P. 1
Modelli su reti

Modelli su reti

|Views: 170|Likes:
Published by mmaths
Articolo apparso su Lettera Matematica del Centro Pristem sui modelli fluidodinamici sulle reti, di Benedetto Piccoli, Ciro D'Apice e Rosanna Manzo.
Articolo apparso su Lettera Matematica del Centro Pristem sui modelli fluidodinamici sulle reti, di Benedetto Piccoli, Ciro D'Apice e Rosanna Manzo.

More info:

Published by: mmaths on Oct 03, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/04/2011

pdf

text

original

I N T E R V E N T I

I modelli fluidodinamici di flussi di reti
e la loro ottimizzazione
di Ciro D’Apice, Rosanna Manzo e Benedetto Piccoli
ROSANNA MANZO è ricercatrice in Analisi matematica presso il Dipartimento di Ingegneria dell’Informazione e Matematica Applicata dell’Università degli Studi di Salerno. I suoi interessi di ricerca comprendono modelli fluidodinamici per flussi su reti stradali, di telecomunicazione, di produzione, controllo ottimo, teoria delle code, processi self-similar e computer aided learning. È autrice di numerosi articoli pubblicati su riviste internazionali e proceedings.

28
BENEDETTO PICCOLI è Direttore di Ricerca presso l’Istituto per le Applicazioni del Calcolo “Mauro Picone” del C.N.R. I suoi interessi di ricerca includono controllo ottimo, controllo ibrido, Biologia dei sistemi, flussi su reti, Matematica finanziaria e Matematica applicata. È autore di diversi libri e di oltre 150 articoli. È editor in chief della rivista Networks and Heterogeneous Media ed ha ricevuto il Premio Fubini 2009.

1. Dalla conservazione della massa ai modelli di traffico
Il primo novembre del 1772 il signor Antoine-Laurent Lavoisier, chimico, fisico, naturalista, economista, esattore delle tasse e futuro uomo politico (una vita molto intensa che la ghigliottina interromperà nel 1794), depositò presso l’Accademia delle Scienze di Parigi un plico nel quale era contenuto l’annuncio di una scoperta rivoluzionaria. Da una serie di esperimenti sulla combustione dello zolfo era giunto ad una conclusione che avrebbe cambiato il corso della Chimica e forse dato origine ad un nuovo modo di fare Chimica. Le trasformazioni chimiche o reazioni chimiche – affermava il signor Lavoisier – mutano le proprietà della materia senza alterarne la massa complessiva. Questa affermazione è oggi nota come legge di conservazione della massa o principio di Lavoisier. Qualcuno, addirittura, ama usare il suggestivo aforisma: nulla si crea e nulla si di-

CIRO D’APICE insegna Analisi matematica presso la Facoltà di Ingegneria dell’Università degli Studi di Salerno. È autore di libri e di oltre 100 articoli che trattano di omogeneizzazione e controllo ottimo, modelli basati su leggi di conservazione per traffico urbano, reti di dati e catene di produzione, comportamento spaziale di problemi dinamici, sistemi e reti di code.

76

lettera matematica

strugge, ma tutto si trasforma! Quella di Lavoisier fu la prima legge di conservazione di cui si ha memoria. Nella seconda metà dell’800, le scoperte di diversi scienziati (Joule, Carnot, Thomson, Clausius e Faraday) svelarono che lo stesso principio valeva anche per l’energia, pervenendo ad una compiuta descrizione dei primi due principi della Termodinamica. Oggi si parla di legge di conservazione dell’energia, del momento, della carica ecc. Se ne parla molto, ma con maggiore prudenza perché nel 1913 un ex impiegato dell’ufficio brevetti di Berna avanzò l’ipotesi che la legge di conservazione della massa non fosse sempre vera. Ma questa è un’altra storia… Di leggi di conservazione si sono occupati i fisici, da sempre interessati a tutto ciò che può aiutarli a penetrare nei misteri della natura, i matematici, attratti dalle difficoltà e dalle strane proprietà di questi oggetti matematici (perché le leggi di conservazione sono anche oggetti matematici, equazioni), e infine gli ingegneri, intravedendo la possibilità di poter applicare le leggi di conservazione per la risoluzione di problemi pratici. Infatti, leggi di conservazione sono alla base di modelli macroscopici per la descrizione, l’analisi e il controllo di flussi su reti (stradali, di trasmissione dati, di produzione, ecc.). Una comprensione profonda dei fenomeni legati ai flussi e una loro simulazione è cruciale in fase di progettazione e di scelta di politiche che possano alleviare la congestione e massimizzare il flusso. Per esempio, i modelli di traffico urbano possono essere utili per rispondere a domande del tipo: dove installare semafori o segnali di stop, come decidere la durata delle fasi di verde e rosso di un ciclo semaforico, se trasformare o meno una strada a due corsie in una ad una singola corsia, dove costruire entrate, uscite, sottopassaggi, ecc. Il primo modello fluidodinamico per singola strada risale agli anni ’50 quando J. Lighthill e G. Whitham, due esperti di Fluidodinamica (ed indipendentemente P. Richards), intuirono come le equazioni che descrivono il flusso d’acqua (equazioni alle derivate parziali note come equazioni di Eulero o di Navier-Stokes, che esprimono la conservazione della massa, del momento e dell’energia) potessero essere capaci di catturare anche la dinamica del flusso del traffico stradale. L’idea di base è di considerare un’ampia scala spaziale, il che equivale ad osservare il fenomeno da “molto lontano”, in maniera da considerare le auto come piccole particelle (senza distinzioni tra camion, auto, autobus, ecc.) e da supporre che la densità abbia una distribuzione continua. In ogni caso, è ragionevole assumere la conservazione del numero di auto in un tratto stradale senza uscite né entrate, giungendo così ad una legge di conservazione. Supponiamo di avere una strada a senso unico priva di di-

