Aplicação de Multi-Layer Perceptron para Previsão de Emissão de Gases derivados de Veículos a Diesel
DOI:
https://doi.org/10.21712/lajer.2016.v3.n2.p1-11Resumo
Fontes veiculares movidos a Diesel têm contribuido significativamente para o aumento da poluição atmosférica. A tendência mundial de utilizar motor Diesel se deve ao rendimento real alcançado por esta máquina (~34%), quando comparada com motores Otto (~26%). Em termos de poluição, tais motores apresentam a vantagem de emitir menor concentração de hidrocarbonetos e CO2. Por outro lado, o motor Diesel apresenta a desvantagem de emitir materiais particulados e NOx. Com fins de atender a legislação, tem sido incorporado aos veículos a Diesel um sistema catalítico, que injeta uréia nos gases de escape. Tal processo, conhecido como SCR (Selective Catalytic Reduction), tem por finalidade transformar NOx em N2 e H2O. Órgãos governamentais têm atuado como agentes controladores, exigindo dos fabricantes de motores soluções tecnológicas, capazes de reduzir os níveis de emissões destes poluentes. Essas soluções estão atreladas a uma série de testes experimentais onerosos. Tendo-se em vista que as taxas de emissão de NOx dependem de fatores que se correlacionam de forma complexa, faz-se necessário à utilização de ferramentas de simulação para prever tais taxas. Neste trabalho, foi utilizada uma Rede Neural Artificial, denominada Multi-Layer Perceptron, com algoritmo de aprendizado supervisionado Back Propagation, para estimar as taxas de emissão dos gases NOx, NH3 e N2O em veículos a Diesel. Os resultados mostraram que parâmetros de entrada (velocidade espacial, temperatura, concentração de NOx, de NH3, de O2 , de SO2 e de H2O) se correcionam fortemente com as taxas de emissão de NOx e NH3 na saída. Este fator foi comprovado pela grande capacidade de aprendizado das redes testadas, com erro médio próximo de 0,01 no conjunto de aprendizado. Os resultados sobre o conjunto de teste demonstraram, também, grande capacidade de generalização das redes. O melhor resultado encontrado foi de 2,9% para NOx e NH3 e de N2O de 5,1%. Estes resultados revelam que a RNA demonstrou ser um método eficiente para prever as taxas de emissão de poluentes em perímetro urbano e rodovias.Downloads
Referências
BALDASSARI, L. T.; BATTISTELLIA, C. L.; CONTIA, L.; CREBELLIA, R.; BERARDISA, B.; IAMICELIA, A. L.; GAMBINOB, M.; IANNACCONEB S.Emission comparison of urban bus engine fueled with diesel oil and ‘biodiesel’ blend. Science of the Total Environment, v. 327, n. 1-3, p. 147-62, 2004.
BUSCA, G.; LIETTI, L.; RAMIS, G.; BERTI, F. Chemical and mechanistic aspects of the selective catalytic reduction of NOx by ammonia over oxide catalysts: a review. Applied Catalysis B: Environmental, v. 18, p.1-36, 1998.
BRACE C. Prediction of Diesel Engine Exhaust Emissions using Artificial Neural Networks. Neural Networks in systems Design IMeche Seminar S591, v.10, 1998.
CASSIANO, D. R.; AZEVEDO, J. A. H.; Araújo, R. S.; DIAS, H. L. F.; POLICARPO, N.; CAVALCANTE, F. S. A.; BERTONCINI, B. V.; MOURA DE OLIVEIRA, MONA LISA. MAMUTE: Monitoring AutoMotive Unit Transit Emissions - Development and Application for Flex-fuel and Diesel Vehicles. In: 2nd International Conference on Vehicle Technology and Intelligent Transport Systems (VEHITS). (Org.). Proceedings of VEHITS: Simulation of flex fuel engines and alternative biofuel vehicles – SFFEV, 2016.
CHEVRON. Diesel fuel and air quality, 2004. Disponível em: <http://www.chevronwithtechron.ca/ products/documents/Diesel_Fuel_Tech_Review.pdf > Acesso em : 09 abr. 2017.
CIAMBELLI, P.; CORBO, P.; MIGLIARDINI, F. Potentialities and limitations of lean de-NOx catalysts in reducing automotive exhaust emissions. Catalysis Today 59, p. 279–286, 2000.
CNT- Confederação Nacional do Transporte. Pesquisa Mundial 22 países - Relatório Síntese. Brasília, p.3, 2001.
DENATRAN - Departamento Nacional de Transito. Frota 2011. Disponível em: <www.denatran.gov.br/ frota.htm> Acesso em: 14 jan. 2013.
DENATRAN - Departamento Nacional de Transito.Frota 2015: quantidade de Veículos por UF Município e Combustível (dezembro 2015), 2016. Disponível em: <http://www.detran.pr.gov.br/arquivos/ File/estatisticasdetransito/frotadeveiculoscadastradospr/2015/FROTA_DEZEMBRO_2015.pdf> Acesso em: 12 fev. 2016.
Dieselnet emission standards, Diesel emission standards and test cycles. Disponível em: http:// www.dieselnet.com. Acesso em: Janeiro de 2017.
DURÁN A.; LAPUERTA M.; RODRIÍGUEZ-FERNÁNDEZ J.Neural networks estimation of diesel particulate matter composition from transesterified waste oils blends.Fuel, v.84, 2005.
FORD, P. C.; WECKSLER, S. Photochemical reactions leadings to NO and NOx generation. Coordination Chemistry Reviews, v. 249, p. 1382-1395, 2005.
