Aceptable o no, los aviones tienen fama de gérmenes. Sin embargo, hay formas de minimizar los riesgos.
La investigación histórica basada en movimientos grupales de humanos y animales sugiere tres reglas simples :
Esta investigación se utiliza especialmente para viajes aéreos donde existe un mayor riesgo de infección o enfermedad contagiosa, como el reciente brote mundial del coronavirus, que causa la enfermedad COVID-19.
"Las aerolíneas usan varias zonas para abordar", dijo Ashok Srinivasan, profesor del Departamento de Informática de la Universidad de West Florida. "Al abordar un avión, las personas se bloquean y se ven obligadas a pararse cerca de la persona que guarda el equipaje en el contenedor -- las personas están muy cerca unas de otras. Este problema se exacerba cuando se usan muchas zonas. Desplazar es mucho más suave y rápido: no hay tanto tiempo para infectarse ".
Srinivasan es el investigador principal de una nueva investigación sobre modelos de dinámica de peatones que se ha utilizado recientemente en el análisis de procedimientos para reducir el riesgo de propagación de enfermedades en los aviones. La investigación fue publicada en la revista PLOS UNO en marzo de 2020.
Durante muchos años, los científicos han confiado en el modelo SPED Dinámica de entidad autopropulsada, un modelo de fuerza social que trata a cada individuo como una partícula puntual, análoga a un átomo en las simulaciones de dinámica molecular. En tales simulaciones, las fuerzas atractivas y repulsivasentre los átomos gobiernan el movimiento de los átomos. El modelo SPED modifica el código y reemplaza los átomos con los humanos.
"[El modelo SPED] cambia los valores de los parámetros que gobiernan las interacciones entre los átomos para que reflejen las interacciones entre los humanos, manteniendo la forma funcional igual", dijo Srinivasan.
Srinivasan y sus colegas utilizaron el modelo SPED para analizar el riesgo de un brote de Ébola en 2015, que fue ampliamente cubierto en los medios de comunicación de todo el mundo. Sin embargo, una limitación del modelo SPED es que es lento, lo que lo hacees difícil tomar decisiones oportunas. Se necesitan respuestas rápidas en situaciones como un brote como COVID-19.
Los investigadores decidieron que era necesario un modelo que pudiera simular las mismas aplicaciones que SPED, a la vez que era mucho más rápido. Propusieron el modelo CALM para el movimiento lineal restringido de individuos en una multitud. CALM produce resultados similares a SPED,pero no se basa en el código MD. En otras palabras, CALM fue diseñado para ejecutarse rápidamente.
Al igual que SPED, CALM fue diseñado para simular el movimiento en pasillos estrechos y lineales. Los resultados de su investigación muestran que CALM se desempeña casi 60 veces más rápido que el modelo SPED. Además de la ganancia de rendimiento, los investigadores también modelaron comportamientos peatonales adicionales.
"El modelo CALM superó las limitaciones de SPED donde se requieren decisiones en tiempo real", dijo Srinivasan.
Trabajo computacional usando Frontera
Los científicos diseñaron el modelo CALM desde cero para que pudiera ejecutarse eficientemente en las computadoras, especialmente en las GPU unidades de procesamiento gráfico.
Para su investigación, Srinivasan y sus colegas utilizaron Frontera, la supercomputadora # 5 más poderosa del mundo y la supercomputadora académica más rápida, según el ranking de noviembre de 2019 de la organización Top500. Frontera se encuentra en el Centro de Computación Avanzada de Texas y cuenta con el apoyo de NationalFundación de la ciencia.
"Una vez que Blue Waters comenzó a eliminarse gradualmente, Frontera fue la elección natural, dado que era la nueva máquina insignia financiada por NSF", dijo Srinivasan. "Una pregunta que tiene es si ha generado un número suficiente de escenarios para cubrirel rango de posibilidades. Verificamos esto al generar histogramas de cantidades de interés y ver si el histograma converge. Usando Frontera, pudimos realizar simulaciones suficientemente grandes que ahora sabemos cómo se ve una respuesta precisa ".