ramazioni. Due osservatori, ad esempio un benzinaio ed un vigile urbano, disposti in due punti diversi lungo la strada, vedranno transitare (se hanno tempo per farlo) lo stesso numero di auto. Concentrandoci su tratti stradali senza entrate ed uscite, si può affermare con certezza che il numero di auto si conserva. Se c’è una quantità che si conserva, allora ha senso parlare di leggi di conservazione (vedi Box 1). Intuitivamente, un fattore che influenza la velocità è la densità delle auto (numero di auto per chilometro, ad esempio) presenti. La velocità media è sostenuta in caso di assenza di traffico, moderata quando il traffico è scorrevole, molto bassa in caso di traffico intenso e quasi nulla o nulla nel caso di incolonnamenti (code). Appare dunque ragionevole supporre che la velocità sia funzione decrescente della densità. Consideriamo gli incolonnamenti (ad esempio, a causa di un incidente). Dal punto in cui si è verificato l’incidente (supponendo che esso ostruisca il passaggio), le auto cominciano ad incodarsi e la densità di auto in quel tratto inizia ad aumentare fino a diventare massima quando le auto si trovano paraurti contro paraurti (o quasi). Intanto le auto alla fine della coda continuano ad incolonnarsi. L’effetto dell’incidente avvenuto in un punto x* si propaga all’indietro per valori di x minori di x*. Matematicamente, la coda rappresenta una discontinuità (shock) per la funzione densità di automobili: la densità di auto risulta essere massima nel tratto prima dell’incidente e nulla in quello successivo. Analizziamo ora cosa avviene quando la strada viene liberata. Se provassimo a risolvere il problema di Riemann (problema di Cauchy con dato iniziale costante a tratti) che ha come equazione differenziale alle derivate parziali l’equazione di conservazione scritta per la densità di auto e come dato iniziale l’ipotesi di densità massima (normalizzando, possiamo assumerla unitaria) per x< x* e nulla per x> x*, il risultato che otterremmo, per la funzione densità, sarebbe una rarefazione. Ed è quello che succede effettivamente quando viene ripristinata la strada: il traffico diventa via via più rarefatto e la densità delle auto diminuisce progressivamente. Un discorso analogo si può fare analizzando ciò che avviene in presenza di un semaforo. Come si può osservare, una legge di conservazione è una particolare equazione differenziale alle derivate parziali dove la variabile è una quantità che si conserva, cioè una quantità che non può essere né creata né distrutta. Una particolare caratteristica dei sistemi di leggi di conservazione è che anche per dati iniziali regolari la soluzione del problema di Cauchy può sviluppare discontinuità in tempi finiti. Per avere soluzioni globali bisogna dunque lavorare all’interno di una classe di funzioni discontinue e ricercare soluzioni deboli entropiche.

29

lettera matematica

76

I N T E R V E N T I

I N T E R V E N T I

BOX 1
Formalizziamo quanto detto.

Figura 1 Tratto stradale Nell’ipotesi che la densità sia continua, il numero di automobili N su un tratto di strada, tra x = a e x = b, è dato dall’integrale della densità di traffico:

Recentemente si è assistito ad un rinnovato interesse per i modelli fluidodinamici, interesse che trae origine da una crescita delle possibilità offerte dal calcolo numerico e da una serie di raffinamenti ed estensioni dei modelli stessi che hanno permesso la descrizione di strade multi-corsia, eventualmente con semafori, e la descrizione dei flussi su reti stradali. Anche se il primo modello basato su leggi di conservazione è stato applicato al traffico su singola strada, i modelli fluidodinamici trovano un ampio range di applicazione. Possono infatti essere usati per descrivere l’evoluzione del traffico su reti stradali di grandi città o su autostrade di grandi stati, flussi di dati su reti di telecomunicazioni e flussi di merci su catene di produzione, reti di gas, reti elettriche, flussi sanguigni ecc. (Figura 2). In altre parole, questi modelli sono capaci di descrivere sistemi reali in cui qualcosa viene conservato: il numero medio di auto in una strada, di pacchetti in una rete Internet, il numero di merci prodotte in una catena di produzione ecc.

30

in cui Ç(t,x) denota la densità di auto (numero di auto per unità di lunghezza). Se non ci sono né entrate né uscite nel tratto stradale, assumendo che le automobili non possano essere né create né distrutte tra x = a e x = b, la variazione del numero di automobili è uguale al numero di auto per unità di tempo che attraversano x = a (spostamenti verso destra) meno il numero di automobili che attraversano, muovendosi ancora verso destra, x = b:

Figura 2 Alcune applicazioni dei modelli fluidodinamici dove f(t,x) è il flusso dato dal numero di automobili per unità di tempo. Combinando le equazioni si ottiene, sotto opportune ipotesi di regolarità della funzione densità: Il vantaggio principale dell’approccio fluidodinamico è che, usando un numero parsimonioso di parametri, i modelli sono in grado di descrivere l’evoluzione del carico di rete ad ogni istante di tempo e di rivelare alcuni fenomeni come la formazione delle code e la loro propagazione come conseguenza di repentini cambiamenti o particolari situazioni. Inoltre la teoria permette lo sviluppo di efficienti schemi numerici anche per reti di grandi dimensioni, grazie alla modellazione del flusso alle giunzioni in un modo semplice e computazionalmente conveniente, che fa uso di problemi di programmazione lineare.

Da qui segue che:

e, data l’arbitrarietà degli estremi di integrazione, si ottiene:

2. Simulazione e ottimizzazione di reti stradali
in cui, essendo il flusso legato alla densità e alla velocità dalla relazione f = Çv e supponendo v funzione decrescente della densità, il flusso è a sua volta funzione della sola densità. Nonostante esista una copiosa letteratura sui modelli fluidodinamici di traffico per singola strada (a una o più corsie) solo recenti contributi sono stati dedicati al caso di reti di traffico. In effetti, i primi lavori in questa direzione so-

76

lettera matematica

no di Holden-Risebro (1995) e di Coclite, Garavello, Piccoli (2005) che hanno esteso il modello di Lighthill-WhithamRichards ad una rete e risolto il problema di Riemann alle giunzioni, cioè il problema di Cauchy con dato iniziale costante su ogni strada entrante ed uscente, proponendo una massimizzazione del flusso. Una rete stradale può essere rappresentata con un grafo orientato, composto da un numero finito di strade modellate da intervalli [ai, bi], possibilmente con estremi infiniti, che si incontrano in qualche incrocio. Su ogni strada l’evoluzione della densità è descritta dall’equazione di Lighthill-Whitham-Richards:

dove

è la densità delle auto, Çmax la massima densità che può essere supportata dalla strada, n = n (Ç) la velocità e f(Ç) = Çn (Ç) il flusso (un buon modello per il flusso è f(Ç) = Ç (1-Ç)). Per estremi che non toccano una giunzione (e non sono infiniti), viene assegnato un dato al bordo e viene risolto il corrispondente problema al bordo. Il punto chiave è dato dalle giunzioni in corrispondenza delle quali il problema di Riemann è sotto-determinato anche considerando la conservazione delle auto, che può essere scritta come la relazione di Rankine – Hugoniot o legge tipo Kirchhoff:

A partire dalle soluzioni dei problemi di Riemann si costruiscono soluzioni ai problemi di Cauchy, usando un’opportuna versione dell’algoritmo di Wave-Front-Tracking di Bressan. La difficoltà principale nel risolvere un sistema di leggi di conservazione è il controllo della variazione totale. È abbastanza facile verificare che, per una singola legge di conservazione, la variazione totale decresce all’interno di una singola strada ma può aumentare a causa dell’interazione di onde con le giunzioni. In ([6]) si è provato che la variazione totale del flusso è limitata per giunzioni semplici. Poiché non è equivalente alla variazione totale della densità, per provare l’esistenza di soluzioni si è usato un argomento di compattezza insieme ad un controllo del numero di onde grandi (onde che attraversano il valore in cui il flusso ha un unico massimo) in prossimità delle giunzioni. Discretizzando la legge di conservazione secondo lo schema di Godunov e schemi cinetici di tipo rilassamento iperbolico (del primo e del secondo ordine) con opportune condizioni al contorno, si è realizzato un simulatore di traffico stradale che prende in input le condizioni iniziali di densità su ogni strada e condizioni al bordo e consente di prevedere l’evoluzione della densità di traffico in ogni tratto stradale. In Figura 3 il simulatore evidenzia la formazione di code (in rosso) nella rotatoria della piazza dei Re di Roma (una parte della rete urbana di Roma) e presso lo svincolo Salerno-Fratte e la propagazione all’indietro.

31

dove Çi (i = 1, …, n) è la densità di auto sulle strade entranti mentre Çj,( j = n+1, …, n+m) è la densità sulle strade uscenti. In [6] per garantire l’unicità della soluzione del problema di Riemann agli incroci, vengono assunte le seguenti regole: A. il traffico dalle strade entranti viene distribuito sulle uscenti in accordo a coefficienti statistici; b. nel rispetto della regola precedente, i guidatori scelgono di massimizzare i flussi sulle linee entranti all’incrocio. La prima regola esclude, ad esempio, che in un incrocio con più strade uscenti tutte le auto si dirigano verso una sola strada uscente, soluzione che garantisce la conservazione delle auto ma non è plausibile da un punto di vista modellistico. La seconda regola, invece, esclude la soluzione banale che i veicoli si fermino all’incrocio senza attraversarlo, soluzione che rispetta anch’essa la conservazione delle auto. Nel caso in cui il numero di strade entranti sia maggiore del numero di strade uscenti, si introducono dei parametri di precedenza che regolano il flusso entrante nel nodo.

Figura 3 Piazza dei re di Roma e svincolo Salerno-Fratte Nel caso della piazza dei Re di Roma, l’eccessiva presenza di zone congestionate può essere spiegata con il comportamento scorretto dei guidatori che non rispettano le regole di precedenza all’atto dell’immissione nella rotatoria. Il simulatore consente la gestione di reti stradali costituite da un gran numero di archi e nodi, come mostrato in Figura 4, in cui è riportata l’evoluzione del traffico sull’intera rete stradale di Salerno.

lettera matematica

76

I N T E R V E N T I

I N T E R V E N T I

Figura 4 Rete di Salerno

BOX 2
Presentiamo alcuni esempi, in cui vengono ottimizzati i parametri di precedenza [3, 4]. Focalizziamo l’attenzione su piazza dei Re di Roma (Figura 5 a sinistra), formata da incroci con due strade entranti ed una uscente (giunzioni 2x1) ed incroci con una strada entrante e due strade uscenti (giunzioni 1x2). Consideriamo poi un’area della rete urbana di Salerno (Figura 5 a destra), data da un incrocio o con due strade entranti (a – o e b – o) ed una strada uscente. L’incrocio o ha un semaforo con un ciclo di due minuti dove la fase di verde è 15 secondi per i guidatori che viaggiano sulla strada a – o. Quindi, la strada a – o ha un parametro di precedenza:

32

A partire dal modello fluidodinamico, sono state sviluppate delle tecniche di ottimizzazione per la scelta ottimale dei parametri caratteristici del modello, che si basano sulla massimizzazione del funzionale J1 che misura la velocità media delle automobili e la minimizzazione del funzionale J2 che misura il tempo medio di percorrenza sulla rete. L’ottimizzazione dei flussi è basata su un’accurata scelta dei coefficienti di distribuzione e dei parametri di precedenza. Mentre scegliere i coefficienti di distribuzione corrisponde a ridirezionare il traffico, l’ottimizzazione dei parametri di precedenza si traduce in interventi stradali consistenti nell’opportuna regolazione di cicli semaforici o nella scelta di un’adeguata segnaletica di precedenza. La determinazione della soluzione analitica ottima rappresenta un problema difficile anche per giunzioni semplici. Il motivo è la natura ibrida del problema, dove variabili continue dal punto di vista spaziale e temporale si influenzano tra loro e sono a loro volta influenzate da variabili discrete come i parametri del traffico. Rivolgiamo l’attenzione dapprima a due particolari casi: il caso 2x1, con due strade entranti ed una strada uscente, e il caso 1x2, con una strada entrante e due uscenti. Per reti complesse, è stata adottata la seguente strategia: Si sono determinati i parametri ottimi per semplici reti formate da una singola giunzione. Per queste, si è considerata la soluzione asintotica sulla rete (assunte strade di lunghezza infinita in maniera tale da evitare effetti di dati al bordo). Per una rete complessa, si sono usati parametri (localmente) ottimi ad ogni giunzione, aggiornando il valore dei parametri in ogni istante mediante la densità corrente sulle strade. Si sono verificate le prestazioni dei parametri (localmente) ottimi, confrontandoli mediante simulazioni, con altre situazioni come scelte di parametri fissi o random (i coefficienti vengono scelti in maniera casuale ad ogni istante di simulazione per ogni giunzione). I risultati di ottimizzazione sono stati testati su casi reali di reti urbane (vedi Box 2).

mentre b – o un parametro di precedenza q = 1 - p = 0,875. Infine, analizziamo un’area del Lungomare di via Clemente Tafuri a Salerno, composta da tre incroci aventi ognuno due strade entranti ed una uscente (Figura 6). Ogni incrocio ha un semaforo con una fase di verde pari a 48 secondi e un ciclo totale di due minuti, per cui assumiamo che le strade a, c ed e abbiamo un uguale parametro di precedenza, pari a 0.4.

