estrategias coordinadas en la extinciÓn...este proceso se repite hasta obtener la n-ésima muestra...

JORNADASTÉCNICAS SICUR

JORNADA SOBRE INCENDIOS FORESTALES

Madrid, 23 de febrero de 2018

ESTRATEGIAS COORDINADAS

EN LA EXTINCIÓN

José Ramón Peribáñez Recio

Inspector Cuerpo de Bomberos Comunidad de MadridDoctor Ingeniero de Montes – Universidad Politécnica de Madrid




EXTINCIÓN

DETECCIÓN

TRATAMIENTO INFORMATIVO

CICLO GLOBAL EMERGENCIAS

PREVENCIÓN

REHABILITACIÓN

UBICACIÓN DE LA ACCIÓN


Dr Ingeniero UPM - –Inspector CBCM

EXTINCIÓN

DETECCIÓN


SISTEMAS COMPLICADOS

PREVENCIÓN

REHABILITACIÓN

SISTEMAS

FRÁGILES

GRAN SUCESO

SINIESTROS SIMULTÁNEOS



Trabajo/contaminantes -Recurso/Optimizacion.bmp

Trabajo/contaminantes -Recurso/Optimizacion.bmp




RECURSOS

NIVELES DE EMERGENCIA

TERRITORIO

PREVENCIÓN

TAREAS

TIPO DE ADMINISTRACIÓN



INDICADORES ACTORES

PÚBLICO, VOLUNTARIOS PC, MILITAR, PRIVADOS, POBLACIÓN CIVIL, ETC.MEDIBLES, OPTIMIZABLES MATEMÁTICAMENTE




RECURSOS


TERRITORIO

DETECCIÓN

TAREAS


INDICADORES ACTORES





RECURSOS


TERRITORIO

EXTINCIÓN

TAREAS


INDICADORES ACTORES





RECURSOS


TERRITORIO


TAREAS


INDICADORES ACTORES





RECURSOS


TERRITORIO

REHABILITACIÓN

TAREAS


INDICADORES ACTORES





Toma de decisiones y niveles de organización

En la toma de decisiones de las emergencias es pertinente distinguir tres tipos de decisión:

1. Estratégicas2. Tácticas3. Operativas






HERRAMIENTAS:

- CATÁLOGO DE RECURSOS MOVILIZABLES. - nuestros conocimientos de: estrategias, tácticas y metodologías de intervención.

Cada combinación de estos tres factores puede denominarse Plan de Acción.

FUNCIÓN GLOBAL A OPTIMIZAR:

“lograr los objetivos con el menor coste para cada uno de ellos y priorizados de antemano”

Nota: salvo el rescate de posibles víctimas hay que ser valiente y estudiar el éxito de los otros objetivos no siempre en función del tiempo sino del menor coste final que puedan tener. A veces la mejor elección supone asumir “cierta” derrota de antemano y hay que ser valiente para asumirlo. Siempre puede surgir algún sabio a posteriori crítico.






Hay que ponderar la probabilidad de éxito de cada Plan de Acción posiblecondicionado al instante en el que se opta por uno en concreto.

IMPORTANTE: la probabilidad de éxito de un Plan de Acción depende delinstante en que se decide su aplicación:

si su aplicación comienza en un instante t1, donde Pt1 éxito (Plan A) > Pt1 éxito(Plan B) y el Plan A óptimo es desconocido, es mejor optar por el Plan B a dejarpasar un tiempo “pensando”. Puede darse el caso, muy habitual, que Pt1 éxito(Plan B) > Pt2 éxito (Plan A)






Condicionantes para diseñar un Plan de Acción:

- debe ser abierto, es decir capaz de automodificarse y mejorar.- debe ser revisable. Tiene que tener puntos de control de su funcionamiento- capaz de integrarse con otros planes de acción






Formulación del problema.