GABRIELSSON, P.L.T. Urea-SCR in automovite applications. Topics in Catalysis, v. 28, 2004.
GUAN, B.; ZHAN, R.; LIN, H.; HUANG, Z. Review of state of the art technologies of selective catalytic reduction of NOx from diesel engine exhaust. Applied Thermal Engineering, v. 66, p. 395-414, 2014.
GRIGORIOS, C.; KOLTSAKIS, A.; STAMATELOS, M. Modeling dynamic phenomena in 3-way catalytic converters. Chemical Engineering Science, v.54, 1999.
INSTITUTO BRASILEIRO DO MEIO AMBIENTE E DOS RECURSOS NATURAIS RENOVÁVEIS (IBAMA). Programas de controle de emissões veiculares. 2016. Disponível em: <http://www.ibama.gov.br/emissoes/veiculos-automotores/programa-de-controle-de-emissoes-veiculares-proconve> Acesso em 10 abr. 2017.
KOHAVI, R. A study of cross-validation and bootstrap for accuracy estimation and model selection.In International Joint Conference on Artificial Intelligence, volume 14 of 2, pages 1137–1145, 1995.
KOLODNER, J. L. Case-Based Reasoning. Morgan Kaufmann Series in Representation Reasoning. Morgan Kaufmann Pub, september 1993.
KOZERSKI, G.R.; HESS, S.C. Estimativa dos poluentes emitidos pelos ônibus e microônibus de Campo Grande/MS, empregando como combustível diesel, biodiesel ou gás natural. Engenharia sanitária e ambiental. Vol.11 - Nº 2, p. 113-117, 2006.
LOUREIRO L. N. Panorâmica sobre emissões atmosféricas estudo de caso: avaliação do inventário emissões atmosféricas da região metropolitana do Rio de Janeiro para fontes móveis. Tese Universidade federal do Rio de Janeiro, 2005.
MASSAGARDI, M. Diesel – Oportunidades e Desafios. In: Hart World Fuels Conference Latin American & the Caribbean. Rio de Janeiro, 2004.
MMA - Ministério do Meio Ambiente, Conselho Nacional do Meio Ambiente, CONAMA. Resolução CONAMA nº 18/86, de 06 de maio de 1986. Disponível em: <http://www.mma.gov.br> Acesso em: 07 nov. 2014.
MONTEIRO, A.G. Estratégia de redução de emissões de poluentes no setor de transportes por meio de substituição modal na região metropolitana de São Paulo. Dissertação de Mestrado. Rio de Janeiro, Universidade Federal do Rio de Janeiro, 1998.
MOON, S. J.; GRANGE P. Investigation of the promotional effect of V2O5onthe SCR reaction and its mechanism on hybrid catalyst with V2O5 and TiO2-SO42−catalysts. Applied Catalysis B: Environmental, v.36, 2002.
OLIVEIRA, M. L. M.; SILVA, C. M.; MORENO-TOST, R.; FARIAS, T. L.; JIMÉNEZ-LÓPEZ, A.; RODRÍGUEZ-CASTELLÓN, E. A study of copper-exchanged mordenite natural and ZSM-5 catalysts for diesel road vehicles: simulation by neural networks approach. Applied Catalysis B: Environmental, v. 88, p. 420-429, 2009.
OLIVEIRA, M. L. M.; SILVA, C. M.; MORENO-TOST, R.; FARIA, T.L.; JIMÉNEZ-LÓPEZ, A.; RODRIGUEZ-CASTELLON, E. Simulation Vehicles Equipped with SCR using Iron Zeolite Catalysts. Applied Catalysis.A, General, v. 366, p. 13-21, 2009.
OLIVEIRA, M. L. M.; SILVA, C. M.; MORENO-TOST, R. ; FARIAS, T.L.; JIMÉNEZ-LÓPEZ, A. ; RODRÍGUEZ-CASTELLÓN, E. Modelling of NOx emission factors from heavy and light-duty vehicles equipped with advanced aftertreatment systems. Energy Conversion and Management, v. 52, 2011.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning representations by back-propagating errors. Nature, 323(6088):33–536, 1986.
RUSSEL, S.; NORVIG, P. Inteligência Artificial. 3a Edição. Elsevier, 2013.
SERRA, J. M.; CORMA, A.; CHICA, A.; ARGENTE, E.; BOTTI, V. Can artificial neural networks help the experimentation in catalyst? Catalysis Today, 393, 2003.
SHAHIR, V. K.; JAWAHAR, C. P.; SURESH, P. R. Comparative emissions of diesel and biodiesel on CI engine with emphasis to emissions - A review. Renewable and Sustainable Energy Reviews, v. 45, 2015.
VAN HELDEN, R.; VAN GENDEREN, M.; VAN AKEN, M.; VERBEEK, R.; PATCHETT, J. A.; KRUITHOF, J.; STRATEN, T.; SALUNEAUX, C. G. Engine Dynamometer and Vehicle Performance of a Urea SCR-System for Heavy-Duty Truck Engines. SAE Technical Paper 2002-01-0286, 2002.
WIPKE, K.; CUDDY, M.; BURCH, S.ADVISOR 2.1: A User Friendly Advanced Powertrain Simulation Using a Combined Backward/Forward Approach. IEEE Transactions on Vehicular Tecnology, v.48, 1999.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2017 Latin American Journal of Energy Research
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
O autor, no ato da submissão do artigo, transfere o direito autoral ao periódico.