Figura 5 Topologia della piazza dei Re di Roma (sinistra) e dell’incrocio di via Parmenide (destra)

Figura 6 Topologia della rete con tre incroci di via Lungomare Clemente Tafuri, Salerno

Studiamo tre diversi casi di simulazione: (a) parametri di precedenza che ottimizzano i funzionali di costo J1 e J2 (caso ottimo); (b) parametri di precedenza fissi (caso fisso) in cui cioè il parametro di precedenza è lo stesso per ogni giunzione (per la piazza dei Re di Roma p=0.2; per l’incrocio di via Parmenide e gli incroci di via Lungomare Clemente Ta-

76

lettera matematica

Figura 7 Simulazione di J2 al variare del tempo considerando come dato iniziale strade vuote e dato al bordo 0.3 per strade esterne alla piazza. Curva blu: caso fisso; curva verde: caso random dinamico; curva rossa: caso ottimo. A destra, zoom su caso ottimo e caso random dinamico furi assumiamo che il caso fisso sia dato dalla situazione reale); (c) parametri random dinamici, in cui i parametri di precedenza per ogni incrocio di tipo 2x1 cambiano in maniera casuale ad ogni step di simulazione. La Figura 7 mostra il comportamento temporale del funzionale J2 per piazza dei Re di Roma. Si può notare che il funzionale per il caso fisso è più alto del caso ottimo. Le prestazioni dei casi ottimo e random dinamico sono molto simili e ci si può chiedere se si può evitare una procedura di ottimizzazione. In effetti, il caso ottimo è preferibile a quello random dinamico, come si evince dall’analisi del funzionale (Figura 8) di Stop and Go Waves (SGW). Tale funzionale, che misura le variazioni di velocità e rappresenta un indice della sicurezza sulle strade, è più basso nel caso ottimo per cui, ponendo i parametri dell’incrocio uguali ai valori ricavati dalla procedura di ottimizzazione, si garantisce maggiore sicurezza sulle strade [3, 4]. Per via Parmenide presentiamo in Figura 9 l’andamento del funzionale J1 che, essendo più alto nel caso ottimo, indica che il semaforo dell’incrocio ha fasi di rosso e verde non convenienti per decongestionare il traffico. Contrariamente al caso della piazza dei Re di Roma, l’andamento del funzionale per la simulazione random dinamica è diverso dall’andamento del caso ottimo. In particolare, è possibile di-

33

Figura 8 Simulazione di SGW al variare del tempo considerando come dato iniziale strade vuote e dato al bordo 0.75 per strade esterne alla piazza. Curva blu: caso fisso; curva verde: caso random dinamico; curva rossa: caso ottimo

Figura 9 Simulazione di J1 al variare del tempo considerando come dato iniziale strade vuote e dato al bordo 0.8 per le strade entranti e 0.3 per l’uscente. Curva blu: caso fisso; curva verde: caso random dinamico; curva rossa: caso ottimo

lettera matematica

76

I N T E R V E N T I

I N T E R V E N T I

Figura 10 Simulazione di J1 e J2 al variare del tempo partendo da rete vuota e dato al bordo 0.2 per le strade che iniettano traffico nella rete. Curva blu: caso fisso; curva verde: caso random dinamico; curva rossa: caso ottimo

mostrare che una simulazione random dinamica risulta equivalente ad una simulazione fissa con parametro di precedenza pari a 0.5, valore che minimizza J1 ([4]). In Figura 10 presentiamo l’andamento dei funzionali J1 e J2 per gli incroci di via Lungomare Clemente Tafuri. Risultano evidenti dei miglioramenti apportati dal caso ottimo rispetto agli altri casi.

34

3. Un modello fluidodinamico per reti di dati
Idee provenienti dall’approccio fluidodinamico classico per il traffico stradale sono state estese per trattare flussi di dati su reti. Basta immaginare di sostituire le automobili con i pacchetti (pezzi di informazione scambiati all’interno di una rete dati) e la rete stradale con una rete di telecomunicazione (ad esempio Internet). I nodi non sono più gli incroci stradali ma router, switch, ecc. I concetti di shock e di rarefazione possono essere riportati di pari passo (con qualche piccolissima modifica) in questo nuovo mondo ed ottenere tutta una serie di interessanti risultati. Nel nuovo mondo, affinché sia ragionevole la conservazione dei pacchetti (che ahimè spesso si perdono), bisogna assumere una scala temporale intermedia e un meccanismo di comunicazione tra nodi regolato da protocolli che garantiscono una perdita temporanea ma non definitiva di pacchetti di informazione. Se infatti vi è l’impossibilità di “perdere” automobili, i pacchetti invece, viaggiando su un link, possono essere persi, possono non raggiungere la destinazione oppure possono raggiungerla ma essere rigettati perchè danneggiati. In questi casi, non sembrerebbe valida l’applicazione delle leggi di conservazione. In realtà, il numero di pacchetti, osservato in una scala temporale intermedia, si conserva. I pacchetti ricevuti dal receiver sono nello stesso numero di quelli spediti dal sender perchè alcuni protocolli, attraverso l’attuazione di meccanismi di segnalazione, permettono di ritrasmettere i pacchetti persi o danneggiati.

La rete viene ancora una volta descritta da un numero finito di linee di trasmissione modellate da intervalli [ai, bi], con uno dei due estremi possibilmente infinito, che si incontrano in qualche nodo (switch o router) che riceve e invia informazioni in forma di pacchetti ([8]). Rispetto alle reti di traffico, la differenza principale è che la densità evolve su un singolo arco con velocità costante. La matrice di distribuzione delle percentuali di pacchetti ad ogni giunzione gioca ancora un ruolo fondamentale ma deve essere modificata tenendo in considerazione gli algoritmi che regolano il funzionamento di switch e router. Focalizziamo l’attenzione dapprima su una singola linea tra due nodi di una rete Internet. Si assume che ogni pacchetto viaggi sulla rete con una velocità fissata e con un’assegnata destinazione finale e che i router ricevano, processino e poi smistino i pacchetti, i quali possono essere persi con una probabilità che cresce all’aumentare del numero di pacchetti processati. Ogni pacchetto perso viene rispedito. Se consideriamo due router consecutivi, dal momento che ogni router rispedisce al nodo successivo i pacchetti persi fino a quando non riceve il segnale di avvenuta ricezione, possiamo assumere che, in una scala temporale intermedia, i pacchetti siano conservati. Quindi, considerando i backbones della rete formati da molti router consecutivi, si giunge a considerare un modello semplice che consiste di una singola legge di conservazione di tipo (1) dove Ç è la densità dei pacchetti (numero di pacchetti per unità di spazio) e f(Ç) = Çn (Ç) è il flusso (numero di pacchetti per unità di tempo) con n (Ç) velocità di trasmissione dei pacchetti. Assegnando una probabilità di perdita (vedi Box 3) di pacchetti come funzione della densità, passando al limite nella procedura di invio e rinvio dei pacchetti, si ottiene una funzione velocità e quindi una funzione flusso.

