CALIBRAÇÃO DE MODELOS DE EMISSÃO DE POLUENTES ATMOSFÉRICOS

PARA AUXILIAR NO PLANEJAMENTO DO TRANSPORTE URBANO DE CARGA

Helry Luvillany Fontenele Dias

Felipe Alves Macena

Julie Anne Holanda Azevedo

Bruno Vieira Bertoncini Universidade Federal do Ceará

Mona Lisa Moura de Oliveira

Francisco Sales Ávila Cavalcante Universidade Estadual do Ceará

RESUMO

O presente trabalho busca calibrar parâmetros em modelos de emissão de poluentes integrados a modelos de

tráfego, com vistas ao auxílio do processo de planejamento de transportes de carga em áreas urbanas.

Entendendo que as emissões devem ser incorporadas a tomada de decisões do planejamento de um sistema de

transportes, são necessárias ferramentas para tais estimativas. Dois métodos foram avaliados: (i) calibração pelo

Microsoft Excel; e (ii) Algoritmo genético, objetivando avaliar o potencial dos métodos. O algoritmo genético

foi testado por meio do processo de calibração do modelo de emissão desenvolvido por Panis et al (2006)

presente no simulador AIMSUN. O algoritmo genético encontrou resultados similares ao do software Microsoft

Excel, gerando erros relativos da ordem de 0.059%. Contudo, o algoritmo genético desenvolvido tem algumas

vantagens, como ser um código aberto, poder utilizar qualquer medida de desempenho estatística e ser de fácil

operação.

ABSTRACT

This study aims to calibrate parameters in pollutant emission models integrated into traffic models, in order to

aid the freight transport planning process in urban areas. Understanding that the emissions must be incorporated

into decision-making planning in a transport system, it is necessary tools for such estimates. Two methods were

evaluated: (i) calibration by Microsoft Excel; and (ii) genetic algorithm, to evaluate the potential of methods.

The genetic algorithm was tested through the calibration process emission model developed by Panis et al (2006)

present in AIMSUN simulator. The genetic algorithm found results similar to the Microsoft Excel software,

generating errors on the order of 0.059%. However, the genetic algorithm developed has some advantages, such

as being an open source, you can use any statistical measure of performance and be easy to operate.

1. INTRODUÇÃO

Segundo Hoglund (1999), a poluição do ar oriunda de fontes móveis, capaz de trazer

prejuízos à infraestrutura rodoviária e à população, atingiu nível crítico em muitas cidades.

Habitantes dos centros das cidades e regiões metropolitanas estão perigosamente expostos aos

componentes liberados por conta da combustão interna de motores automotivos.

Neste tocante, os veículos com motor diesel, em especial veículos transportadores de carga

(caminhões), são vistos, por parte da população, como grandes responsáveis pela emissão de

poluentes atmosféricos. As operações de transporte de cargas urbanas contribuem em:

congestionamentos, implicando em custos extras (diretos e indiretos); afetando o tempo de

viagem; tempo de carga e descarga de mercadorias; a produtividade dos recursos e

tecnologias ociosas; no aumento do consumo de energia; e no aumento da quantidade de

poluentes emitidos na atmosfera. Assim, a circulação dos veículos de transporte de cargas tem

sido taxada, muitas vezes, como principal contribuinte para o crescimento dos problemas de

tráfego (CHERRETT et. al. 2012; TANIGUCHI et al 2012; FIGLIOZZI, 2011).

Observando o transporte de cargas em áreas urbanas, Taniguchi et al. (2013) afirmam que o

transporte urbano de mercadorias é essencial não só para o crescimento econômico, mas

também para um melhor ambiente urbano. Embora, faz-se necessária a adoção de medidas

que apoiem o uso desses veículos de forma sustentável. Além disso, à medida que enfrentam

maiores riscos de desastres devido à mudança do clima global e do envelhecimento das

pessoas, o transporte urbano de mercadorias deve incorporar esses riscos para a criação de

cidades habitáveis de maneira sustentável. Neste sentido, a emissão de poluentes pode ser um

indicador importante em termos de planejamento do sistema de transportes. Coletar as

emissões não é tarefa fácil, até porque seria importante uma coleta dinâmica em cada veículo,

algo inviável economicamente, contudo pode-se modelar tais taxas com emprego de

formulações matemáticas, em alguns casos integradas à modelos de simulação de tráfego.

