Evakuierungssimulation für Gebäude mit hoher Personenbelegung

Eine Evakuierung lässt sich auf dem Papier oft einfach darstellen. Ob Menschen ein Gebäude im Ernstfall jedoch tatsächlich sicher verlassen können, hängt von vielen Faktoren ab: Personen­dichte, Treppenhäuser, Engstellen, Hindernisse oder das Verhalten der Menschen beeinflussen den Ablauf entscheidend.

Gerade in Gebäuden mit hoher Personenbelegung bleiben im Notfall oft nur wenige Minuten, um Hunderte oder sogar Tausende Menschen sicher ins Freie zu bringen. Umso wichtiger ist es, Evakuierungskonzepte bereits in der Planungsphase unter realistischen Bedingungen zu überprüfen.

In unserem Projekt bei BUET-JIDPUS zeigte sich immer wieder, dass Evakuierungspläne zwar auf den ersten Blick schlüssig erscheinen, ihre Grenzen jedoch erst sichtbar werden, wenn räumliche Gegebenheiten und menschliches Verhalten gemeinsam simuliert werden.

Aus diesem Grund wurde mit PTV Viswalk die Evakuierung einer fünfstöckigen Textilfabrik (Ready-Made Garments, RMG) in Bangladesch mit rund 1.000 Beschäftigten modelliert.

Im Mittelpunkt dieses Beitrags steht weniger das konkrete Projekt als vielmehr der methodische Ansatz. Er zeigt, wie sich Fußgängersimulationen aufbauen, Unsicherheiten im Verhalten berücksichtigen und Ergebnisse nachvollziehbar kommunizieren lassen.

Hinweis: Dieser Beitrag basiert auf der wissenschaftlichen Veröffentlichung „Viswalk microsimulation‑Based Evacuation Modeling of a Critical Infrastructure: A Social Force Model Approach”.

Warum Evakuierungssimulation sinnvoll ist

Eine Evakuierungssimulation liefert weit mehr als eine einzelne Evakuierungszeit. Sie hilft dabei, unterschiedliche Szenarien zu bewerten und fundierte Entscheidungen für Planung und Betrieb zu treffen.

Mit einer Simulation lassen sich unter anderem:

• Einflussfaktoren identifizieren, die das Evakuierungsergebnis besonders stark beeinflussen,
• Fluchtwege und Kapazitäten unter realistischen Bedingungen überprüfen,
• verschiedene Planungs- und Betriebsvarianten vergleichen – beispielsweise hinsichtlich Türbreiten, Treppenanlagen, Hindernissen oder organisatorischer Maßnahmen.

Dadurch entsteht eine belastbare Grundlage, um Evakuierungskonzepte bereits vor der Umsetzung zu optimieren.

Das Fallbeispiel

Für die Untersuchung wurde ein Mikrosimulationsmodell einer fünfstöckigen Textilfabrik in PTV Viswalk erstellt. Ziel war es, die räumlichen Gegebenheiten und Einschränkungen während einer Evakuierung möglichst realitätsnah abzubilden.

Dabei wurden folgende Annahmen getroffen:

• Hindernisse: Produktionsmaschinen wurden als feste Hindernisse modelliert, da sie die Bewegungsfreiheit einschränken und Warteschlangen verursachen können.
• Belegung: Das Modell berücksichtigt rund 1.000 Personen, entsprechend der Kapazität des Gebäudes.
• Fluchtwege: Für die Evakuierung standen ausschließlich Treppen zur Verfügung. Aufzüge wurden nicht berücksichtigt, da sie bei Bränden oder Erdbeben üblicherweise außer Betrieb sind beziehungsweise nicht genutzt werden sollten.

Gerade diese Details haben großen Einfluss auf das Simulationsergebnis. In vielen Gebäuden bestimmen lokale Engstellen – etwa Treppenhäuser, Richtungswechsel, Zusammenführungen von Personenströmen oder Hindernisse – maßgeblich die gesamte Evakuierungsdauer.

Modellierung des Fußgängerverhaltens

ür die Simulation des Bewegungsverhaltens kam das in PTV Viswalk integrierte Social Force Model (SFM) zum Einsatz.