76

lettera matematica

BOX 3
Consideriamo due nodi consecutivi Nk e Nk+1. Supponiamo che non tutti i pacchetti inviati dal sender raggiungano il receiver al primo tentativo di invio e che il nodo Nk mandi di nuovo i pacchetti persi al nodo successivo Nk+1. Più precisamente, assumiamo che esista una funzione p: [0,Çmax] [0,1] che assegna la probabilità di perdita come funzione della densità. Siano d la distanza tra i nodi Nk e Nk+1 , Dt0 il tempo di trasmissione dei pacchetti dal nodo Nk al nodo Nk+1 nel caso in cui arrivino con successo al primo tentativo e Dtav il tempo medio di trasmissione quando alcuni pacchetti sono persi da Nk+1 e rispediti da Nk. Denotiamo con:

la velocità dei pacchetti, rispettivamente, nei due casi. Dunque, al primo tentativo i pacchetti mandati dal nodo Nk raggiungono con successo il nodo Nk+1 con probabilità 1- p e sono persi con probabilità p . Al secondo tentativo, 1 - p pacchetti sono spediti nuovamente; di questi, (1 –p) p arrivano con successo al nodo successivo mentre p2 sono persi. Procedendo in questo modo, al tentativo n-esimo (1 –p) pn-1 pacchetti arrivano a destinazione e pn si perdono. Il tempo medio di trasmissione è dato da:

da cui si ottiene la velocità media di trasmissione:

Una volta misurata la probabilità di perdita di pacchetti, si determina la velocità e da qui la funzione flusso. Supponiamo una funzione di probabilità di perdita di pacchetti del tipo:

dove Çmax è la densità massima supportata da una linea e d è un valore soglia prefissato. A partire da tale probabilità si ricava una velocità media di trasmissione:

e la funzione flusso che è una funzione a “tendina”.

Al fine di modellare reti complesse costituite da router e switch, si è introdotto un modo per risolvere le dinamiche ai nodi in cui si intersecano molte linee proponendo due diversi algoritmi di instradamento: (RA1) I pacchetti vengono mandati dalle linee entranti alle uscenti in accordo alla loro destinazione finale e massimizzando il flusso. (RA2) I pacchetti vengono spediti sulle linee di uscita per massimizzare il flusso attraverso il nodo. Le differenze principali tra i due algoritmi sono le seguenti. Il primo manda semplicemente ogni pacchetto sulla linea di uscita che viene scelta in maniera naturale in accordo alla destinazione finale del pacchetto stesso. L’algoritmo è cieco a possibili sovraccarichi di alcune linee uscenti e, con qualche abuso di notazione, è simile al comportamento di uno switch. Il secondo algoritmo, al contrario, spedisce i pacchetti sulle linee di uscita considerando i carichi, e quindi ridirezionando possibilmente i pacchetti. Ancora con qualche abuso di notazione, questo è simile al comportamento di un router. L’algoritmo di instradamento RA1 può essere descritto da due regole (A e B) ed è stato già usato per il traffico urbano (si veda sopra). In particolare, viene assegnata una matrice A di distribuzione del traffico che descrive le percentuali di pacchetti che da una linea entrante vengono indirizzate verso le uscenti. Il secondo algoritmo RA2, invece, non è stato considerato per il traffico urbano perché il ridirezionamento delle auto non è atteso da un punto di vista modellistico (ad eccezione di speciali situazioni, come la chiusura di una strada) in quanto i tempi di percorrenza delle auto variano sensibilmente al variare della lunghezza del percorso. Per determinare in maniera unica le soluzioni ai problemi di Riemann sono stati introdotti alcuni parametri aggiuntivi, chiamati parametri di priorità, che descrivono le priorità tra le linee entranti e i parametri di distribuzione del traffico che hanno lo stesso significato della matrice di distribuzione del traffico. Stime sulla variazione totale del flusso hanno permesso di costruire una soluzione entropica ai problemi di Cauchy. Mentre per il primo algoritmo si riesce solo a determinare una stima per la variazione del flusso, per il secondo la variazione del flusso in un nodo si conserva per interazioni delle onde con le linee di trasmissione e ciò consente di ottenere stime sulla variazione totale della densità e di provare l’unicità e la dipendenza lipschitziana per soluzioni sull’intera rete. Quest’ultima è stata provata utilizzando la tecnica dei vettori tangenti e cioè introducendo una metrica tipo Finsler su L¹. Più precisamente, la distanza tra le soluzioni è misurata lungo cammini in L¹ che ammettono vettori tangenti generalizzati. Il punto chiave è che la norma dei vettori tangenti decresce all’interno di ciascuna li-

35

lettera matematica

76

I N T E R V E N T I

I N T E R V E N T I

nea mentre, per le interazioni con le onde, l’evoluzione è determinata dalla variazione di flusso. I risultati ottenuti mostrano che la scelta di un algoritmo di tipo router, ad esempio RA2, implica stabilità delle soluzioni rispetto alla perturbazione dei dati, in opposizione all’instabilità ottenuta con quello di tipo switch. Uno dei drawbacks dei precedenti algoritmi è che essi non considerano il percorso globale dei pacchetti, provocando quindi la possibile formazione di loop. Per esempio, si consideri una rete di telecomunicazioni in cui alcuni nodi sono congestionati: se usiamo solo l’algoritmo RA2, i pacchetti non vengono ridirezionati verso i nodi congestionati e quindi possono entrare in loop.

Figura 12 Topologia della rete simulata Per simulare il comportamento dei flussi con l’algoritmo RA1, vengono definite le seguenti matrici di distribuzione del traffico per i due nodi della rete mentre, nel caso in cui i nodi smistino i pacchetti secondo l’algoritmo RA2, si fissano per ciascun nodo i parametri di priorità e distribuzione per le linee entrati ed uscenti (vedi Tabella 1).

