Energía
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12404/9487
Browse
2 results
Search Results
Item Aplicación de redes neuronales para estimar la emisión de gases contaminantes con relación al consumo de gasolina de vehículos livianos circulando en Lima Metropolitana en el 2022(Pontificia Universidad Católica del Perú, 2025-01-22) Meza Lázaro, Alessandra; Cuisano Egúsquiza, Julio CésarEl presente trabajo de investigación se centró en la predicción de contaminantes de vehículos livianos, siendo los contaminantes medidos el HC, NOx, CO y CO2 en Lima Metropolitana durante el 2022. El objetivo del trabajo es estimar la emisión de gases contaminantes con relación al consumo de gasolina mediante una muestra representativa del parque automotor de la ciudad. El análisis se realizó mediante el entrenamiento de múltiples redes neuronales, escogiendo el mejor esquema de red y contrastándolo con los resultados del modelo de aprendizaje supervisado llamado “random forest”. Este enfoque permitió evaluar el desempeño de las redes neuronales y comparar dos metodologías diferentes, destacando así alternativas que no requieran el uso de redes neuronales. En particular, las redes neuronales resultaron ser una alternativa apropiada al tener resultados de un coeficiente de correlación de 0.85 para el caso del CO2. Loa valores de precisión obtenidos mediante redes neuronales cumplen con lo requerido para brindar confiabilidad en los resultados, ya que se encuentran en el mismo rango que la investigación de predicción por redes neuronales de Seo J y otros. A diferencia del método de “random forest”, se tuvo un mejor control del sobreajuste de los datos pese a tener 0.2 menos de precisión para las predicciones de HC, NOx y CO. Esto principalmente por la naturaleza aleatoria de las mediciones en un contexto real, donde múltiples variables afectan la conducción. Además, el estudio incluyó la evaluación del desempeño de las metodologías de predicción por tipo de carrocería, permitiendo un análisis más detallado y específico de las emisiones vehiculares. Esto contribuye a una comprensión más profunda de las fuentes de contaminación y las posibles medidas de mitigación. En base a ello, el estudio busca sentar las bases para posteriores investigaciones sobre la predicción de inventarios de emisiones en más ciudades del Perú. Asimismo, enfatiza la importancia del análisis de los inventarios de emisiones de los vehículos utilizando datos reales de campo, con el objetivo de plantear medidas de reducción de contaminantes y proponer alternativas que mejoren la calidad del aire en centros urbanos.Item Estimación del consumo de combustible y emisiones de co2 de un motor a gasolina de 130 hp mediante técnicas de Machine Learning(Pontificia Universidad Católica del Perú, 2024-07-16) Huancapaza Machuca, José; Cuisano Egúsquiza, Julio CésarEn el presente trabajo se estima el consumo de gasolina y las emisiones de CO2 en un motor vehicular de 130 HP, instalado en un banco de pruebas, usando técnicas de aprendizaje automático (Machine Learning). Para obtener datos de los parámetros de funcionamiento del motor, se realizaron pruebas en condiciones estacionarias de carga (torque) y régimen de giro del cigüeñal; se registraron las lecturas de sensores originalmente instalados en el motor, mediante un scanner conectado al puerto OBD2 del módulo de control electrónico del motor. Además, se instalaron equipos de laboratorio para registrar otras variables necesarias para el estudio. Con los datos disponibles, se utilizaron tres técnicas de Machine Learning: Regresión Múltiple, Máquina de Soporte Vectorial y Redes Neuronales. En la aplicación de los modelos se utilizaron datos en grupos, separados de la siguiente forma: 90% para el desarrollo de los modelos y 10 % para la prueba de los modelos. Adicionalmente, para los modelos de Máquina de Soporte Vectorial y de Redes Neuronales se realizó otra partición de los datos: 75% para entrenamiento, 15% para validación, y 15% para el test. Durante el proceso se evaluaron los datos sin estandarización y, posteriormente, estandarizados en el rango de 0 a 1; este último paso buscó asegurar la convergencia del modelo. Las variables estudiadas fueron las siguientes: i) 5 predictoras o variables independientes (presión absoluta en el colector de admisión, temperatura del aire en el colector de admisión, régimen de giro, flujo másico de aire de v admisión al motor y el torque efectivo); ii) 2 variables objetivo o dependientes (emisiones de CO2 y consumo de gasolina). Los resultados del presente trabajo de tesis muestran que el mejor método, y con menos intervención, es el de Redes Neuronales. Para la estimación del flujo másico instantáneo del CO2 se obtuvo un error máximo de 7.85%, siendo que el error obtenido para el 75% de los resultados corresponde a 0.10%. Para la estimación del consumo másico de gasolina, se obtuvo un error máximo de 9.72%, pero, en este caso, el 75% de los resultados tienen un error de 0.67%.