0

0
0

文字

分享

0
0
0

高速公路何時何地塞最大?多的是,ETC數據知道的事!

活躍星系核_96
・2017/09/19 ・3301字 ・閱讀時間約 6 分鐘 ・SR值 543 ・八年級

文 / Louis|畢業於台大土木所交通組,高考交通技術及格,交通工程技師及格

source:BY WiNG @ Wikimedia commons

在《塞車:看不見的時間小偷》一文中,我們已經討論過交通壅塞的基本觀念,本文將用實際數據來描繪交通壅塞的情形。另外,在交通管理的工作中,會使用一些圖形工具來觀察時間、空間以及交通量之間的關係,這些工具相當直覺易懂,也將於本文中一併介紹。

那我們就開始囉!

所以說那個「交通車流數據」呢?

source: Wikimedia

自 2014 年起高速公路改採計程電子收費,除使車流更順暢外,其附加價值是產生大量的交通資料,供政府單位交通管理、學術單位研究或是民間介接使用。有關高速公路局交通資料蒐集支援系統(Traffic Data Collection System,TDCS)所提供之交通資料,可至交通資料庫或是政府資料開放平臺免費下載使用。

-----廣告,請繼續往下閱讀-----

順帶一提,為能妥適應用由 ETC 所蒐集的交通資料,高速公路局透過創意競賽的手段並結合民間共同參與,以期激盪出 ETC 資料在交通管理之創意發想與應用。目前該競賽正舉辦第三屆,主題為「資料視覺化應用」,歡迎對交通科學或是資料科學有興趣的讀者朋友可以嘗試挑戰。

目前所有縱向高速公路佈設的 ETC 偵測站超過 300 座,且高速公路車輛使用 ETC 的比率達 92%,所蒐集之交通資料相當綿密,並有很好的品質,相當適合用來進行資料探勘。而本文所有數據、圖形也皆是以ETC交通資料分析繪製。

塞車,總是在不斷地重現歷史?

由於高速公路肩負中長程運輸的重要任務,根據經驗,整體而言高速公路最壅塞的時間會發生在連續假期第一天的南下方向。圖一是以今年 228 連續假期第 1 日(106 年 2 月 25日)國道 1 號南下方向的資料繪製,橫軸編號代表國道 1 號由北至南各路段,縱軸代表的是時間(0-24時),而每一個格子的顏色深淺,代表該路段-時段的平均速率,顏色越深代表速率越低,這張圖我們稱之為「時空圖」

我們在此將高速公路交通壅塞的發生,定義為速率低於每小時 40 公里以下且持續超過 2 個小時以上的路段。藉由圖一的觀察,106 年 2 月 25 日首先發生壅塞現象為湖口-竹北路段(橫軸編號 24),時間大致從早上 7 點開始,下午 5 點結束。

-----廣告,請繼續往下閱讀-----
圖一、106 年 2 月 25 日國道 1 號南下時空圖。圖/作者提供。

回顧一下去年228連續假期第 1 日(105 年 2 月 25 日,如圖二)以及今年一般假日星期六(106 年 2 月 18日,如圖三)國道 1 號南下的交通情形。可以發現,今年 228 連續假期第 1 日的車流狀況與去年 228 第 1 日較為相似,而與一般假日(如星期六)有很大的差異。我們可以知道,時間絕對是分析交通壅塞現象的重要變數,而交通壅塞現象仍是不斷的重現。

圖二、105 年 2 月 27 日國道 1 號南下時空圖。圖/作者提供。
圖三、106 年 2 月 18 日國道 1 號南下時空圖。圖/作者提供。

塞車發生的又快又急交通量與速率的關係

為方便分析,以下分析交通量,均先將 5 分鐘交通量換算成 1 小時的流率。既然壅塞是由湖口-竹北路段開始發生,便進一步針對該路段做分析。圖四為 106 年 2 月 25 日每 5 分鐘的平均速率與交通量(5 分鐘交通量換算成 1 小時)所繪之雙軸圖,從上午 6 時 40 分(虛線部份)平均速率開始快速下降,不到 60 分鐘的時間便由時速 94 公里降至低於 40 公里,隨後則是長達 5 小時的低速率。而在 6 點 40 分至 7 時 20 分之間,路段卻維持相當大的交通量(5,500~6,000 輛)。

圖四、106 年 2 月 25 日湖口-竹北路段每 5 分鐘速率。圖/作者提供。

若將前述資料以散佈圖呈現,橫軸為交通量,縱軸為平均速率,其分佈會近似於二次式線型(如圖五)。我們將 6 點 40 分至 7 點 20 分之間的樣本特別以紅色標記,可以發現這些樣本約略是線型的極值,也就是該路段經常能夠通過的最大交通量,又稱之為「容量」。

若路段交通量能夠一直接近容量,將會達到相當大的效率。但事與願違,交通量接近容量時,路段上的車間距已經達到臨界值,其狀況相當不穩定,一點擾動就會造成壅塞開始發生,因此無法長時間的維持,相關內容請參閱前文《塞車:看不見的時間小偷》。

-----廣告,請繼續往下閱讀-----
圖五、106 年 2 月 25 日湖口-竹北路段交通量-速率流圖。圖/作者提供。

是哪裡來的車被塞在路上?

車輛被塞在路上的同時,本身也是塞車的成因,這便是所謂的外部成本。以下分析關鍵的 106 年 2 月 25 日 6 點 40 分至 7 點 20 分通過湖口-竹北路段交通量的組成,究竟這些車輛是從哪裡來,往哪裡去,並且是從何時出發的呢?

圖六橫軸代表車輛由該縣市進入高速公路(起點),縱軸代表車輛離開高速公路(迄點),方格顏色代表旅次數量(起點至迄點的車輛數),顏色越深代表旅次數量越多,這張圖在交通管理的應用中,稱為「旅次起迄表」(O-D table)。由圖六可以知道,最多的旅次為桃園市至台中市(11%),其次為新北市至台中市(7%),再來則是新竹縣至新竹市及新竹縣縣內旅次(5.3%、5.1%)。

圖六、旅次起迄表。圖/作者提供。

圖七橫軸代表車輛由該縣市進入高速公路(僅列旅次數量前 3 名,新北市、桃園市及新竹縣),縱軸為車輛進入高速公路的時間,格子顏色越深代表旅次數量越多。我們藉此觀察早上 6 點 40 分至 7 點 20 通過湖口-竹北路段的車輛進入高速公路的時間。從新北市進入高速公路的時間集中分佈於6:00–6:40、桃園市分佈於6:15–7:00,新竹縣分佈於6:30–7:15。

圖七、起點縣市與出發時間。圖/作者提供。

若將觀察維度由縣市更進一步至交流道,最多車輛由五股交流道(13.7%)進入,第 2 名為湖口交流道(13.6%),第 3 名為機場系統交流道(9.6%),第 4 名為林口交流道(7.8%),第 5 名為桃園交流道(7.6%)。圖八為所有交流道做為旅次起點的排名(由大至小)。

-----廣告,請繼續往下閱讀-----
圖八、旅次起點交流道排名。圖/作者提供。

圖九橫軸為車輛進入高速公路交流道的前 5 名(五股、林口、桃園、機場系統、湖口),縱軸為車輛進入高速公路的時間,車輛由五股交流道進入高速公路的時間集中分佈於 6:05–6:40,林口交流道分佈於 6:10-6:50,桃園交流道分佈於 6:15–6:50,機場系統交流道分佈於6:20–6:55。

圖九、起點與進入高速公路的時間。圖/作者提供。

想要阻止塞車,還需要多少努力?

ETC 交通資料是根據車輛通過偵測站而蒐集,通過單一門架可以蒐集到交通量資料;通過相鄰兩門架可以蒐集路段的平均旅行時間、平均旅行速率;通過多個偵測站集到旅次資料,如車輛的起迄點、起迄時間、旅次長度等。本文以 106 年 2 月 25 日的 ETC歷史交通資料分析壅塞路段、時間以及路段容量,亦介紹了一些交通管理應用上的圖形工具。

在《塞車:看不見的時間小偷》一文中探討了交通壅塞的發生以及一些基本車流知識,我們可以知道當路段交通量接近容量時,也亦謂著壅塞即將發生。

既然路段的交通壅塞現象可能不斷重現,我們是否可以利用歷史資料的分析,改善現有的交通控制策略,並於路段交通量接近容量時,適時的於上游匝道減少車輛進入,阻止壅塞現象的發生?

-----廣告,請繼續往下閱讀-----
圖八/BY Wpcpey@ Wikimeidia commons

「匝道儀控」係藉由號誌管制匝道車輛進入高速公路,目標是在不影響高速公路主線交通的前提下,使匝道通過最多的車輛,以緩和交通壅塞並紓解平面道路。我國於民國 87 年  8月 1 日開始實施,目前已經有許多關於「匝道儀控」的研究,但是在過去的研究中,資料來源多是根據單點偵測的交通資料。理論上從 ETC 交通資料中取得車輛旅次起點進入高速公路的時間,將可以更有效的分配壅塞路段上游匝進入的車輛。

理想的情況下,我們可以透過 ETC 所蒐集的交通資料,進行科學化的分析精進匝道儀控的實施,但是在實際上該如何執行,以及執行上可能面臨的一些問題,我們將在未來的文章中再繼續探討。

-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
776 篇文章 ・ 130 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

0
0

文字

分享

0
0
0
AI 可以設計散熱,但誰敢讓它出貨?林唯耕談算力背後的物理現實
鳥苷三磷酸 (PanSci Promo)_96
・2026/08/20 ・2819字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

本文由 高柏科技 合作,泛科學撰文

林唯耕剛回台灣任教時,曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏,那股刺鼻的氣味瞬間瀰漫整棟大樓,引來眾多師生抗議。

「從此以後,我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中,帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言:在理論模型中,氨是太空熱控系統的理想介質;但在現實的辦公大樓裡,它首先是逼人逃竄的臭味。公式本身沒有錯,但現實世界永遠比公式更複雜——它包含了人、成本、風險,以及必須為後果負責的工程師。

-----廣告,請繼續往下閱讀-----

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ,曾任職於美國 OAO 工程部熱流組,深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球,他鑽研一輩子的老問題再次被推向科技產業的核心:當晶片運算速度無止境攀升,那股伴隨而生的熱,究竟該往哪裡去?

