2. Maestría

Now showing 1 - 2 of 2

Propuesta metodológica para el cálculo de factores de emisión para vehículos livianos a gasolina circulando en Lima Metropolitana
(Pontificia Universidad Católica del Perú, 2022-05-12) Mendoza Nuñez, Juan Diego; Cuisano Egúsquiza, Julio César
El trabajo de tesis desarrolla una propuesta de representación del problema de contaminación que se genera por las emisiones provenientes del sistema de transporte. Dado que el Perú ya cuenta con leyes y ministerios que ayudan a promover mejoras para la reducción de contaminantes, pero aún se encuentra distante a las metas propuestas ante las confederaciones de países y organismos internacionales, la finalidad de esta tesis es proponer una metodología para la estimación de factores de emisión de contaminantes en vehículos ligeros mediante equipos a bordo en condiciones de manejo real y que mediante mediciones y estimaciones, pueda ser aplicable en cualquier ciudad del país que cuenten con vehículos accionados por combustibles. El trabajo comprende el desarrollo y análisis experimental de mediciones a bordo en conducción real, aplicado para vehículos ligeros a gasolina característicos de Lima Metropolitana. Se consideró factores exógenos como son el estilo de manejo, las condiciones de tránsito vehicular, la modernidad de las unidades, entre otros, para obtener un análisis de emisión global y de manejo dinámico. Como conclusión en Lima Metropolitana, las emisiones de los vehículos ligeros a través de la propuesta metodológica pueden ser representadas con buena precisión, mediante una función de curva respecto a su velocidad media y estilo de conducción. Las mayores cantidades de contaminantes se generan en velocidades menores a 20 km/h y con el estilo de conducción agresivo se puede generar aumentos de hasta 200% en promedio respecto a un estilo de conducción suave.
Aplicación de redes bayesianas para modelamiento y predicción de calidad del aire en áreas urbana
(Pontificia Universidad Católica del Perú, 2020-10-27) Cusi Chirapo, Hernán; Villanueva Talavera, Edwin Rafael
La contaminación del aire es hoy en día uno de los mayores problemas en las grandes ciudades. Entender la dinámica de los contaminantes y determinar la calidad de aire en áreas no monitorizadas ha sido el objetivo de varias investigaciones recientes dada su relevancia en la creación de políticas de mitigación. Los enfoques propuestos se dividen principalmente en aquellos que intentan modelar la dinámica de emisión/difusión y en aquellos que intentan predecir la concentración de contaminantes en el espacio y/o tiempo. Comúnmente estos enfoques tienen fines diferentes, los primeros se enfocan en entender los mecanismos que expliquen la distribución histórica de contaminantes, mientras que los segundos se enfocan en crear modelos predictivos, sin importar si dichos modelos representan las causalidades de los procesos subyacentes. En la presente investigación se propone la aplicación de modelos de redes Bayesianas, las cuales pueden tanto capturar posibles causalidades del proceso de formación y difusión de contaminación, así como servir de modelos algorítmicos para inferir en el espacio y en el tiempo los parámetros de calidad del aire. Se aplicó la técnica de bootstraping junto con técnicas de aprendizaje estructural para aprender diversos modelos bayesianos e integrarlos en un modelo robusto en el cual se puede discriminar relaciones fuertes entre las variables de calidad del aire de posibles relaciones espurias. En un primer experimento se creó modelos para predecir un determinado tipo de contaminante en un punto en el espacio, dada las mediciones de una red de estaciones del mismo tipo de contaminante. En un segundo experimento se adicionó varios tipos de contaminantes para hacer dicha predicción. En un tercer experimento se aprendió modelos adicionando dos variables metereológicas comúnmente usadas para el modelado de calidad del aire: velocidad y dirección del viento. En un cuarto experimento se aprendió modelos suministrando conocimiento a priori aprendido en el primer experimento a fin de reducir costo computacional de aprendizaje e inferencia. En total, se aprendieron 504 modelos, identificándose 6 modelos en el ultimo experimento con capacidades predictivas significativas a costos computacionales razonables. Como ventaja del modelado se pudo identificar las distancias de influencia de la red de estaciones que incide directamente en la predicción espacial, ayudando así a entender la dinámica de difusión de los diferentes tipos de contaminantes.

2. Maestría

Browse

Filters

Settings

Sort By

Results per page

Search Results