Aplicação de multi-layer perceptron para previsão de emissão de gases derivados de veículos a diesel

• Rigo Jr., Luís Otávio ^[1] ; Araújo, Jesuina Cássia Santiago de ^[1] ; Santos, Leandro Nogueira dos ^[1] ; Oliveira, Mona Lisa Moura de ^[2]
  1. [1] Universidade Federal do Espírito Santo

     Universidade Federal do Espírito Santo

     Brasil

     
  2. [2] Universidade Estadual do Ceará

     Universidade Estadual do Ceará

     Brasil

     
• Localización: Latin American Journal of Energy Research - LAJER, ISSN-e 2358-2286, Vol. 3, Nº. 2, 2016, págs. 1-11
• Idioma: portugués
• Títulos paralelos:
  • Multi-layer perceptron application for the prediction of gases emission derived from diesel vehicles
• Enlaces
  • Texto completo
• Resumen
  • español

    Government agencies have been demanded from engine manufacturers technological solutions capable of reducing emissions of air pollutants. Vehicular sources have a huge impact in air pollution because they emit particulate materials, especially NOx. Currently, to reduce these emissions, catalytic systems are incorporated in diesel vehicles. For instance, the Selective Catalytic Reduction (SCR) system injects urea for transforming NOx into N2 and H2O. However, emission rates of NOx follows a complex way demanding the development of simulation tools instead of performing onerous experimental tests. In the present work, the emission rates of NOx, NH3 and N2O gases in diesel vehicles are estimated using Artificial Neural Networks (ANN). In particular, a Multilayer Perceptron with Back-propagation algorithm. The algorithm inputs are the spatial velocity, the temperature, NOx, NH3, O2, SO2 and H2O concentration. The algorithms results showed that the outputs, NOx and NH3 emission rates, were strongly correlated with the inputs. This fact evidences the high learning capacity of the ANN. REMQ, EMABS and R2 metrics were used to evaluate the prediction. In the case of REMQ, they found values of 0.018, 0.019 and 0.041 for NOx, NH3, and 0.041; respectively. In the case of EMABS, they found values of 0.9%, 1.0% and 1.7% for NOx, NH3 and N2O; respectively. In addition, the proposed ANN model presented a coefficient of determination (R2) of 0.994 for NOx and 0.996 for NH3. These results reveal the high efficiency of the ANN to predict the emission rates of particulate materials in urban perimeters and roads.

  • português

    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.