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗,彷彿進步毫無邊界。然而,每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化,一旦設備過熱,系統便會降頻保護。在物理現實面前,再動聽的發表會敘事也必須低頭。

晶片會發熱、材料會疲勞老化,一旦設備過熱,系統便會降頻保護 / 圖片:envato

回顧個人電腦發展早期,晶片幾乎不需專屬散熱元件。隨後,鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級,其實更像是對空間的極限勒索:晶片功率翻倍,發熱源的面積卻沒變大,機箱空間也不可能無限擴張。

林唯耕指出,散熱設計的核心只有三要素:功率、熱源面積與空間限制。他舉例,在標準的 1U 機箱中,若發熱面積約為三十乘三十毫米,氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數,而是取決於空間、面積與氣流的動態平衡。最現實的代價在於,風扇轉速提升的背後,是噪音、電力損耗與空間占用。

-----廣告,請繼續往下閱讀-----

因此,「液冷技術」的興起並非單純為了追求酷炫,而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱,卻也將新的挑戰帶入機房:漏液風險、流道堵塞、材料相容性,以及維運時的難度。工程的進步,本質上鮮少是徹底消滅問題,更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的,不是把答案搬回地面

太空熱控工程之所以迷人,是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中,沒有空氣能讓風扇製造對流;受光面溫度破百度,陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射,以及熱管與環路型熱管(LHP)來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱,冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力:在他設定的特定條件下,實心銅塊約能傳導 120 瓦的熱能;但若每秒有一立方公分的水發生蒸發相變,移熱量可瞬間拉升至 2.4 千瓦(kW)。他強調「每秒」的觀念,因為散熱談的是動態流動速率,而非靜態的冷卻魔法。

儘管如此,太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度,偏好無馬達幫浦的被動式設計;但地面 AI 伺服器面臨更高的熱負載與環境溫度,往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒:技術是否「先進」,與它是否「適合」當下的場景,始終是兩回事。

-----廣告,請繼續往下閱讀-----
他強調「每秒」的觀念,因為散熱談的是動態流動速率,而非靜態的冷卻魔法。/圖片:envato

好論文,為什麼仍可能造不出好產品

學術研究致力於證明「可行性」,而工業現場則要求「可重複性」——不僅要能運作,還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據,在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時,也曾遇過實驗數據無法複製,或研究方向偏離產業需求。這未必是雙方努力不夠,而是彼此對「成功」的標準不同。為了解決這道鴻溝,高柏科技推動「柏苗啟航創新培育計畫」,每年投入逾千萬資金與成大、中山、台科大等校合作,並指派專業人才在過程中持續微調、校正,確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測,但由於儀器預設以「水」校正,換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算,卻發現缺乏重複性,數據甚至推導出不合理的蒸發率。最後團隊回歸基本面,改用秤重法搭配能量平衡進行交叉驗證,才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號,而在於那段不夠優雅的挫折:假設失效、數據混亂、方法砍掉重練。也正是在這種時刻,企業需要的不只是會算數的人才,而是能洞察研究何時「走鐘」,並有權力喊停、要求重來的關鍵決策者。

-----廣告,請繼續往下閱讀-----

林唯耕坦言,過去在校園裡總認為「技術第一、成本第二」,進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽,卻是產品能否進入市場的殘酷真相。再卓越的散熱設計,若無法穩定生產或贏得客戶信任,也僅止於一份精美的報告。

AI 會給答案,誰來負責出貨?

訪談尾聲,主持人國威提出了一個時代難題:假設 AI 能在彈指間生成散熱架構、材料配方與流道設計,企業該選擇全面擁抱 AI 的速度,還是保留緩慢但穩定的工程驗證,以規避潛在的失效風險?

林唯耕拒絕落入二選一的框架。他的觀點是:兩者並存。AI 擅長處理資訊、生成草案;但工程師仍須實作原型,進行嚴苛的性能與可靠度測試,最終由人決定是否出貨。這並非盲目崇拜人類直覺,而是基於一項事實:AI 的資料庫裡,通常沒記載下一次「意外洩漏」或「材料疲勞」的細節,且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代,最稀缺的未必是熟練下指令(Prompt)的人,而是具備這種能力的人:能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來,並且願意為最終的量產品質負起責任。

-----廣告,請繼續往下閱讀-----

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中,雲端是由龐大的機房架構而成,裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張,都會在實體世界留下發熱的足跡。散熱工程師的價值,就是不讓這筆物理帳單,被埋沒在光鮮亮麗的投影片背後。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。