Porém, os modelos de emissão integrados aos modelos de tráfego presentes nos principais

pacotes computacionais são comumente calibrados para a realidade em que são concebidos e

não permitem o ajuste dos parâmetros default do modelo. Tal constatação pode ser observada

nos programas INTEGRATION, VISSIM e AIMSUN. Algo ruim, se pensar em usar tais

ferramentas para representar uma realidade distinta daquela em que os parâmetros foram

ajustados.

Com base nos argumentos apresentados, a presente pesquisa foi motivada pela percepção dos

pesquisadores de que havia poucas ferramentas computacionais com modelos de emissão que

possuíam código aberto para a calibração. Para a pesquisa, foi utilizado o modelo de emissão

de poluentes PANIS et al (2006), presente no pacote de simulação de tráfego AIMSUN, capaz

de estimar dados de emissão de vários poluentes para tipos diferentes de veículos, incluindo

veículos motor ciclo diesel, contudo, o simulador de tráfego AIMSUN não permite alterar os

parâmetros internamente, levando ao uso de rotinas externas para realizar tal calibração. Para

a calibração do modelo de emissão escolhido, observou-se a possibilidade da aplicação de

regressão linear. Dessa forma, iniciou-se o desenvolvimento de um algoritmo genético de

código aberto, onde é possível realizar alterações posteriores.

Assim, o objetivo do trabalho é desenvolver uma ferramenta para calibração do modelo de

emissão de poluentes atmosféricos para veículos transportadores de carga. Busca-se assim

contribuir para a incorporação do indicador “emissão de poluentes atmosféricos” ao processo

de planejamento de transporte urbano de carga, a partir dos seguintes objetivos específicos: (i)

compreensão matemática do modelo de emissão PANIS et al (2006); (ii) métodos de

calibração do modelo de emissão, resultados obtidos e discussão e (iii) considerações finais. O

presente estudo também buscou analisar dados de emissão oriundos de veículos de carga em

área urbana, em função das particularidades do combustível utilizado e dos efeitos nocivos

provenientes da combustão interna desse tipo de veículo.

2. MODELO DE EMISSÃO

2.1. Modelo de Emissão Panis et al (2006)

Considerando as particularidades dos poluentes provenientes da queima do combustível em

veículos de transporte de carga (diesel), fez-se necessário selecionar um modelo capaz de

estimar, dentre outros poluentes, as taxas de Óxidos de Nitrogênio (NOx) e Materiais

Particulados, em função dos altos índices de emissões desses compostos provenientes da

queima do diesel. Por conta disto, o modelo Panis et al. (2006) foi escolhido para o estudo,

por ser capaz de realizar tais estimativas, quando comparado a modelos inseridos em outros

simuladores, tais como VTMicro e Enviver, inseridos no INTEGRATION e no VISSIM,

respectivamente.

O modelo proposto por Panis et al. (interessante que tal modelo não foi “batizado” com um

nome específico, muitas vezes é tipo por modelo Panis) foi desenvolvido em 2006 para

utilização integrada a modelos de simulação de tráfego. Baseado em medidas reais coletadas

em veículos com instrumentos de verificação de emissão, em condições de tráfego reais

(PANIS et al., 2006). As funções das emissões de cada veículo são derivadas da coleta da

velocidade e aceleração instantânea como parâmetros, utilizando técnicas de regressão não-

linear múltipla, apresentada na equação (1):

En(t) )()()()()()(,max 62

542

3210 tatvftaftaftvftvffE nnnnnn (1)

Sendo vn(t) e an(t) a velocidade e aceleração do veículo n em um instante de tempo (t),

respectivamente. Eo é o limite mínimo de emissão (em g/s), específico para cada veículo e

tipo de poluente, f1 a f6 são as constantes específicas de emissões para cada veículo e tipo de

poluente determinada pela análise da regressão. Os compostos analisados no modelo (En(t))

são: NOx; COV (compostos orgânicos voláteis); CO2; e Materiais Particulados.

Segundo Panis et al. (2006), os experimentos que levaram a proposição do modelo (1) foram

realizados em pico matinal de tráfego em área urbana, com baixas velocidades e não foi

originalmente validado para altas velocidades, como as de fluxo livre, o que impõem uma

limitação de uso ao modelo. As observações foram em 25 veículos distintos, sendo 20

veículos leves, 3 ônibus e 2 caminhões, apresentando as diferenças das características dos

tipos de veículos e tipos de combustíveis nos fatores de calibração f1 a f6. Os dados coletados

e estimados através da modelagem foram confrontados com as normas EURO 2. Para o

poluente Dióxido de Carbono e Compostos Orgânicos Voláteis, em veículos leves apenas,

foram calculados fatores (f1 a f6) diferentes para diferentes acelerações, devido a terem sido

observados índices de emissões claramente distintos para aceleração e desaceleração, sendo

então influenciados diretamente pelo ciclo de condução imposto pelo condutor, contudo, para

os quatro poluentes estimados em veículos pesados a diesel não foram observados níveis

claramente distintos de emissões, tendo sido considerado fatores fixos para a função no que

diz respeito a veículos de carga, apresentados na Tabela 1.

Tabela 1 - Valores dos fatores da função para veículos de carga a diesel

Poluente E0 f1 f2 f3 f4 f5 f6

CO2 0 1.52e+00 1.88e+00 −6.95e−02 4.71e+00 5.88e+00 2.09e+00

NOx 0 3.56e−02 9.71e−03 −2.40e−04 3.26e−02 1.33e−02 1.15e−02

COV 0 1.04e−03 4.87e−04 −1.49e−05 1.27e−03 2.10e−04 1.00e−04

MP 0 2.14e−04 3.35e−04 −2.22e−05 2.07e−03 1.80e−03 2.27e−04

Os valores iniciais das emissões (E0) são considerados nulos, tendo então o fator f1 seu valor

fixo no instante inicial, o fator f2 influencia positivamente o valor absoluto da velocidade e o

fator f3 influencia negativamente o quadrado da velocidade, o que pode ser observado para os

fatores dos demais veículos a diesel para todos os poluentes estimados. O fator f4 influencia

positivamente o valor absoluto da aceleração e o fator f5 também influencia positivamente o

quadrado da aceleração. O fator f6 influencia positivamente o produto da velocidade e

aceleração no instante t para o veículo n.

Pode-se inferir do modelo que, para veículos de carga, quanto maior a aceleração do veículo n

em um instante t, os níveis de emissão serão diretamente elevados, todavia com o aumento da

velocidade a uma aceleração constante, os níveis de emissão podem diminuir, por causa do

fator f3 negativo que multiplica o quadrado da velocidade. O modelo apresenta como ponto

negativo o fato de não ser possível alterar os parâmetros de calibração inseridos no AIMSUM,

o que é não é adequado em termos de simulação.

2.2. Processos de Calibração

Segundo Almeida et al (2002), o objetivo de uma análise de regressão é encontrar um modelo

determinístico que permite uma previsão dos valores assumidos pela variável dependente (y)

quando as variáveis independentes (x) são conhecidas ou fixas. Esse modelo define o tipo de

relacionamento entre as variáveis.

O modelo de regressão linear, segundo Krajewski, Ritzman e Malhotra (2009), é um dos

modelos mais conhecidos e utilizados, que consiste de uma variável chamada de dependente

estar relacionada a uma ou mais variáveis independentes por uma equação linear. Pode-se

dizer que a linha de regressão minimiza os desvios quadrados dos dados reais. Para obter o

cálculo da equação da reta basta aplicar a equação (2):

𝑦 = 𝑎 + 𝑏𝑥 (2)

Ainda de acordo com os mesmos autores, na equação, “y” refere-se a variável dependente e

“x” a variável independente. O “a” representa interseção da linha no eixo y e b inclinação da

linha. Esta fórmula estabelece a equação que identifica o efeito da variável de previsão

(variável independente) sobre a demanda do produto em análise (variável dependente), isso

porque se busca prever a demanda de determinado item com base na previsão de outra

variável que tenha relação com tal item. Em outras palavras, tem por objetivo encontrar uma

equação linear de previsão de modo que a soma dos quadrados dos erros de previsão (beta)

seja a mínima possível. Na Figura 1, observa-se a formação da reta no sistema cartesiano.

Figura 1: Mínimos Quadrados (Fonte: Tubino 2007)

Por sua vez, o uso de Algoritmo Genético (AG) tem ganhado destaque no quesito ajuste de

modelos matemáticos. Um AG pode, inclusive, fazer o ajuste de um modelo seguindo as

premissas de um modelo de regressão linear.

Os algoritmos genéticos fazem parte do conjunto dos algoritmos evolutivos, técnicas de busca

e otimização inspiradas no mundo biológico que se baseiam na teoria da evolução de Darwin

(Goldberg, 1989). São técnicas robustas, que buscam soluções a partir de múltiplos pontos,

sendo recomendados quando o espaço de busca é complexo, grande e pouco conhecido (Kim

e Rilett, 2001).