Sea Ω el conjunto de todas las posibles alternativas (w) y sea X el campo aleatorio que representa la ocurrencia

de las posibles alternativas. Este campo está constituido por variables aleatorias dependientes Xt (t ∈ C ⊂ ℕ),

que pueden tomar un número discreteo de hasta L valores diferentes en cada sub-índice t. Si, simultáneamente,

ocurre que:

a. P (X = w) > 0 y

b. ∀s∈C ⇒ P [ Xs = xs / Xr = xr , s ≠ r] = P [ Xs = xs / Xt = xt , t ∈ v(s)], donde v(s) es el conjunto de

sub-índices vecinos de s.

entonces X es un Campo Aleatorio Markoviano (CAM) y la ley que define la probabilidad de que una

alternativa es la mejor sigue la distribución de Gibbs (Kinderman y Snell, 1980):

P (X = w) = [1/Z]e -U(w)/T

donde –U(w) es la utilidad (el valor) que el individuo considerado asigna a la alternativa w -y que se deduce de

su sistema de preferencias-; T es una constante y Z es una constante de normalización: Z = ∑w∈Ω e -U(w)/T.






Sobre esta distribución es posible construir un proceso de muestreo -

enfriamiento simulado- (ver, por ejemplo, Geman y Geman, 1980 y los ya

citados Kirkpatrick et al y Cerny; si bien los primeros trabajos se retrotraen a

Pincus, 1968 y 1970) que converge más rápidamente a la alternativa con

mayor probabilidad de ser la mejor (w*) que otros sistemas convencionales

de muestreo (Monte-Carlo).






Muestreador

Sea P(w) la ley de probabilidad de que una alternativa (w) sea la mejor de

las pertenecientes al conjunto Ω. Con objeto de seleccionar la alternativa

con mayor probabilidad de ser la mejor (w*) se define una nueva ley de

probabilidad: Pλ(w) = Pλ(w) λ / ∑w∈Ω Pλ(wi)λ . Si λ→∞, la distribución de

Pλ(w) tiende a concentrarse sobre el valor de w con mayor probabilidad

(w*). Por tanto, si se muestrea sobre Pλ(w), con λ grande, nos

encontraremos -con alta probabilidad- muy cerca de w*.






Al muestrear aleatoriamente sobre la ley de probabilidades P1(w) -para λ=1-, se obtiene una

alternativa (w1), su ocurrencia modificará la ley de probabilidad con en el siguiente valor de λ

(λ=2) que, según el teorema de Bayes, permite calcular la distribución a posteriori:

P2[w / w1] ∝ Verosimilitud(w, w1) × P2(w)

Si se sustituye λ por 1/T y se adopta como distribución a priori la distribución de Gibbs, con una

función de energía U(w), entonces la distribución a posteriori también será una distribución de

Gibbs con función de energía UP(w):

UP(w) = U(w) + g{‖U(w)-U(w*)‖}

y λ→∞ significa la disminución de T hasta 0. Entre otros, Mitra et al (1986), han demostrado

que cambios en T proporcionales a 1/ln n (n es número de muestras realizadas hasta el estado

analizado) son suficientes para asegurar la convergencia al óptimo.






Operacionalmente, el proceso anterior supone elegir un valor T1 y obtener una muestra

(w1) de la distribución [1/Z] exp{-U(w)/T1}. A continuación se disminuye la temperatura en

una cantidad proporcional a 1/ln 2 (T2) y se obtiene una segunda realización muestral de la

distribución [1/Z2] exp{-U2(w)/T2}. Este proceso se repite hasta obtener la n-ésima muestra

con una temperatura:

Tn = k T1 / ln n = kb Tn-1.

La aplicación directa del proceso anterior supone que siempre se cambia hacia alternativas

con mayor probabilidad de ser las mejores. Por tanto, el proceso se detendrá cuando se

alcance un óptimo local. Para solucionar este problema se incorpora un mecanismo de

relajación estocástica que permite saltos aleatorios a estados de menor probabilidad.






• PROPORCIONALIDAD DE MEDIOS

PRINCIPIOS :

OBJETIVOSMarcar prioridades:- Personas, vidas-Bienes, medio ambiente

• OPORTUNIDAD• CELERIDAD

ESTRATEGIAS COORDINADAS EN LA EXTINCIÓN






J.Eugenio Martínez Falero.

Catedrático Estadística e Investigación OperativaUniversidad Politécnica de Madrid.

Susana Martín Fernández

Profesora Titular de Estadística e Investigación Operativa.Universidad Politécnica de Madrid.

José Ramón Peribánez Recio.

Dr. Ingeniero de MontesInspector Cuerpo de Bomberos Comunidad de Madrid

PIRÓMACOS: SISTEMA PARA EL CONTROL DE INCENDIOS

FORESTALES




Calor por unidad de área(kcal,/m2)

Humedad básica combustible fino muerto

1% 3% 6% 10% 15% 25%

Humedad básica combustible vivo

300%

7859 6504 37942913,25

2710 0

200%

8130 7046 5555,52913,25

2710 0

100%

8401 7317 6504379

42710 0

50%8536

,57588 6910,5

5691

2710 0

30% 9756 8672 7723,5677

55691 0

Calor por unidad de área producido en un incendio de las características descritas en la






Velocidad de propagación del incendio en el sentido del viento dominante; para el combustible tipo I y con pendiente del 0%

Velocidad de propagación del fuego (m./min.)

Humedad básica combustible fino muerto

1% 3% 6% 10% 15% 25%

Humedad básica combustible vivo

300% 56 44 36 30 0 0

200% 70 55 45 37 0 0

100% 95 74 60 49 0 0

50% 114 88 71 58 0 0

30% 124 96 77 63 0 0






Ejemplo, información tabular de rendimientos para un ataque indirecto con bulldozer general de 90 C.V. de potencia, en función de la pendiente

y del tipo de combustible, y con una anchura de cortafuego definida.

Anchura cortafuegos

Modelo combustible

0-25%

26-40%

41-55%

(-25) -0%

(-26) - (-40)%

(-41) - (-55)%

1 1 25 15 6,7 35 35 23,4

1 2 25 15 6,7 35 35 23,4

1 3 20 11,7 3,3 26,8 25 15

2 4 5 2,5 0,7 6,8 6 1,5

1 5 20 11,7 3,3 26,8 25 15

2 6 7,5 4 1,5 10 9 3,5

3 7 5 2,7 0,9 6,7 6 2

2 8 10 6 1,5 13 12,5 7,5

7 9 2 1 0,3 3 2,6 1

10 10 0,33 0,17 0,03 0,5 0,3 0.06

5 11 1,4 0,66 0,13 2 1,34 0,2

7 12 1 0,5 1 1,5 1 0,15

10 13 0,33 0,17 0,03 0,5 0,3 0,06






Elección de los algoritmos de combate

Como alternativas de optimización, se han analizado distintos procedimientos (métodosbayesianos, tabu search, algoritmos genéticos, redes neuronales, sistemas expertos,multiplicadores generalizados, etc.) y se ha acudido a soluciones adaptativas bayesianas,acordes con la infonnación disponible (datos promedios), que además aseguran alcanzar unÓptimo de características conocidas. Para aumentar la velocidad de cálculo (se requiereconseguir una realimentación del modelo en periodos de pocos minutos) se aceptansimplificaciones consistentes, como: la sustitución de la condición de consistencia deKolmogorov, por las de continuidad de las funciones muestrales, homogeneidad de la funciónde partida e independencia en la derivadas parciales (simplificación de Mockus, 1989), y laimplementación del Modelo Condicional Iterativo en lugar del simulated annealing original.






Está elección, tan bien se justifica al analizar los procedimientos existentes. Una revisiónbibliográfica pone de manifiesto la existencia de dos tipos de modelos: los basados en laoptimización directa de funciones continuas, que se ajustan a la expansión del incendio y altrabajo de los recursos de extinción (Kurbatskii y Tsvetko, 1976; Martell, 1971; Gerasimov yDorrer, 1988; etc.) y los basados en la aplicación de sistemas expertos (Wybo, 1992). Sinembargo, la naturaleza caótica del comportamiento del fuego y de los recursos de extinciónimpide la utilización de sistemas basados en la optimización directa de funciones continuas.Por otra parte, la aplicación de sistemas expertos proporciona resultados que no consideran lacomparación de diferentes alternativas de combate, por tanto; no pueden asegurar la noexistencia de alternativas de combate mejores a la propuesta. Por estos motivos, en laactualidad se aconseja la utilización de modelos de simulación (Gilless, 1991). Losprocedimientos aplicados en PIROMACOS combinan la flexibilidad de la simulación con larapidez de cálculo de la solución óptima






LOS GRANDES SUCESOS Y LA SIMULTANEIDAD DE SINIESTROS

Es mucho más correcto y más realista centrar los esfuerzos en controlar la fragilidad ovulnerabilidad de un sistema de respuesta ante las emergencias y mejorarlo que tratar de predecirla ocurrencia de riesgos muchas veces casi impredicibles.

La gestión de riesgos muchas veces comete grandes errores. Cuando se pondera la probabilidad deocurrencia de un “gran suceso” los responsables se basan muchas veces únicamente en la serieshistóricas habidas hasta ese instante. Por tanto no contemplan que pueda ocurrir nada “másgrave” de lo que haya sucedido hasta ese momento. Es un gran error cuando son precisamenteestos “grandes sucesos” los que tienen mayores consecuencias.

Por muy “grande” que haya sido el suceso acaecido siempre, por desgracia, puede haber otro “másgrande” no contemplado. Por tanto parece mucho más correcto actuar en mayor medida sobre lavulnerabilidad del sistema que sobre la incierta predicción de riesgos.






LOS GRANDES SUCESOS Y LA SIMULTANEIDAD DE SINIESTROS

Todo ello sin abandonar lógicamente la predicción científica / técnica de riesgos naturales ytecnológicos pero teniendo siempre en consideración los efectos dominó en las catástrofes y el factorhumano deseoso muchas veces de hacer el mal.

La simultaneidad de siniestros requiere también conocer y tener bien diseñados los sistemas derespuesta ante las emergencias. Desde un Catálogo de Recursos Movilizables verdadero hastapersonas y organizaciones adecuadamente formadas y dotadas para ello.

Estos grandes sucesos y esta simultaneidad de siniestros pueden sacar a la luz la verdaderafragilidad de nuestros sistemas de respuesta. Las tecnologías aplicadas sin criterio pueden provocarel caos y hacer perder grandes oportunidades de mejora.



EXTINCIÓN

DETECCIÓN


SISTEMAS COMPLEJOS

PREVENCIÓN

REHABILITACIÓN

SISTEMAS ADAPTATIVOS

ROBUSTOS

GRAN SUCESO

SINIESTROS SIMULTÁNEOS

PRIMER PERIODO TIEMPO

SEGUNDO PERIODO TIEMPO



Índice de Colapso

(I.C.)

Índice de Respuesta Operativa

(I.R.O.)

Ejemplo de Indicadores en una primera iteración:

PRIMER PERIODO TIEMPO

SEGUNDO PERIODO TIEMPO






Hoy en día la cantidad de información de la que se dispone alrededor de la gestión de las emergencias va camino de ser inconmensurable. Ya no son sólo los datos relevantes para la resolución de los siniestros, que cada vez son mayores afortunadamente, sino también la que se genera en las redes sociales con el aumento del impacto que producen en la sociedad. Un mal uso de esta información puede llegar a ser crítico y provocar un caos en las consecuencias de una mala gestión de las emergencias. Hoy en día es fundamental analizar el problema en su globalidad. No hacerlo así es un enorme error






Colapso aquella situación temporal en la que se activan, dentro del Catálogo deRecursos Movilizables disponible, un alto número de efectivos y además estos estánactuando durante un periodo de tiempo significativo que genera una alta probabilidadde tener que dejar siniestros a la espera de poder ser atendidos con los efectivosadecuados y por ello una mayor probabilidad de bloqueo de la organización.