36

l1 0.8 0.2 Figura 11 Rete congestionata Quest’ultimi vengono evitati se consideriamo che i pacchetti, originati da una sorgente e con un’assegnata destinazione, hanno percorsi precisi all’interno della rete (si veda Box 4). Per capire le principali differenze tra gli algoritmi RA1 e RA2, possiamo mostrare un esempio di simulazione, costituito dalla rete in Figura 12 composta da due incroci aventi ognuno due linee entranti e due linee uscenti. l2 0.4 0.6

l4 0.8 0.2 l5 0.3 0.7

l2 l7

l3 l6

Nome l1 l2 l3 l4 l5 l6 l7

Priorità 0.3 0.2 / 0.7 0.8 / /

Distribuzione / 0.8 0.4 / / 0.6 0.2

Tabella 1 Coefficienti di distribuzione per l’algoritmo RA1 (a sinistra) e coefficienti di priorità e distribuzione per l’algoritmo RA2 (a destra)

BOX 4
A tal fine, il modello descritto è stato raffinato accoppiando alla legge di conservazione un’equazione semilineare:

in cui il vettore π descrive su ogni linea di trasmissione i tipi di traffico ovvero le percentuali di pacchetti che vanno da una fissata sorgente ad un’assegnata destinazione ([9]). Sono state considerate differenti funzioni di distribuzione del traffico che descrivono diverse strategie di instradamento:

ad una giunzione, il traffico da una sorgente s e con destinazione finale d, proveniente dalla linea di trasmissione i, viene instradato su un’assegnata linea j; ad una giunzione, il traffico da una sorgente s e con destinazione finale d, proveniente dalla linea di trasmissione i, viene instradato su più linee uscenti secondo percentuali fisse. A partire dalla funzione di distribuzione del traffico ed usando il vettore p, si è determinata la matrice di distribuzione del traffico. Poi, sono stati proposti metodi per ri-

solvere i problemi di Riemann considerando gli algoritmi di instradamento RA1 e RA2. Il punto chiave per costruire una soluzione sull’intera rete, usando il metodo del WaveFront Tracking, è derivare alcune stime BV su soluzioni approssimate costanti a tratti in maniera tale da passare al limite. Nel caso in cui il traffico alle giunzioni venga distribuito sulle linee uscenti in accordo ad alcuni coefficienti di probabilità, sono state derivate stime sulla funzione di densità dei pacchetti e sulle funzioni di tipo-traffico per l’algoritmo RA2 per provare l’esistenza di soluzioni ai problemi di Cauchy.

76

lettera matematica

In Figura 13, riportiamo la simulazione delle densità sulle linee della rete nello stesso istante temporale con i due diversi algoritmi (RA1 a sinistra, RA2 a destra).

Figura 13 simulazioni effettuate con dato al bordo sulle linee l1, l4 e l5, rispettivamente, pari a 0.3, 0.3, 0.35, dato al bordo sulle linee l3, l6 e l7 pari a zero; il colore viola corrisponde ad alte densità di pacchetti

Si può notare che, per l’algoritmo RA1, si forma una coda sui link l4 e l5 dovuta alla natura stessa dell’algoritmo che smista i pacchetti senza considerare lo stato dei link di uscita. Invece, nelle stesse condizioni di simulazione, non c’è alcuna coda se si usa l’algoritmo RA2. Infatti, quest’ultimo prevede la massimizzazione del flusso di pacchetti sia sulle linee entranti che su quelli uscenti ai nodi. I risultati delle simulazioni mostrano chiaramente le differenze tra gli algoritmi confermando la scelta dell’algoritmo RA2 per la modellazione delle reti di dati. Anche per il modello di flusso dati sono state sviluppate tecniche di ottimizzazione, ottimizzando due funzionali di costo, J1 e J2, che si riferiscono rispettivamente alla velocità media dei pacchetti in circolo sulla rete e ai tempi di percorrenza. L’ottimizzazione è fatta su coefficienti di distribuzione e parametri di priorità per incroci con due linee entranti e due linee uscenti. Poi i risultati ottimi locali con la strategia descritta per il traffico stradale vengono usati per l’ottimizzazione di reti con più incroci semplici. La procedura di ottimizzazione è stata testata su una rete con 24 nodi e 60 linee ([5]), mostrata in Figura 14. I risultati numerici sono stati ottenuti considerando gli stessi tipi di simulazione già esaminati per il traffico stradale, con l’aggiunta del caso random statico per il quale i parametri della rete vengono scelti casualmente nell’istante iniziale di simulazione e poi mantenuti costanti fino alla fine della simulazione stessa. Si suppone che le linee della rete abbiano dati iniziali molto alti, prossimi alla massima densità consentita per ogni linea. A differenza del caso del traffico stradale, poiché viene utilizzata una funzione di flusso diversa, sono stati definiti diversi algoritmi di ottimizzazione per i funzionali J1 e J2 a cui si fa riferimento in Figura 15.

Figura 14 Topologia della rete di telecomunicazioni

37

Figura 15 Andamento del funzionale J1 (a sinistra) e J2 (a destra). Curva viola: random statico; curva blu: fisso; curva verde: random dinamico; curva rossa: ottimo

lettera matematica

76

I N T E R V E N T I

I N T E R V E N T I

38

Si può notare come l’andamento di J2 nella simulazione random dinamica sia molto simile a quella ottima, fenomeno che non si verifica per J1. Inoltre, l’algoritmo di ottimizzazione per J1 presenta una caratteristica interessante: per tempi piccoli il comportamento ottimo di J1 è peggiore della configurazione fissa; per tempi grandi, invece, il caso ottimo è il più alto come del resto ci si aspetta. Focalizzando l’attenzione sulla simulazione random dinamica, ci si può chiedere se sia preferibile una procedura di questo tipo ad una ottima dal momento che le prestazioni della rete (come evidente dal funzionale J1) sembrano essere le stesse. In realtà, effettuare una simulazione random dinamica significa simulare la rete in condizioni molto caotiche con conseguente origine di strani fenomeni (picchi di densità su alcune linee in alcuni istanti di tempo) che non possono essere ben modellati. Questa situazione è evidente nella Figura 16 che mostra l’andamento della densità sulla linea 13 della rete. La scelta di questa linea è essenziale dal momento che è una di quelle che si trovano nel centro della rete ed è fortemente influenzata dalle dinamiche dei vari nodi. Dall’analisi della Figura 16 è possibile notare che l’andamento della densità che si ottiene con la simulazione ottima risulta più regolare di quella ricavata con una simulazione random dinamica, che si presenta molto oscillante.

con Ç densità di oggetti processati e m massima capacità di produzione. È ben noto che l’equazione (3) può non ammettere soluzione per m non regolare. Si è dunque proposto un modello misto continuo-discreto (si veda Box 5) ovvero una catena di produzione descritta da archi continui e nodi discreti, il che significa che la dinamica di carico è risolta in maniera continua sugli archi e ai nodi, imponendo la conservazione della densità delle merci ma non della frequenza di produzione ([11]).