O AG é um procedimento iterativo que se inicia com a produção aleatória de uma população,

um conjunto de cromossomos (indivíduos), que são soluções para o problema; esses

cromossomos geralmente são representados por strings binárias, em que suas partes são

compostas pelos parâmetros do simulador que se deseja calibrar. Durante cada iteração,

também chamada de geração, os indivíduos são avaliados e selecionados segundo uma função

fitness que mede seu grau de adaptação ao meio ambiente, ou seja, a qualidade da solução que

fornecem. Isso faz com que indivíduos mais bem adaptados (que fornecem melhores

soluções) permaneçam na população transmitindo as suas características ao longo das

gerações, enquanto que os menos adaptados tendem a desaparecer. A utilização de AGs não

garante uma convergência, o que faz com que o número máximo de gerações para encontrar

um ótimo global seja impossível de ser determinado (Goldberg, 1989).

3. PROCEDIMENTO REALIZADO, RESULTADOS E DISCUSSÕES

Com o objetivo de realizar o ajuste do modelo dinâmico de emissão de poluentes Panis et al.,

o procedimento proposto é apresentado na Figura 2.

Figura 2: Procedimento sugerido para avaliação dos resultados da calibração

3.1 Coleta de emissão de poluentes em campo

Para a aquisição de dados reais de emissão de poluentes do veículo de carga analisado foi

aplicado o procedimento embarcado desenvolvido por Dias et al (2014), apresentado na

Figura 3:

Figura 3: Sistema construído contendo o procedimento de coleta de emissões (Dias, 2014)

Coleta de emissões de

poluentes em campo

Otimização dos dados

modelados com a aplicação de

Regressão Linear

Otimização dos dados

modelados com a aplicação

de Algoritmo Genético

Análise comparativa dos

dados otimizados

Em síntese, os equipamentos constituintes do aparato, para uma dada vazão constante de gás

succionado pelo sistema, desempenham a função de separação e condicionamento das

partículas com maior potencial de danos a saúde humana, coleta de dados (compostos

gasosos) em ppm (partes por milhão) ou em valores percentuais, contagem das partículas de

0,3 m a 10 m, em intervalo de tempo pré-definido, o que é importante para entender as

proporções de partículas menores até 5 m e sua variação ao longo do percurso/operação.

As coletas ocorreram em um dia típico, em condições de tráfego comuns para o trecho

analisado, onde também foram coletadas as velocidades instantâneas do veículo a cada

segundo, sendo utilizado o veículo Iveco modelo 45S14. A análise consistiu em simular um

trajeto cotidiano comum ao serviço do veículo empregado no estudo.

3.2 Otimização dos dados modelados por regressão linear e Algoritmo Genético (AG) e

comparação dos resultados A aplicação do modelo de emissão Panis et al pode ser realizada de forma integrada ao pacote

de simulação de tráfego AIMSUN, que permite ter as saídas de dados de emissão de poluentes

para diferentes tipos de veículos. Contudo, como inconveniente, o simulador AIMSUN não

permite, internamente, alterar os parâmetros do modelo de emissão. Assim, a alternativa

encontrada na presente pesquisa, foi implementar o modelo de forma a permitir que o mesmo

pudesse ser ajustado, ou calibrado.

Primeiramente, foi realizada a calibração por regressão linear com o auxílio do pacote

computacional Microsoft Excel, que apresenta fácil operação, é rápido e apresenta layout

amigável. Porém, o fato de ser pago e de código fechado, levou os pesquisadores a

desenvolver uma ferramenta de código aberto, onde seria possível realizar quaisquer

manipulações e sem custos. Em segundo momento a calibração foi realizada por meio de um

algoritmo genético desenvolvido em Python, onde seria possível realizar a calibração a partir

dos dados coletados com o procedimento escolhido anteriormente. Utilizou-se como medida

de desempenho o somatório dos erros quadráticos em relação a cada dado observado nas

coletas em campo, como apresentado na equação (3):

𝑆𝑄𝑟𝑒𝑠 = ∑ (�̂�𝑖𝑛𝑖=1 − 𝑦𝑖)² (3)

Os resultados gerados a partir da calibração pelos dois métodos são apresentados na Tabela 2,

considerando o dióxido de carbono (CO2). Na mesma tabela estão apresentados os resultados

provenientes da coleta em campo e os valores os erros quadráticos provenientes de cada

processo de calibração.

