<< Volver atrás

Tesis:

Modelo microscópico de estimación de emisiones contaminantes de fuentes móviles basado en aprendizaje automático

  • Autor: RIVERA CAMPOVERDE, Néstor Diego

  • Título: Modelo microscópico de estimación de emisiones contaminantes de fuentes móviles basado en aprendizaje automático

  • Fecha: 2024

  • Materia:

  • Escuela: E.T.S. DE INGENIEROS INDUSTRIALES

  • Departamentos: INGENIERIA MECANICA

  • Acceso electrónico: https://oa.upm.es/82730/

  • Director/a 1º: VALLE ARENAS RAMÍREZ, Blanca del

  • Resumen: The experiments and collection of experimental data were conducted in the laboratories and with the equipment of the Research Group in Transport Engineering at the Salesian Polytechnic University, in the city of Cuenca, Ecuador. This research proposes a methodology for estimating pollutant emissions under real driving conditions, based on machine learning applied to data obtained from OBD and GNSS. For this, real driving data is acquired using an acquisition device consisting of a GNSS receiver and the pollutant emissions generated by the vehicle through a PEMS, during an RDE driving cycle with two standardized routes. The data obtained on route 1 is used to train artificial neural networks to estimate CO2, CO, NOX, and HC, following the estimation of the relative importance of variables using random forest techniques. The data generated on route 2 is used to validate the obtained ANNs. Then, by applying the K-means algorithm, labels are obtained to apply a classification tree and, therefore, determine the gear selected by the driver for the two models, which were fed with a data set generated over 1218.19 km. The results obtained were compared with those obtained using the IVE model and the results of the RDE test, showing similar results, without the need to have the PEMS mounted on the vehicle for long test runs. The generated models are more robust under different traffic conditions and yield better results at low to average driving speeds, given their training and validation with a large amount of data obtained under completely random driving conditions. As a result, they can be used in estimating emission factors with potential applications in vehicle homologation processes and vehicle emission inventory estimates. RESUMEN Durante el desarrollo de esta tesis los ensayos y la recolección de datos experimentales se realizaron en los laboratorios y con los equipos del Grupo de Investigación en Ingeniería del Transporte de la Universidad Politécnica Salesiana, en la ciudad de Cuenca-Ecuador. El presente trabajo propone una metodología para la estimación de emisiones contaminantes en condiciones reales de conducción, basado en la aplicación de aprendizaje automático a la data obtenida de OBD y de GNSS. Para tal efecto, se obtienen datos de conducción real mediante un dispositivo de adquisición que consta de un receptor GNSS y de las emisiones contaminantes generadas por el vehículo a través de un PEMS, durante un ciclo de conducción RDE con dos rutas estandarizadas. Los datos obtenidos en la ruta 1 son utilizados para entrenar redes neuronales artificiales que estimen CO2, CO, NOX y HC, previa la estimación de la importancia relativa de las variables mediante técnicas de random forest. Los datos generados en la ruta 2 se utilizan para validar las RNA obtenidas. Luego, mediante la aplicación del algoritmo K-means se obtienen etiquetas para aplicar un árbol de clasificación y con ello, determinar la marcha seleccionada por el conductor para los dos modelos, que fueron alimentados con un conjunto de datos generado en 1218.19 km. Los resultados obtenidos fueron comparados con los obtenidos aplicando el modelo IVE y con los resultados de la prueba RDE, evidenciando resultados similares, sin necesidad de tener montado el PEMS en el vehículo por largos recorridos de pruebas. Los modelos generados son más robustos a diferentes condiciones de tráfico y presentan mejores resultados a bajas velocidades medias de circulación, dado su entrenamiento y validación con una gran cantidad de datos obtenidos en condiciones completamente aleatorias de conducción, por lo que pueden ser utilizados en la estimación de factores de emisión con posible aplicación en procesos de homologación vehicular y estimación de inventarios de emisiones vehiculares.