BOX 5
La dinamica su ogni arco è modellata da un sistema di due equazioni: una legge di conservazione per la densità delle merci e un’equazione di evoluzione per la frequenza di produzione:

con:

dove assumiamo:

L’evoluzione ai nodi Pk è stata descritta risolvendo problemi di Riemann per l’equazione di densità (4) con i dati m come parametri. k È possibile considerare il caso di diversi flussi f e per ogni linea Ik (anche scegliendo e dipendente da k) e il caso di diverse pendenze mk per ogni linea, considerando il flusso seguente:

dove mk ≥ 0 rappresenta la velocità di ciascun processore e è data da: Figura 16 Comportamento della densità sulle linea 13 della rete nel decimo istante di simulazione; curva rossa: ottimo; curva blu: random dinamico

con Lk e Tk, rispettivamente, lunghezza fissata e tempo di produzione del processore k.

4. Gestione di catene di produzione
Uno dei primi modelli continui per catene di produzione è presentato in [1] dove gli autori, passando al limite nei modelli discreti, hanno ottenuto la legge di conservazione: (3) Sono state discusse possibili scelte di soluzioni ai nodi Pk garantendo la conservazione dei flussi per (4). Una scelta è quella di fissare la regola: (SC1) Il flusso di densità entrante è uguale a quello uscente. Se esiste una soluzione con onde nella sola densità Ç,

76

lettera matematica

allora viene presa tale soluzione; altrimenti, viene considerata la soluzione che produce minime variazioni di m. Per il Riemann solver corrispondente alla regola SC1, si è provata l’esistenza di soluzioni mediante stime accurate della variazione totale di f(Ç,m) (per dati iniziali BV). Come accade per altri modelli macroscopici su rete (vedi [8]) una stima diretta della variazione totale di Ç non è possibile. È interessante notare che, anche all’interno delle sotto-catene, viene ottenuto il controllo della variazione totale del flusso ragionando solo sul particolare Riemann solver scelto. Ancora, TV(Ç) è dell’ordine di (1/e) TV(f) e quindi non si ha un bound uniforme per un e arbitrario.

La regola SC1 corrisponde al caso in cui vengono fatti aggiustamenti della frequenza di produzione solo se necessario mentre la densità Ç può essere regolata liberamente. Da un punto di vista modellistico ciò è plausibile in quanto variazioni della frequenza di produzione richiedono la riprogettazione della catena di produzione, con conseguente notevole aumento dei costi e dei tempi, mentre aggiustamenti della densità possono essere fatti facilmente (stoccaggio). Nonostante la regola SC1 sia la più naturale anche da un punto di vista geometrico, nello spazio dei dati di Riemann, produce onde solo con bassi valori di m. Come conseguenza, in alcuni casi il valore della frequenza di produzione non

BOX 6
Consideriamo una catena con N = 4 processori e imponiamo i seguenti dati iniziali e condizioni al bordo:

Processore k 1 2 3 4

Lk 99 15 10 8

mk 1 1 3 1

Tabella 3 Parametri per la catena di produzione In Figura 17 viene rappresentata l’evoluzione temporale della densità, del flusso e della frequenza di produzione ottenute mediante il Riemann solver SC3 per e = 0.1. Poiché l’algoritmo SC3 massimizza il flusso e aggiusta la frequenza di produzione solo se necessario, minimizzando i cambiamenti, vediamo che la frequenza di produzione del primo processore inizialmente uguale a 22, in accordo alla Tabella 3, viene abbassato per massimizzare il flusso. Lo stesso succede per gli altri processori ma il fenomeno è meno evidente a causa dei valori iniziali della frequenza di produzione che sono bassi. Inoltre osserviamo che il secondo processore è caratterizzato da un flusso consistente di merci.

dove l’intervallo spaziale è [0, 6] e il tempo di osservazione è Tmax = 20, con Dx=0.1 e Dt=0.05. Su ogni processore, assumiamo m(0,x) = mk e i dati al bordo entranti ed uscenti dati da mk. Notiamo che in questo caso il profilo di input Ç1(t, 0) eccede la massima capacità del processore. Assumiamo una velocità di produzione fissa su ogni processore, precisamente

39

dove Lk è la lunghezza della sotto-catena e Tk il tempo di processamento (vedi Tabella 3).

Figura 17 Andamento di densità, flusso e frequenza di produzione

lettera matematica

76

I N T E R V E N T I

I N T E R V E N T I

40

aumenta e non è possibile massimizzare il flusso. Per evitare questo problema, sono state analizzate due differenti regole per risolvere le dinamiche ad un nodo (vedi [7]): (SC2) Gli oggetti vengono processati per massimizzare il flusso con il minimo valore della frequenza di produzione. (SC3) Gli oggetti vengono processati per massimizzare il flusso. Se esiste una soluzione con sole onde nella densità, allora viene presa tale soluzione; altrimenti, viene prodotta la minima onda m. In accordo alle regole SC2 e SC3 sono stati definiti due Riemann solver. Mediante simulazioni numeriche, si è osservato che SC1 appare molto conservativo (come aspettato) mentre SC2 e SC3 sono più elastici, permettendo così dinamiche più ricche (si veda Box 6). La differenza principale tra SC2 e SC3 è la seguente. L’algoritmo SC2 tende a fare aggiustamenti della frequenza di produzione più di SC3, anche quando non è necessario per scopi di massimizzazione del flusso. Quando delle onde oscillanti raggiungono una sotto-catena, SC2 reagisce tagliando tali oscillazioni. In conclusione, SC3 è più appropriato per riprodurre anche il noto effetto bull-whip ovvero, sotto certe condizioni (ritardi nell’adattamento della produzione o frequenze di trasporto), le oscillazioni nella consegna e nel risultante livello di stoccaggio dei prodotti crescono da un produttore al precedente, portando instabilità rispetto alla perturbazione nella frequenza di consumo. Il modello descritto consente di trattare il caso di catene, ovvero di processori sequenziali, modellate da una linea reale vista come una sequenza di sotto-catene corrispondenti a intervalli reali. Recentemente (vedi [10]), si è proposta un’estensione del modello a reti di produzione considerando due tipi di nodi che sono i più comuni nelle normali catene di produzione: nodi con una sotto-catena entrante e più uscenti e nodi con più sotto-catene entranti e una sotto-catena