Para reflejar esta situación se ha tenido en cuenta cualquier situación en la que unrecurso está siempre ocupado en una intervención concreta pero no sólo mientrasatiende el siniestro (Duración del Servicio, DS) sino también en el tiempo quetranscurre desde que recibe el aviso hasta que llega a la intervención (Tiempo deLlegada, tll).






IC = IC t + ICDS

Con el objeto de analizar esta posible situación de colapso en una organización responsable de lagestión de medios ante una emergencia, se fórmula la siguiente expresión numérica del Índice deColapso:

IC t = (sumatorio de la duración de todos los tiempos de llegada de todos y cada uno de losintervinientes que actúan en un determinado siniestro)

IC DS = (sumatorio de la duración de todos los tiempos en los que todos y cada uno de losintervinientes actúan en un determinado siniestro)






Como valor equivalente pero en significado positivo en lo que se refierea la capacidad de dar respuesta a cualquier siniestro o conjunto desiniestros se define el Índice de Respuesta Operativo (%) como 100- IC(%) que tal como su expresión indica refleja a mayores valores mejorcapacidad de respuesta de una organización.

IRO = 100 - IC



PARQUES VEHÍCULOS FORMACIÓN

IC = IC t + ICDS

-TIPOLOGÍA DE PARQUE (4)

- CANTIDAD (1-7)

- UBICACIÓN

- EQUIVALENCIA € -TIPOLOGÍA DE -SINIESTRO

IC Fi ( € ) IC Fj ( € ) IC Fk ( € )

Situación Inicial

IC objetivo José Ramón Peribáñez Recio


PARQUES VEHÍCULOS FORMACIÓN

IC = IC t + ICDS

-TIPOLOGÍA DE PARQUE (4)

- CANTIDAD (1-7)

- UBICACIÓN

- EQUIVALENCIA € -TIPOLOGÍA DE -SINIESTRO

IC O ( € ) IC O ( € ) IC O ( € )

Situación Inicial

IC objetivo José Ramón Peribáñez Recio





CONCLUSIONES

Es mucho más fácil controlar la fragilidad o vulnerabilidad de un sistema que predecirla ocurrencia de riesgos.

La gestión de riesgos muchas veces comete grandes errores. Cuando se pondera laprobabilidad de ocurrencia de un “gran suceso” los responsables se basan muchasveces únicamente en la series históricas habidas hasta ese instante. Por tanto nocontemplan que pueda ocurrir nada “más grave” de lo que haya sucedido hasta esemomento. Un catástrofe como Fukushima nunca había sido contemplada porquenunca había sucedido. Es un gran error cuando son precisamente estos “grandessucesos” los que tienen mayores consecuencias. Por tanto parece mucho más correctoactuar en mayor medida sobre la vulnerabilidad del sistema que sobre la inciertapredicción de riesgos.






EN LOS ORIGENES ERA IMPORTANTE HACER BIEN LAS COSAS-------------------------------------

CON EL PASO DEL TIEMPO EN LAS EMERGENCIAS TAN IMPORTANTE ERA SERLO COMO PARECERLO.----------------------------------------

ACTUALMENTE EN CIERTOS ENTORNOS ES MÁS IMPORTANTE PARECERLO QUE SERLO

(abuso de redes sociales, excesiva exposición a los medios, etc)¡¡¡ PELIGRO: SISTEMAS COMPLICADOS Y SUMAMENTE

FRÁGILES !!!------------------------------------------------------------------------------------

“SABER ES HACER”

SABER -> QUERER -> PODER -> HACER -> VALERJosé Ramón Peribáñez Recio





ESTRATEGIAS COORDINADAS

EN LA EXTINCIÓN


Inspector Cuerpo de Bomberos Comunidad de MadridDoctor Ingeniero de Montes – Universidad Politécnica de Madrid

estrategias coordinadas en la extinciÓn...este proceso se repite hasta obtener la n-ésima muestra...

Documents