеспечивается не полностью.
Эксперимент 3. Результаты моделирования показывают, что каналы узла 1 блокируются в среднем на 3,4 часа в день, что является критическим для системы, так как происходит переполнение очереди узла 1 и вероятность отказа становится ненулевой, надежная и безотказная работа MSS не обеспечивается.
По результатам всех экспериментов можно сделать следующий общий вывод. Система работает в нормальном режиме при максимальной интенсивности входящих поездов X = 3,5 поезда в час. Предельным значением работы станции является интенсивность прибывающих поездов X = 4 поезда в час. Узким местом системы является недостаточная пропускная способность парка прибытия (узел 1). Для его разгрузки целесообразно перенаправить все поезда на узел 4 (ПО). Для дальнейшего улучшения работы системы необходимо увеличить пропускную способность ПС. Однако для этого потребуется реконструкция, которая повлечет за собой значительные материальные затраты.
Заключение
Подводя итоги данного исследования, можно сказать, что оно является лишь первым серьезным шагом на долгом пути, который, как надеются авторы, должен завершиться созданием единой методологии математического и компьютерного моделирования транспортных узлов с использованием Semo. Это позволит повысить точность и адекватность моделирования, направленного на оценку эффективности, устойчивости и надежности транспортных систем, а также расширить возможности подхода к моделированию. Другой важной проблемой, требующей решения в моделировании транспортных систем, является отчуждаемость программных продуктов от разработчиков. Наиболее естественным путем здесь является применение средств интеллектуализации в рамках создания интеллектуальной системы управления развитием транспортно-логистической инфраструктуры региона [26], которая ведется под руководством ак. И.В. Бычкова.
В заключение отметим, что предложенный модельный подход вряд ли сможет полностью вытеснить традиционные методы изучения работы железнодорожных станций, основанные на построении их детального описания. Однако в качестве инструмента первичного анализа, не требующего больших трудозатрат и подробных статистических данных, он вполне пригоден, как показывают наши результаты.
Библиография

1. 
   Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. МОСКВА: ЛКИ, 2007. 107 с.
   
2. 
   Акулиничев В.М., Кудрявцев В.А., Корешков А.Н. Математические методы в эксплуатации железных дорог. Москва: Транспорт, 1981. 223 с.
   
3. 
   Казаков А.Л., Маслов А.М. Построение модели нерегулярного транспортного потока на примере железнодорожной грузовой станции // Современные технологии. Системный анализ. Моделирование. 2009. № 3. С. 27-32.
   
4. 
   Журавская М.А., Казаков А.Л., Жарков М.Л. и др. Моделирование работы транспортно-пересадочного узла мегаполиса как трехфазной системы массового обслуживания // Транспорт Урала. 2015. № 3. С. 17-22.
   
5. 
   Weik N., Niebel N. Анализ пропускной способности железнодорожных линий в Германии - строгое обсуждение подхода на основе очередей // Journal of Rail Transport Planning & Management. 2016. № 6 (2), P. 99-115.
   
6. 
   Дорда М., Тайхманн Д. Моделирование классификации грузовых поездов с использованием системы очередей с учетом поломок // Математические проблемы в технике. 2013. № 2013, 11 p.
   
7. 
   Нибен Н. Вероятности ожидания и потерь для узлов маршрута // В трудах 5-го Международного семинара по моделированию и анализу железнодорожных операций. 2013; Копенгаген, Дания.
   
8. 
   Бронштейн О.И., Райкин А.А., Рыков В.В. Об одной системе массового обслуживания с потерями // Известия АН СССР. Техническая кибернетика. 1964. № 4. С .39-47.
   
9. 
   Китаев М.Ю., Рыков В.В. Управляемая система очередей. N.Y.: CC Press, 1995.
   
10. 
    Рыков В. В. Управляемые системы очередей от самых истоков до наших дней // Материалы информационных технологий и математического моделирования имени А. Ф. Терпугова. 2017. № 1. P. 25-26.
    
11. 
    Грачев В.В., Моисеев А.Н., Назаров А.А. и др. Модель многофазного массового обслуживания распределенной системы обработки данных // Доклады Томского государственного университета систем управления и радиоэлектроники. 2012. № 2-2 (26). С. 248-251.
    
12. 
    Шкленник М., Моисеева С., Моисеев А. Оптимизация значений двухуровневой скидки с использованием тандемной модели массового обслуживания с обратной связью // Коммуникации в информатике и информатике. 2018. № 912. С. 321-332.
    
13. 
    Галилейская А.А., Лисовская Е.Ю., Моисеева С.П. и др. Моделирование последовательной обработки данных с реализацией резервного хранения // Современные информационные технологии и ИТ-образование. 2019. № 3. С. 579-587.
    
14. 
    Дудин А.Н., Клименок В.И. Системы массового обслуживания с коррелированными потоками. Минск: Белорусский государственный университет, 2000.
    
15. 
    Ким К., Дудин А., Дудина О. и др. Тандемная система очередей с бесконечными и конечными промежуточными буферами и обобщенным фазовым распределением времени обслуживания // European Journal of Operational Research. 2014. № 23. P. 170-179.
    
16. 
    Вишневский В.М., Дудин А.Н. Системы массового обслуживания с коррелированными входными потоками и их применение к моделированию телекоммуникационных сетей // Автоматика и телемеханика. 2017. № 8. С. 3-59.
    
17. 
    Введение в математическое моделирование транспортных потоков / под ред. А.В. Гасникова. МОСКВА: МФТИ. 2010.
    
18. 
    Лукантони Д.М. Новые результаты об односерверной очереди с пакетным марковским процессом прибытия // Коммун. Государственник. Стохастические модели. 1991. № 7. Р. 1-46.
    
19. 
    Казаков А.Л., Павидис М.М., Жарков М.Л. Применение многофазных систем массового обслуживания для моделирования сортировочной станции // Вестник Уральского государственного университета путей сообщения. 2018. № 2. C. 4-14.
    
20. 
    Казаков А.Л., Павидис М.М. Об одном подходе к моделированию работы сортировочных станций // Транспорт Урала. 2019. № 1 (60). С. 29-35.
    
21. 
    Жарков М.Л., Павидис М.М. Моделирование железнодорожных станций на основе сетей массового обслуживания // Актуальные проблемы науки Прибайкалья №3. Иркутск: Иркутский государственный университет, 2020. С. 79-84.
    
22. 
    Уолранд Д. Введение в теорию сетей массового обслуживания. Москва: Мир, 1993. 336 с.
    
23. 
    Ивницкий В.А. Теория сетей массового обслуживания. МОСКВА: ФИЗМАТЛИТ, 2004. 772 с.
    
24. 
    Келтон У.Д., Лоуи А.М. Имитационное моделирование. СПб: Питер, 2004.
    
25. 
    Жарков М.Л., Парсюрова П.А., Казаков А.Л. Моделирование работы станций и участков железнодорожной сети на основе изучения отклонений от графика движения // Вестник ИрГТУ. 2014. № 6 (89). С. 23-31.
    
26. 
    Бычков И.В., Казаков А.Л., Лемперт А.А. и др. Интеллектуальная система управления развитием транспортно-логистической инфраструктуры региона // Проблемы управления. 2014. № 1. С. 27-35.