uscente. I problemi di Riemann sono stati risolti fissando gli algoritmi di smistamento RA1 e RA2, simili ai precedenti per le reti di dati, combinati con le regole SC2 e SC3. Per capire i meccanismi descritti dalla regole considerate, illustriamo alcuni esempi reali di reti di produzione. Analizziamo il comportamento di una rete di produzione per l’imbottigliamento di succo di frutta alla pera e alla mela, il cui schema è presentato nella figura seguente in Figura 18. Le bottiglie provenienti dall’arco I1 vengono sterilizzate al nodo 1. Poi, le bottiglie sterilizzate vengono direzionate al nodo 3, dove viene imbottigliato il succo di mela, con probabilità a e con probabilità 1 - a verso il nodo 4, che produce bottiglie con il succo di pera. Nei nodi 5 e 6 le bottiglie vengono etichettate, rispettivamente, per il succo di mela e il succo di pera. Infine, nel nodo 7 le bottiglie vengono tappate. Si assuma che le bottiglie di succo di pera e mela siano prodotte utilizzando due differenti forme di bottiglia. Le bottiglie vengono indirizzate dall’arco I2 alle sottocatene uscenti I3 e I4 in cui vengono riempite con succo di mela o di pera in accordo alla forma della bottiglia e quindi in accordo alla loro destinazione finale: la produzione di succo di frutta di mela o di pera. In un modello capace di descrivere questa situazione, la dinamica al nodo 2 viene risolta usando l’algoritmo RA1. Infatti, non è possibile la ridirezione delle bottiglie per massimizzare la produzione sia sulle sotto-catene entranti che su quelle uscenti dal momento che le bottiglie con succo di mela e succo di pera hanno forme differenti. Si consideri una rete di produzione per tazze colorate, il cui schema è nella seguente figura:

Figura 19 Nodo per verniciare le tazze

Figura 18 Grafo della rete di produzione per imbottigliamento di succhi di frutta

Le tazze bianche vengono indirizzate verso n sotto-catene in cui vengono colorate usando colori diversi. Dal momento che si vuole massimizzare la produzione delle tazze indipendentemente dai colori, viene realizzato un meccanismo che indirizza le tazze sulle sotto-catene uscenti considerando il carico in maniera tale da massimizzare i flussi sia sulle sotto-catene entranti che sulle uscenti. Segue subito che questo modello è basato sulla regola RA2.

76

lettera matematica

BIBLIOGRAFIA
[1] D. Armbruster, P. Degond and C. Ringhofer, “A Model for the Dynamics of Large Queuing Networks and Supply Chains” in SIAM J. Applied Mathematics, SIAP, Vol. 66, No. 3, 2006, pp. 896-920. [2] A. Bressan, Hyperbolic Systems of Conservation Laws - The One-dimensional Cauchy Problem, Oxford Univ. Press, 2000. [3] A. Cascone, C. D’Apice, B. Piccoli, L. Rarità, “Optimization of traffic on road networks” in Mathematical Models and Methods in Applied Sciences (M3AS), Vol. 17, No. 10, 2007, pp.1587-1617. [4] A. Cascone, R. Manzo, B. Piccoli, L. Rarità, “Optimal vs randomness for car traffic regulation” in Physica Review E, Vol. 78, No. 2, 2008, pubblicazione online agosto 2008, DOI: 10.1103/PhysRevE.78.026113. [5] A. Cascone, A. Marigo, B. Piccoli, L. Rarità, “Decentralized optimal routing for packets flow on data networks”, in Discrete and Continuous Dynamical Systems - Series B (DCDSB), Vol. 13, No. 1, pp. 59-78, 2010. [6] G. Coclite, M. Garavello, B. Piccoli, “Traffic Flow on Road Networks” in SIAM J. Math. An., No. 36, 2005, pp. 1862-1886.

[7] C. D’Apice, G. Bretti, R. Manzo, B. Piccoli, “A continuumdiscrete model for supply chains dynamics” in Networks and Heterogeneous Media (NHM), Vol. 2, No. 4, 2007, pp. 661-694. [8] C. D’Apice, R. Manzo, B. Piccoli, “Packets flow on telecomunication networks” in SIAM Journal of Mathematical Analysis, Vol. 38, No. 3, 2007, pp. 717-740. [9] C. D’Apice, R. Manzo, B. Piccoli, “A fluid dynamic model for telecommunication networks with sources and destinations” in SIAM Journal on Applied Mathematics (SIAP), Vol. 68, No. 4, 2008, pp. 981-1003. [10] C. D’Apice, R. Manzo, B. Piccoli, “Modelling supply networks with partial differential equations”, in Quarterly of Applied Mathematics, Vol. 67, No. 3, pp. 419-440, 2009. [11] C. D’Apice, R. Manzo, “A fluid-dynamic model for supply chain” in Networks and Heterogeneous Media (NHM), Vol. 1, No. 3, 2006, pp. 379-398. [12] M. Garavello, B. Piccoli, “Traffic flow on networks” in AIMS book series on Applied Mathematics, 2006. [13] M. Garavello, B. Piccoli, “Conservation laws on complete networks”, in Annales de l’Institute Henri Poincarè (C) Analyse non linéaire, Vol. 26, No.5, pp. 1925-1951, 2009.

41

La scuola romana di raggi cosmici
di F. Foresta Martin e Geppi Calcara Nella seconda metà degli anni Trenta, per iniziativa di Gilberto Bernardini e Edoardo Amaldi, si realizzò a Roma una vasta collaborazione fra fisici e geofisici, finalizzata allo studio dei raggi cosmici, nell’ambito del neo costituito Istituto Nazionale di Geofisica del CNR diretto da Antonino Lo Surdo. Un volume appena uscito, nel ricostruire la nascita e la prima fase di sviluppo dell’Istituto Nazionale di Geofisica, dedica un intero capitolo a questa impresa dimenticata, che fu l’antefatto dello storico esperimento Conversi, Pancini e Piccioni (CPP). Pubblichiamo qui alcuni passi tratti da “Per una storia della geofisica italiana”, collana i blu - pagine di scienza, © Springer Italia 2010, per gentile concessuine dell’editore.
lettera matematica 76

I N T E R V E N T I

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->