Dieses Modell beschreibt, wie sich Personen in Richtung eines Ziels bewegen, auf andere Menschen reagieren und Hindernissen ausweichen. Dadurch lassen sich typische Verhaltensmuster während einer Evakuierung realitätsnah nachbilden.

In der Praxis reicht es jedoch nicht aus, die Standardparameter unverändert zu übernehmen. Zwar entstehen dadurch häufig realistisch wirkende Animationen, die berechneten Evakuierungszeiten sind jedoch nicht zwangsläufig belastbar.

Aus diesem Grund spielte die Kalibrierung des Modells eine zentrale Rolle.

Ziel war nicht, ein einziges “richtiges” Verhaltensmodell zu definieren, sondern verschiedene realistische Evakuierungsszenarien abzubilden, die sich später vergleichen und bewerten lassen.

Kalibrierung des Modells

Um die Ergebnisse nachvollziehbar und belastbar zu machen, wurde ein Kalibrierungsprozess entwickelt, der sich auch gegenüber fachfremden Stakeholdern leicht erklären lässt.

Zunächst werden unterschiedliche realistische Verhaltensparameter simuliert. Anschließend werden ähnliche Ergebnisse zu Szenarien zusammengefasst.

So entsteht eine überschaubare Anzahl typischer Evakuierungsszenarien, die sich systematisch analysieren und vergleichen lassen.

Schritt 1: Unsicherheiten mit Latin Hypercube Sampling (LHS) abbilden

Im ersten Schritt wurden mithilfe des Latin Hypercube Sampling (LHS) in Python insgesamt 200 Parametersätze für das Fußgängerverhalten erzeugt. Für jeden Parametersatz wurde eine eigene Simulation durchgeführt und die durchschnittliche Gehgeschwindigkeit ausgewertet.

Um realistische Evakuierungsszenarien zu betrachten, wurden ausschließlich Simulationen berücksichtigt, in denen die durchschnittliche Geschwindigkeit über 3 km/h lag. Dieser Wert wurde auf Grundlage bestehender Forschung als Referenz für Evakuierungssituationen herangezogen.

Von den 200 Simulationen erfüllten 34 Szenarien dieses Kriterium und wurden für die weitere Analyse ausgewählt.

Schritt 2: Szenarien mit K-Means-Clustering gruppieren

Im nächsten Schritt wurden die ausgewählten Simulationen mithilfe eines K-Means-Clustering-Verfahrens ausgewertet.

Dabei entstanden fünf Szenariogruppen, die unterschiedliche Verhaltensmuster während einer Evakuierung repräsentieren. Eine größere Anzahl an Clustern brachte keine zusätzlichen Erkenntnisse, da sich die Parameterkombinationen nicht mehr eindeutig voneinander unterscheiden ließen.

Durch diese Gruppierung wird aus einer Vielzahl einzelner Simulationen eine überschaubare Anzahl realistischer Szenarien. Anstatt von einem einzigen “richtigen” Verhaltensmodell auszugehen, lassen sich verschiedene plausible Annahmen systematisch vergleichen.

Ergebnisse

Für die Bewertung der Evakuierungsleistung wurden zwei etablierte Kenngrößen herangezogen:

• ASET (Available Safe Egress Time): Zeitraum zwischen dem Beginn eines Notfalls und dem Zeitpunkt, an dem eine sichere Evakuierung aufgrund der Umgebungsbedingungen nicht mehr möglich ist.
• RSET (Required Safe Egress Time): Zeit, die benötigt wird, bis die letzte Person das Gebäude verlassen hat.

Über alle fünf Szenariogruppen hinweg betrug die kürzeste berechnete Evakuierungszeit für 1.000 Personen 8 Minuten und 7 Sekunden.

Zur Einordnung dieses Ergebnisses wurde es mit einem ASET-Referenzwert von fünf Minuten verglichen. Dieser basiert auf veröffentlichten Untersuchungen zu Evakuierungsübungen in Gebäuden mit vergleichbarer Geometrie und dient als Orientierung – nicht als allgemein gültiger Grenzwert.

Der Vergleich zeigt, dass die berechnete Evakuierungsdauer die verfügbare sichere Evakuierungszeit voraussichtlich überschreitet. Das unterstreicht, wie wichtig es ist, unterschiedliche Maßnahmen zur Verbesserung der Evakuierung zu untersuchen, anstatt sich auf ein einzelnes Verhaltensmodell zu verlassen.

Sensitivitätsanalyse

Um die Kalibrierung besser nachvollziehen zu können, wurde zusätzlich eine Sensitivitätsanalyse durchgeführt. Mithilfe sogenannter Partial Dependence Plots (PDPs) wurde untersucht, wie sich einzelne Modellparameter auf die durchschnittliche Gehgeschwindigkeit auswirken, während alle übrigen Parameter konstant gehalten werden.

Dabei zeigten insbesondere folgende Parameter einen deutlichen Einfluss auf das Evakuierungsverhalten:

• Relaxation Time (τ)
• Lambda (λ)
• VD (Reaktion auf Personengruppen im Gegenverkehr)

Andere Parameter beeinflussten die Ergebnisse ebenfalls, allerdings ohne klar erkennbare Zusammenhänge. Für BSocMean konnte innerhalb der untersuchten Szenarien kein eindeutiger Einfluss festgestellt werden.

Praxistipp: Sensitivitätsanalysen erleichtern die Kalibrierung erheblich. Weichen die simulierten Bewegungsmuster von den Erwartungen ab, zeigen die PDPs, welche Parameter zuerst angepasst werden sollten – statt das gesamte Modell neu zu kalibrieren.

Praxiseinsatz

Für die Planung ähnlicher Gebäude empfiehlt sich folgendes Vorgehen:

• Gebäudestruktur realitätsnah modellieren, einschließlich Treppen, Türbreiten, Hindernissen und weiterer kapazitätsbegrenzender Elemente.
• Unsicherheiten im Verhalten berücksichtigen, indem verschiedene Verhaltensparameter (z. B. mit LHS) untersucht werden, anstatt nur ein einziges Verhaltensprofil anzunehmen.
• Ergebnisse als Bandbreite kommunizieren, damit Entscheidungsträger sowohl Best-Case- als auch Worst-Case-Szenarien sowie deren zugrunde liegende Annahmen nachvollziehen können.
• Optimierungsmaßnahmen frühzeitig testen, beispielsweise durch Anpassungen von Fluchtwegen oder das Entfernen von Hindernissen, bevor bauliche oder organisatorische Änderungen umgesetzt werden.

Bei der Interpretation der Ergebnisse sollten zwei Aspekte berücksichtigt werden.

Zum einen wurden in dieser Studie keine detaillierten Engpassanalysen oder Risikokarten erstellt. Das verwendete Modell lässt sich jedoch problemlos um entsprechende Auswertungen erweitern.

Zum anderen basiert der Vergleich mit dem ASET-Wert auf Referenzdaten aus Evakuierungsübungen in Gebäuden mit ähnlicher Geometrie. Für konkrete Projekte sollten stattdessen die jeweiligen örtlichen Randbedingungen berücksichtigt werden – etwa das Gefährdungsszenario, Detektionszeiten, Evakuierungsabläufe oder die Dauer sicherer Aufenthaltsbedingungen.

Darüber hinaus empfiehlt es sich, bei der Angabe der RSET transparent darzustellen, welche Zeitanteile berücksichtigt wurden, beispielsweise ob auch die Zeit bis zum Beginn der eigentlichen Fluchtbewegung (Pre-Movement Time) enthalten ist.

Fazit

Die Kombination aus PTV Viswalk, dem Social Force Model (SFM) sowie einer systematischen Kalibrierung mithilfe von LHS und K-Means-Clustering bietet eine belastbare Grundlage, um Evakuierungsszenarien in Gebäuden mit hoher Personenbelegung realitätsnah zu bewerten.

Gleichzeitig ersetzt eine Simulation nicht die fachliche Beurteilung. Ihr größter Mehrwert liegt darin, unterschiedliche Szenarien transparent miteinander zu vergleichen und Verbesserungsmaßnahmen bereits in der Planungsphase zu bewerten. So können fundierte Entscheidungen getroffen werden, bevor in bauliche oder organisatorische Maßnahmen investiert wird.