En la práctica, no es factible hacer predicciones precisas debido a las incertidumbres inherentes, especialmente en las primeras etapas de una epidemia; esto es lo que hace que el aspecto computacional de esta investigación sea desafiante.
"Necesitábamos generar una gran cantidad de escenarios posibles para cubrir el rango de posibilidades. Esto hace que sea computacionalmente intensivo", dijo Srinivasan.
El equipo validó sus resultados al examinar los tiempos de desembarque en tres tipos diferentes de aviones. Dado que una sola simulación no captura la variedad de patrones de movimiento humano, realizaron simulaciones con 1,000 combinaciones diferentes de valores y lo compararon con los datos empíricos.
Usando el subsistema GPU de Frontera, los investigadores pudieron reducir el tiempo de cálculo a 1.5 minutos. "El uso de las GPU resultó ser una elección afortunada porque pudimos implementar estas simulaciones en la emergencia COVID-19. Las GPU enLas fronteras son un medio para generar respuestas rápidas "
Pero espere: ¿los modelos no capturan eventos extremos? En términos de preparación general, Srinivasan quiere que la gente entienda que los modelos científicos a menudo no capturan eventos extremos con precisión.
Aunque se han realizado estudios empíricos exhaustivos en varios vuelos para comprender el comportamiento humano y la limpieza de las superficies y el aire, un brote de infección importante es un evento extremo; los datos de situaciones típicas pueden no capturarlo.
Hay alrededor de 100,000 vuelos en un día promedio. Un evento de muy baja probabilidad podría conducir a frecuentes brotes de infección solo porque la cantidad de vuelos es muy grande. Aunque los modelos han pronosticado la transmisión de la infección en los aviones como poco probable, ha habido varios brotes conocidos.
Srinivasan ofrece un ejemplo.
"En general, se cree que la infección se propaga en los aviones ocurre dos filas delante y detrás del paciente índice", dijo. "Durante el brote de SARS en 2002, en los pocos vuelos con propagación de infección, esto fue mayormente cierto. Sin embargo,un solo brote representó más de la mitad de los casos, y la mitad de los infectados se sentaron a más de dos filas de distancia en ese vuelo. Uno podría verse tentado a ver este brote como un caso atípico. Pero el "caso atípico" tuvo el mayor impacto,y, por lo tanto, las personas a más de dos filas de distancia representaban un número significativo de personas infectadas con SARS en los vuelos ".
Actualmente, con respecto a COVID-19, se cree que la persona infectada típica enferma a otras 2.5. Sin embargo, ha habido comunidades donde un solo 'súper-esparcidor' infectó a un gran número de personas y jugó el papel principal en un broteSegún Srinivasan, el impacto de tales eventos extremos y la dificultad de modelarlos con precisión dificultan la predicción.
"En nuestro enfoque, no pretendemos predecir con precisión el número real de casos", dijo Srinivasan. "Más bien, tratamos de identificar vulnerabilidades en diferentes políticas u opciones de procedimiento, como diferentes procedimientos de embarque en un avión. Nosotrosgenerar una gran cantidad de escenarios posibles que podrían ocurrir y examinar si una opción es consistentemente mejor que la otra. Si es así, entonces puede considerarse más sólida. En un entorno de toma de decisiones, uno puede elegir la opción más sólida, en lugar de confiar en los valores esperados de las predicciones "
Algunos consejos prácticos
Srinivasan también tiene algunos consejos prácticos para los lectores.
"Puede que todavía esté en riesgo [de tener un virus] incluso si está más lejos que seis pies", dijo. "En una discusión con los modeladores que lo defienden, parece que esos modelos no toman el flujo de aire encuenta. Así como una pelota va más lejos si la arrojas con el viento, las gotas que transportan los virus irán más lejos en la dirección del flujo de aire ".
Estas no son solo consideraciones teóricas. En Singapur, observaron que una salida de aire de escape de un inodoro utilizado por un paciente dio positivo por el nuevo Coronavirus y lo atribuyó al flujo de aire.
"Los modelos no tienen en cuenta todos los factores que impactan la realidad. Cuando hay mucho en juego, uno puede errar por el lado de la precaución", concluye Srinivasan.
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Original escrito por Faith Singer-Villalobos. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :