calibraÇÃo de modelos de emissÃo de poluentes …...de poluentes panis et al (2006), presente no...
Post on 07-Oct-2020
8 Views
Preview:
TRANSCRIPT
CALIBRAÇÃO DE MODELOS DE EMISSÃO DE POLUENTES ATMOSFÉRICOS
PARA AUXILIAR NO PLANEJAMENTO DO TRANSPORTE URBANO DE CARGA
Helry Luvillany Fontenele Dias
Felipe Alves Macena
Julie Anne Holanda Azevedo
Bruno Vieira Bertoncini Universidade Federal do Ceará
Mona Lisa Moura de Oliveira
Francisco Sales Ávila Cavalcante Universidade Estadual do Ceará
RESUMO
O presente trabalho busca calibrar parâmetros em modelos de emissão de poluentes integrados a modelos de
tráfego, com vistas ao auxílio do processo de planejamento de transportes de carga em áreas urbanas.
Entendendo que as emissões devem ser incorporadas a tomada de decisões do planejamento de um sistema de
transportes, são necessárias ferramentas para tais estimativas. Dois métodos foram avaliados: (i) calibração pelo
Microsoft Excel; e (ii) Algoritmo genético, objetivando avaliar o potencial dos métodos. O algoritmo genético
foi testado por meio do processo de calibração do modelo de emissão desenvolvido por Panis et al (2006)
presente no simulador AIMSUN. O algoritmo genético encontrou resultados similares ao do software Microsoft
Excel, gerando erros relativos da ordem de 0.059%. Contudo, o algoritmo genético desenvolvido tem algumas
vantagens, como ser um código aberto, poder utilizar qualquer medida de desempenho estatística e ser de fácil
operação.
ABSTRACT
This study aims to calibrate parameters in pollutant emission models integrated into traffic models, in order to
aid the freight transport planning process in urban areas. Understanding that the emissions must be incorporated
into decision-making planning in a transport system, it is necessary tools for such estimates. Two methods were
evaluated: (i) calibration by Microsoft Excel; and (ii) genetic algorithm, to evaluate the potential of methods.
The genetic algorithm was tested through the calibration process emission model developed by Panis et al (2006)
present in AIMSUN simulator. The genetic algorithm found results similar to the Microsoft Excel software,
generating errors on the order of 0.059%. However, the genetic algorithm developed has some advantages, such
as being an open source, you can use any statistical measure of performance and be easy to operate.
1. INTRODUÇÃO
Segundo Hoglund (1999), a poluição do ar oriunda de fontes móveis, capaz de trazer
prejuízos à infraestrutura rodoviária e à população, atingiu nível crítico em muitas cidades.
Habitantes dos centros das cidades e regiões metropolitanas estão perigosamente expostos aos
componentes liberados por conta da combustão interna de motores automotivos.
Neste tocante, os veículos com motor diesel, em especial veículos transportadores de carga
(caminhões), são vistos, por parte da população, como grandes responsáveis pela emissão de
poluentes atmosféricos. As operações de transporte de cargas urbanas contribuem em:
congestionamentos, implicando em custos extras (diretos e indiretos); afetando o tempo de
viagem; tempo de carga e descarga de mercadorias; a produtividade dos recursos e
tecnologias ociosas; no aumento do consumo de energia; e no aumento da quantidade de
poluentes emitidos na atmosfera. Assim, a circulação dos veículos de transporte de cargas tem
sido taxada, muitas vezes, como principal contribuinte para o crescimento dos problemas de
tráfego (CHERRETT et. al. 2012; TANIGUCHI et al 2012; FIGLIOZZI, 2011).
Observando o transporte de cargas em áreas urbanas, Taniguchi et al. (2013) afirmam que o
transporte urbano de mercadorias é essencial não só para o crescimento econômico, mas
também para um melhor ambiente urbano. Embora, faz-se necessária a adoção de medidas
que apoiem o uso desses veículos de forma sustentável. Além disso, à medida que enfrentam
maiores riscos de desastres devido à mudança do clima global e do envelhecimento das
pessoas, o transporte urbano de mercadorias deve incorporar esses riscos para a criação de
cidades habitáveis de maneira sustentável. Neste sentido, a emissão de poluentes pode ser um
indicador importante em termos de planejamento do sistema de transportes. Coletar as
emissões não é tarefa fácil, até porque seria importante uma coleta dinâmica em cada veículo,
algo inviável economicamente, contudo pode-se modelar tais taxas com emprego de
formulações matemáticas, em alguns casos integradas à modelos de simulação de tráfego.
Porém, os modelos de emissão integrados aos modelos de tráfego presentes nos principais
pacotes computacionais são comumente calibrados para a realidade em que são concebidos e
não permitem o ajuste dos parâmetros default do modelo. Tal constatação pode ser observada
nos programas INTEGRATION, VISSIM e AIMSUN. Algo ruim, se pensar em usar tais
ferramentas para representar uma realidade distinta daquela em que os parâmetros foram
ajustados.
Com base nos argumentos apresentados, a presente pesquisa foi motivada pela percepção dos
pesquisadores de que havia poucas ferramentas computacionais com modelos de emissão que
possuíam código aberto para a calibração. Para a pesquisa, foi utilizado o modelo de emissão
de poluentes PANIS et al (2006), presente no pacote de simulação de tráfego AIMSUN, capaz
de estimar dados de emissão de vários poluentes para tipos diferentes de veículos, incluindo
veículos motor ciclo diesel, contudo, o simulador de tráfego AIMSUN não permite alterar os
parâmetros internamente, levando ao uso de rotinas externas para realizar tal calibração. Para
a calibração do modelo de emissão escolhido, observou-se a possibilidade da aplicação de
regressão linear. Dessa forma, iniciou-se o desenvolvimento de um algoritmo genético de
código aberto, onde é possível realizar alterações posteriores.
Assim, o objetivo do trabalho é desenvolver uma ferramenta para calibração do modelo de
emissão de poluentes atmosféricos para veículos transportadores de carga. Busca-se assim
contribuir para a incorporação do indicador “emissão de poluentes atmosféricos” ao processo
de planejamento de transporte urbano de carga, a partir dos seguintes objetivos específicos: (i)
compreensão matemática do modelo de emissão PANIS et al (2006); (ii) métodos de
calibração do modelo de emissão, resultados obtidos e discussão e (iii) considerações finais. O
presente estudo também buscou analisar dados de emissão oriundos de veículos de carga em
área urbana, em função das particularidades do combustível utilizado e dos efeitos nocivos
provenientes da combustão interna desse tipo de veículo.
2. MODELO DE EMISSÃO
2.1. Modelo de Emissão Panis et al (2006)
Considerando as particularidades dos poluentes provenientes da queima do combustível em
veículos de transporte de carga (diesel), fez-se necessário selecionar um modelo capaz de
estimar, dentre outros poluentes, as taxas de Óxidos de Nitrogênio (NOx) e Materiais
Particulados, em função dos altos índices de emissões desses compostos provenientes da
queima do diesel. Por conta disto, o modelo Panis et al. (2006) foi escolhido para o estudo,
por ser capaz de realizar tais estimativas, quando comparado a modelos inseridos em outros
simuladores, tais como VTMicro e Enviver, inseridos no INTEGRATION e no VISSIM,
respectivamente.
O modelo proposto por Panis et al. (interessante que tal modelo não foi “batizado” com um
nome específico, muitas vezes é tipo por modelo Panis) foi desenvolvido em 2006 para
utilização integrada a modelos de simulação de tráfego. Baseado em medidas reais coletadas
em veículos com instrumentos de verificação de emissão, em condições de tráfego reais
(PANIS et al., 2006). As funções das emissões de cada veículo são derivadas da coleta da
velocidade e aceleração instantânea como parâmetros, utilizando técnicas de regressão não-
linear múltipla, apresentada na equação (1):
En(t) )()()()()()(,max 62
542
3210 tatvftaftaftvftvffE nnnnnn (1)
Sendo vn(t) e an(t) a velocidade e aceleração do veículo n em um instante de tempo (t),
respectivamente. Eo é o limite mínimo de emissão (em g/s), específico para cada veículo e
tipo de poluente, f1 a f6 são as constantes específicas de emissões para cada veículo e tipo de
poluente determinada pela análise da regressão. Os compostos analisados no modelo (En(t))
são: NOx; COV (compostos orgânicos voláteis); CO2; e Materiais Particulados.
Segundo Panis et al. (2006), os experimentos que levaram a proposição do modelo (1) foram
realizados em pico matinal de tráfego em área urbana, com baixas velocidades e não foi
originalmente validado para altas velocidades, como as de fluxo livre, o que impõem uma
limitação de uso ao modelo. As observações foram em 25 veículos distintos, sendo 20
veículos leves, 3 ônibus e 2 caminhões, apresentando as diferenças das características dos
tipos de veículos e tipos de combustíveis nos fatores de calibração f1 a f6. Os dados coletados
e estimados através da modelagem foram confrontados com as normas EURO 2. Para o
poluente Dióxido de Carbono e Compostos Orgânicos Voláteis, em veículos leves apenas,
foram calculados fatores (f1 a f6) diferentes para diferentes acelerações, devido a terem sido
observados índices de emissões claramente distintos para aceleração e desaceleração, sendo
então influenciados diretamente pelo ciclo de condução imposto pelo condutor, contudo, para
os quatro poluentes estimados em veículos pesados a diesel não foram observados níveis
claramente distintos de emissões, tendo sido considerado fatores fixos para a função no que
diz respeito a veículos de carga, apresentados na Tabela 1.
Tabela 1 - Valores dos fatores da função para veículos de carga a diesel
Poluente E0 f1 f2 f3 f4 f5 f6
CO2 0 1.52e+00 1.88e+00 −6.95e−02 4.71e+00 5.88e+00 2.09e+00
NOx 0 3.56e−02 9.71e−03 −2.40e−04 3.26e−02 1.33e−02 1.15e−02
COV 0 1.04e−03 4.87e−04 −1.49e−05 1.27e−03 2.10e−04 1.00e−04
MP 0 2.14e−04 3.35e−04 −2.22e−05 2.07e−03 1.80e−03 2.27e−04
Os valores iniciais das emissões (E0) são considerados nulos, tendo então o fator f1 seu valor
fixo no instante inicial, o fator f2 influencia positivamente o valor absoluto da velocidade e o
fator f3 influencia negativamente o quadrado da velocidade, o que pode ser observado para os
fatores dos demais veículos a diesel para todos os poluentes estimados. O fator f4 influencia
positivamente o valor absoluto da aceleração e o fator f5 também influencia positivamente o
quadrado da aceleração. O fator f6 influencia positivamente o produto da velocidade e
aceleração no instante t para o veículo n.
Pode-se inferir do modelo que, para veículos de carga, quanto maior a aceleração do veículo n
em um instante t, os níveis de emissão serão diretamente elevados, todavia com o aumento da
velocidade a uma aceleração constante, os níveis de emissão podem diminuir, por causa do
fator f3 negativo que multiplica o quadrado da velocidade. O modelo apresenta como ponto
negativo o fato de não ser possível alterar os parâmetros de calibração inseridos no AIMSUM,
o que é não é adequado em termos de simulação.
2.2. Processos de Calibração
Segundo Almeida et al (2002), o objetivo de uma análise de regressão é encontrar um modelo
determinístico que permite uma previsão dos valores assumidos pela variável dependente (y)
quando as variáveis independentes (x) são conhecidas ou fixas. Esse modelo define o tipo de
relacionamento entre as variáveis.
O modelo de regressão linear, segundo Krajewski, Ritzman e Malhotra (2009), é um dos
modelos mais conhecidos e utilizados, que consiste de uma variável chamada de dependente
estar relacionada a uma ou mais variáveis independentes por uma equação linear. Pode-se
dizer que a linha de regressão minimiza os desvios quadrados dos dados reais. Para obter o
cálculo da equação da reta basta aplicar a equação (2):
𝑦 = 𝑎 + 𝑏𝑥 (2)
Ainda de acordo com os mesmos autores, na equação, “y” refere-se a variável dependente e
“x” a variável independente. O “a” representa interseção da linha no eixo y e b inclinação da
linha. Esta fórmula estabelece a equação que identifica o efeito da variável de previsão
(variável independente) sobre a demanda do produto em análise (variável dependente), isso
porque se busca prever a demanda de determinado item com base na previsão de outra
variável que tenha relação com tal item. Em outras palavras, tem por objetivo encontrar uma
equação linear de previsão de modo que a soma dos quadrados dos erros de previsão (beta)
seja a mínima possível. Na Figura 1, observa-se a formação da reta no sistema cartesiano.
Figura 1: Mínimos Quadrados (Fonte: Tubino 2007)
Por sua vez, o uso de Algoritmo Genético (AG) tem ganhado destaque no quesito ajuste de
modelos matemáticos. Um AG pode, inclusive, fazer o ajuste de um modelo seguindo as
premissas de um modelo de regressão linear.
Os algoritmos genéticos fazem parte do conjunto dos algoritmos evolutivos, técnicas de busca
e otimização inspiradas no mundo biológico que se baseiam na teoria da evolução de Darwin
(Goldberg, 1989). São técnicas robustas, que buscam soluções a partir de múltiplos pontos,
sendo recomendados quando o espaço de busca é complexo, grande e pouco conhecido (Kim
e Rilett, 2001).
O AG é um procedimento iterativo que se inicia com a produção aleatória de uma população,
um conjunto de cromossomos (indivíduos), que são soluções para o problema; esses
cromossomos geralmente são representados por strings binárias, em que suas partes são
compostas pelos parâmetros do simulador que se deseja calibrar. Durante cada iteração,
também chamada de geração, os indivíduos são avaliados e selecionados segundo uma função
fitness que mede seu grau de adaptação ao meio ambiente, ou seja, a qualidade da solução que
fornecem. Isso faz com que indivíduos mais bem adaptados (que fornecem melhores
soluções) permaneçam na população transmitindo as suas características ao longo das
gerações, enquanto que os menos adaptados tendem a desaparecer. A utilização de AGs não
garante uma convergência, o que faz com que o número máximo de gerações para encontrar
um ótimo global seja impossível de ser determinado (Goldberg, 1989).
3. PROCEDIMENTO REALIZADO, RESULTADOS E DISCUSSÕES
Com o objetivo de realizar o ajuste do modelo dinâmico de emissão de poluentes Panis et al.,
o procedimento proposto é apresentado na Figura 2.
Figura 2: Procedimento sugerido para avaliação dos resultados da calibração
3.1 Coleta de emissão de poluentes em campo
Para a aquisição de dados reais de emissão de poluentes do veículo de carga analisado foi
aplicado o procedimento embarcado desenvolvido por Dias et al (2014), apresentado na
Figura 3:
Figura 3: Sistema construído contendo o procedimento de coleta de emissões (Dias, 2014)
Coleta de emissões de
poluentes em campo
Otimização dos dados
modelados com a aplicação de
Regressão Linear
Otimização dos dados
modelados com a aplicação
de Algoritmo Genético
Análise comparativa dos
dados otimizados
Em síntese, os equipamentos constituintes do aparato, para uma dada vazão constante de gás
succionado pelo sistema, desempenham a função de separação e condicionamento das
partículas com maior potencial de danos a saúde humana, coleta de dados (compostos
gasosos) em ppm (partes por milhão) ou em valores percentuais, contagem das partículas de
0,3 m a 10 m, em intervalo de tempo pré-definido, o que é importante para entender as
proporções de partículas menores até 5 m e sua variação ao longo do percurso/operação.
As coletas ocorreram em um dia típico, em condições de tráfego comuns para o trecho
analisado, onde também foram coletadas as velocidades instantâneas do veículo a cada
segundo, sendo utilizado o veículo Iveco modelo 45S14. A análise consistiu em simular um
trajeto cotidiano comum ao serviço do veículo empregado no estudo.
3.2 Otimização dos dados modelados por regressão linear e Algoritmo Genético (AG) e
comparação dos resultados A aplicação do modelo de emissão Panis et al pode ser realizada de forma integrada ao pacote
de simulação de tráfego AIMSUN, que permite ter as saídas de dados de emissão de poluentes
para diferentes tipos de veículos. Contudo, como inconveniente, o simulador AIMSUN não
permite, internamente, alterar os parâmetros do modelo de emissão. Assim, a alternativa
encontrada na presente pesquisa, foi implementar o modelo de forma a permitir que o mesmo
pudesse ser ajustado, ou calibrado.
Primeiramente, foi realizada a calibração por regressão linear com o auxílio do pacote
computacional Microsoft Excel, que apresenta fácil operação, é rápido e apresenta layout
amigável. Porém, o fato de ser pago e de código fechado, levou os pesquisadores a
desenvolver uma ferramenta de código aberto, onde seria possível realizar quaisquer
manipulações e sem custos. Em segundo momento a calibração foi realizada por meio de um
algoritmo genético desenvolvido em Python, onde seria possível realizar a calibração a partir
dos dados coletados com o procedimento escolhido anteriormente. Utilizou-se como medida
de desempenho o somatório dos erros quadráticos em relação a cada dado observado nas
coletas em campo, como apresentado na equação (3):
𝑆𝑄𝑟𝑒𝑠 = ∑ (�̂�𝑖𝑛𝑖=1 − 𝑦𝑖)² (3)
Os resultados gerados a partir da calibração pelos dois métodos são apresentados na Tabela 2,
considerando o dióxido de carbono (CO2). Na mesma tabela estão apresentados os resultados
provenientes da coleta em campo e os valores os erros quadráticos provenientes de cada
processo de calibração.
Tabela 2: Emissões reais e otimizadas através da aplicação de regressão linear e do algoritmo
genético desenvolvido e respectivos erros (relativos a CO2, em g/s)
Tempo
(s) Emissão Coletada Emissão Excel
Erro quadrático
Excel Emissão AG
Erro quadrático
AG
10 3.2745974738E-06 7.2214509742E-06 1.5577652553E-11 7.0845011469E-06 1.4515365998E-11
20 6.9686927659E-06 1.0214868767E-05 1.0537658631E-11 1.0266918123E-05 1.0878290507E-11
30 9.3259009724E-06 3.4890451391E-06 3.4068886018E-11 3.4449101953E-06 3.4586052520E-11
40 7.6517956348E-06 2.6948357532E-06 2.4571451268E-11 2.6847061476E-06 2.4671977973E-11
50 1.5660779705E-05 1.3781799801E-05 3.5305654806E-12 1.3889702586E-05 3.1367141608E-12
60 3.6290637899E-06 2.7033800490E-06 8.5689038808E-13 2.6305136765E-06 9.9710232899E-13
70 1.5825181849E-05 2.0186866499E-05 1.9024292986E-11 2.0292248088E-05 1.9954680785E-11
80 5.0103406381E-05 4.9101749543E-05 1.0033164219E-12 4.9076116426E-05 1.0553246514E-12
90 7.8598998580E-05 7.8101936264E-05 2.4707094627E-13 7.8078821689E-05 2.7058399765E-13
100 6.7692197508E-06 1.1169213892E-05 1.9359948440E-11 1.1095820406E-05 1.8719473228E-11
110 5.7683000306E-05 5.6825490528E-05 7.3532301894E-13 5.6796151144E-05 7.8650143648E-13
Percurso
Total 2.5549063721E-04 2.5549063721E-04 - 2.5534040963E-04 -
Erro
Total - 0% -
0.0588%
-
Pode-se observar que a aplicação da otimização com a regressão linear não apresentou
qualquer margem de erro (0%). Para o algoritmo desenvolvido no estudo, para o caso
particular de emissões de Dióxido de Carbono (CO2), o erro total, quando comparado às
emissões reais, coletadas a cada 10 segundos, foi observado na ordem de 0,0588%,
considerado plenamente aceitável, considerando as vantagens apresentadas pelo algoritmo.
Para uma melhor visualização da proximidade dos dados levantados através da aplicação dos
dois métodos é apresentado um gráfico com os índices dos modelos na Figura 4, relativos à
Dióxido de Carbono (CO2).
Figura 4: Dados calibrados pelo Algoritmo Genético desenvolvido, relativos a CO2
Os fatores presentes no modelo Panis et al foram alterados pelos processos de otimização para
obtenção dos novos resultados, alteração que possibilitou a calibração do modelo, baseado
nos dados reais. Os novos fatores para caso processo de otimização são apresentados na
Tabela 3. Pode-se observar que cada um dos fatores se conserva com valores próximos e com
mesmo sinal, elevando a correlação entre os métodos de calibração analisados.
0.00E+00
1.00E-05
2.00E-05
3.00E-05
4.00E-05
5.00E-05
6.00E-05
7.00E-05
8.00E-05
0 20 40 60 80 100 120
Emis
são
CO
2 (
g/s)
Tempo (s)
emissao
Calibrada
Tabela 3: Fatores corrigidos através dos dois métodos de otimização, relativos a CO2
Fatores de
emissão
Pacote Microsoft
Excel
Algoritmo
Genético
f1 4.5325E-06 4.32694E-06
f2 -1.83074E-06 -1.71674E-06
f3 7.64834E-07 7.54761E-07
f4 -5.33899E-06 -5.43818E-06
f5 2.80347E-05 2.79637E-05
f6 -4.41088E-06 -4.38871E-06
O mesmo procedimento de otimização foi realizado para as emissões de Óxidos de Nitrogênio
(NOx), apresentados na Tabela 4. De maneira semelhante à primeira análise, o erro percentual
total da regressão linear também foi nulo. O erro percentual total dos valores estimados com o
modelo calibrado através do algoritmo genético foi de 0,1596%, sendo mais elevado que o
erro observado no Dióxido de Carbono, mas considerado aceitável para a análise.
Tabela 4: Emissões reais e otimizadas através da aplicação de regressão linear e do algoritmo
genético desenvolvido e respectivos erros (relativos a NOx, em g/s)
Tempo
(s)
Emissão
Coletada Emissão Excel
Erro quadrático
Excel Emissão AG
Erro quadrático
AG
10 3.5082660515E-05 4.6221312211E-05 1.2406956161E-10 4.5638813980E-05 1.1143237598E-10
20 6.9075996412E-05 7.2218380528E-05 9.8745779349E-12 7.2841368841E-05 1.4178029535E-11
30 6.7089580930E-05 4.5560417574E-05 4.6350487481E-10 4.5596017944E-05 4.6197324986E-10
40 6.5872100474E-05 4.5747861724E-05 4.0498498527E-10 4.5877015037E-05 3.9980344164E-10
50 1.2908496732E-04 1.0304320793E-04 6.7817323198E-10 1.0380752241E-04 6.3894922103E-10
60 3.6043829296E-05 4.1349900051E-05 2.8154386849E-11 4.1204196418E-05 2.6629388832E-11
70 1.5577342048E-04 1.9894448816E-04 1.8637410849E-09 1.9946151466E-04 1.9086495731E-09
80 3.6444316289E-04 3.4848197650E-04 2.5475947071E-10 3.4831497705E-04 2.6011837824E-10
90 3.0475458157E-04 3.0888646931E-04 1.7072496291E-11 3.0952424474E-04 2.2749686714E-11
100 4.9980776624E-05 7.1924261056E-05 4.8151650900E-10 7.2137087652E-05 4.9090211833E-10
110 4.4117647059E-04 4.3599927204E-04 2.6803384790E-11 4.3671744551E-04 1.9882904671E-11
Percurso
Total 1.7183775471E-03 1.7183775471E-03 - 1.7211202042E-03 -
Erro
Total - 0% - 0.1596% -
Para uma melhor visualização da proximidade dos dados levantados através da aplicação dos
dois métodos é apresentado um gráfico com os índices dos modelos na Figura 5, relativos a
Óxidos de Nitrogênio (NOx). Os fatores do modelo relativos ao NOx também foram alterados
com vistas a realização da calibração pelos dois métodos, apresentada na Tabela 5.
Figura 5: Dados calibrados pelo Algoritmo Genético desenvolvido, relativos a NOx
Tabela 5: Fatores corrigidos através dos dois métodos de otimização, relativos a NOx
Fatores de
emissão
Pacote Microsoft
Excel
Algoritmo
Genético
f1 4.72186E-05 4.64753E-05
f2 -7.42526E-06 -6.86699E-06
f3 4.01065E-06 3.95922E-06
f4 -4.65473E-05 -4.76644E-05
f5 7.76767E-05 7.78894E-05
f6 4.51133E-07 5.65042E-07
Por fim foi realizado o processo de calibração dos dados relativos às emissões de Materiais
Particulados, apresentados na Tabela 6. O erro percentual total dos dados otimizados com o
algoritmo genético foi de 0,3831%, com um erro gerado pela regressão linear em 0%,
considerado aceitável. Os fatores do modelo relativos aos Materiais Particulados também
foram alterados com vistas à realização da calibração pelos dois métodos, apresentada na
Tabela 7.
Tabela 6: Emissões reais e otimizadas através da aplicação de regressão linear e do algoritmo
genético desenvolvido e respectivos erros (relativos a Materiais Particulados, em g/s)
Tempo
(s)
Emissão
Coletada Emissão Excel
Erro quadrático
Excel Emissão AG
Erro quadrático
AG
10 1.5500E-05 1.9054587954E-05 1.2635095526E-11 2.2783993959E-05 5.3056567990E-11
20 3.1000E-05 8.2371271315E-05 2.6390075165E-09 8.3118533245E-05 2.7163415076E-09
30 4.6500E-05 7.3927105718E-05 7.5224612809E-10 7.3025417652E-05 7.0359778159E-10
40 6.2000E-05 5.6464012056E-05 3.0647162513E-11 5.7995807626E-05 1.6033556567E-11
50 7.7500E-05 6.7253301323E-05 1.0499483377E-10 7.1083468797E-05 4.1171872685E-11
60 9.3000E-05 6.8599388291E-05 5.9538985178E-10 6.7625438324E-05 6.4386838025E-10
70 1.0850E-04 7.8361389454E-05 9.0833584562E-10 8.2411687273E-05 6.8060006094E-10
80 1.2400E-04 1.4072673617E-04 2.7978370296E-10 1.3873251571E-04 2.1704701907E-10
90 1.3950E-04 1.3293885139E-04 4.3048671143E-11 1.3381642385E-04 3.2303037826E-11
100 1.5500E-04 1.3009976888E-04 6.2002150986E-10 1.2368412762E-04 9.8068386294E-10
110 1.7050E-04 1.7320358745E-04 7.3093851066E-12 1.7264213977E-04 4.5887627833E-12
Percurso
Total 1.0230E-03 1.0230000000E-03 - 1.0269195538E-03 -
Erro
Total - 0% - 0.3831% -
Tabela 7: Fatores corrigidos através dos dois métodos de otimização, relativos a MP
Fatores de
emissão
Pacote Microsoft
Excel
Algoritmo
Genético
f1 9.81324E-05 9.17185E-05
f2 -1.76574E-05 -1.38282E-05
f3 2.25533E-06 1.91129E-06
f4 0.000133429 -1.22190E-04
f5 3.27092E-05 3.15863E-05
f6 1.33872E-05 1.21343E-05
Considerando o método de otimização por regressão linear, os erros totais encontrados nulos,
sendo capaz de retornar o resultado exato apresentado na coleta de dados reais. O algoritmo
genético acabou retornando erros maiores, apesar de baixos, da ordem de 0,06% a 0,4%.
Apesar de o valor do erro ter sido superior ao obtido com uso de Regressão Linear, entende-se
que o mesmo foi aceitável, além de o que existem vantagens presentes na aplicação do
algoritmo genético desenvolvido, sendo a principal ser de código aberto e não depender de
software comercial.
5. CONCLUSÕES
Esta pesquisa teve como objetivo calibrar modelos de emissão de poluentes atmosféricos com
vistas ao auxílio do processo de planejamento de transportes de carga em áreas urbanas,
através do estudo do modelo de emissão Panis et al (2006). Para tanto, o algoritmo genético
desenvolvido pelos pesquisadores utilizou a regressão linear para obter parâmetros de
comparação fidedignos. Foram apresentadas as principais características do modelo
matemático de emissão analisado, bem como seus parâmetros que foram calibrados para a
realidade em que foi construído, além da metodologia de coleta previamente desenvolvida.
O método apresentado de calibração do modelo de emissão mostrou a necessidade de dados
reais coletados em campo. Para isso, foi utilizado procedimento desenvolvido por Dias
(2014), tendo sido possível realizar os levantamentos dos dados reais em campo. Um maior
banco de dados de emissões coletados em campo poderia ajudar a compreender o fenômeno
com maior precisão, podendo ser considerado uma limitação da pesquisa.
A partir dos gráficos apresentados nas Figuras 4 e 5, bem como nas Tabelas 2, 4 e 6, foi
possível observar que o desempenho do Algoritmo Genético desenvolvido na pesquisa foi
essencialmente o mesmo, quando comparado ao método usado para comparação, incorrendo
em erros totais pequenos.
Com o modelo calibrado pela ferramenta desenvolvida na pesquisa, pode-se concluir que o
indicador emissão de poluentes atmosféricos oriundos de transportes de carga urbana passa a
ter maiores possibilidades de inclusão ao processo de planejamento do transporte de carga
urbana.
A calibração de outros modelos de emissão integrados a modelos de tráfego capazes de
representar os veículos de carga em área urbana pode ser considerada, com vistas a confrontar
com o modelo presente no AIMSUN, por exemplo, o modelo EnViver, presente no simulador
de tráfego VISSIM.
Agradecimentos: Os autores agradecem a CAPES pela concessão de bolsas de pesquisa e ao CNPq pelo
financiamento da pesquisa
REFERÊNCIAS BIBLIOGRÁFICAS
ALMEIDA, A.M., CASTEL-BRANCO, M.M., FALCÃO, A. C. (2002). Linear regression for calibration lines
revisited: weighting schemes for bioanalytical methods. Journal of Chromatography. Coimbra, Portugal.
CHERRETT, T., ALLEN, J., MCLEOD, F., MAYNARD, S., HICKFORD, A., Browne, M.,
2012.Understanding urban freight activity-key issues for freight planning. J. Transp.Geogr. 24, 22
DIAS, H. L. F. (2014). “Análise da modelagem integrada da emissão de poluentes atmosféricos provenientes de
veículos transportadores de carga em área urbana”. Universidade Federal do Ceará.
FIGLIOZZI, M.A., 2011. The impacts of congestion on time-definitive urban freight
distribution networks CO2 emission levels: Results from a case study inPortland, Oregon. Transp. Res.
Part C 19 (5), 766–778
GOLDBERG, D. E. (1989) Genetic algorithms in search, optimization and machine learning, Addison-Wesley
Publishment Company, Inc., Reading, Massachussets.
HOGLÜND, P. G., NIITTYMÄKI, J. (1999). Estimating Vehicle Emissions and Air Pollution related to Driving
Patterns and Traffic Calming. Urban Transport Systems. Sweden.
KIM, K. e L. R. Rilett (2001) Genetic algorithm based approach for calibration microscopic simulation models.
IEEE Intelligent Transportation Systems Conference Proceedings, Oakland, CA, USA, p. 698–704.
KRAJEWSKI, L. J.; RITZMAN, L. P.; MALHOTRA, M. Administração da produção e operações. 8. ed. São
Paulo: Pearson Prentice Hall, 2009
PANIS, L. I.; BROEX, S.; LIU, R., (2006). “Modelling Instantaneous Traffic Emission and the Influence of
Traffic Speed Limits”.Em: Science Direct.
TANIGUCHI, E., THOMPSON, R.G., & YAMADA, T. (2012). Emerging techniques for enhancing the
practical application. Procedia - Social and Behavioral Sciences 39, 3-18
TANIGUCHI, E., THOMPSON, R.G., & YAMADA, T. (2013). Recent trends and innovation in modelling city
logistics. The 8th International Conference in City Logistics . Bali, Indonesia.
top related