Tabela 2: Emissões reais e otimizadas através da aplicação de regressão linear e do algoritmo

genético desenvolvido e respectivos erros (relativos a CO2, em g/s)

Tempo

(s) Emissão Coletada Emissão Excel

Erro quadrático

Excel Emissão AG

Erro quadrático

AG

10 3.2745974738E-06 7.2214509742E-06 1.5577652553E-11 7.0845011469E-06 1.4515365998E-11

20 6.9686927659E-06 1.0214868767E-05 1.0537658631E-11 1.0266918123E-05 1.0878290507E-11

30 9.3259009724E-06 3.4890451391E-06 3.4068886018E-11 3.4449101953E-06 3.4586052520E-11

40 7.6517956348E-06 2.6948357532E-06 2.4571451268E-11 2.6847061476E-06 2.4671977973E-11

50 1.5660779705E-05 1.3781799801E-05 3.5305654806E-12 1.3889702586E-05 3.1367141608E-12

60 3.6290637899E-06 2.7033800490E-06 8.5689038808E-13 2.6305136765E-06 9.9710232899E-13

70 1.5825181849E-05 2.0186866499E-05 1.9024292986E-11 2.0292248088E-05 1.9954680785E-11

80 5.0103406381E-05 4.9101749543E-05 1.0033164219E-12 4.9076116426E-05 1.0553246514E-12

90 7.8598998580E-05 7.8101936264E-05 2.4707094627E-13 7.8078821689E-05 2.7058399765E-13

100 6.7692197508E-06 1.1169213892E-05 1.9359948440E-11 1.1095820406E-05 1.8719473228E-11

110 5.7683000306E-05 5.6825490528E-05 7.3532301894E-13 5.6796151144E-05 7.8650143648E-13

Percurso

Total 2.5549063721E-04 2.5549063721E-04 - 2.5534040963E-04 -

Erro

Total - 0% -

0.0588%

-

Pode-se observar que a aplicação da otimização com a regressão linear não apresentou

qualquer margem de erro (0%). Para o algoritmo desenvolvido no estudo, para o caso

particular de emissões de Dióxido de Carbono (CO2), o erro total, quando comparado às

emissões reais, coletadas a cada 10 segundos, foi observado na ordem de 0,0588%,

considerado plenamente aceitável, considerando as vantagens apresentadas pelo algoritmo.

Para uma melhor visualização da proximidade dos dados levantados através da aplicação dos

dois métodos é apresentado um gráfico com os índices dos modelos na Figura 4, relativos à

Dióxido de Carbono (CO2).

Figura 4: Dados calibrados pelo Algoritmo Genético desenvolvido, relativos a CO2

Os fatores presentes no modelo Panis et al foram alterados pelos processos de otimização para

obtenção dos novos resultados, alteração que possibilitou a calibração do modelo, baseado

nos dados reais. Os novos fatores para caso processo de otimização são apresentados na

Tabela 3. Pode-se observar que cada um dos fatores se conserva com valores próximos e com

mesmo sinal, elevando a correlação entre os métodos de calibração analisados.

0.00E+00

1.00E-05

2.00E-05

3.00E-05

4.00E-05

5.00E-05

6.00E-05

7.00E-05

8.00E-05

0 20 40 60 80 100 120

Emis

são

CO

2 (

g/s)

Tempo (s)

emissao

Calibrada

Tabela 3: Fatores corrigidos através dos dois métodos de otimização, relativos a CO2

Fatores de

emissão

Pacote Microsoft

Excel

Algoritmo

Genético

f1 4.5325E-06 4.32694E-06

f2 -1.83074E-06 -1.71674E-06

f3 7.64834E-07 7.54761E-07

f4 -5.33899E-06 -5.43818E-06

f5 2.80347E-05 2.79637E-05

f6 -4.41088E-06 -4.38871E-06

O mesmo procedimento de otimização foi realizado para as emissões de Óxidos de Nitrogênio

(NOx), apresentados na Tabela 4. De maneira semelhante à primeira análise, o erro percentual

total da regressão linear também foi nulo. O erro percentual total dos valores estimados com o

modelo calibrado através do algoritmo genético foi de 0,1596%, sendo mais elevado que o

erro observado no Dióxido de Carbono, mas considerado aceitável para a análise.

Tabela 4: Emissões reais e otimizadas através da aplicação de regressão linear e do algoritmo

genético desenvolvido e respectivos erros (relativos a NOx, em g/s)

Tempo

(s)

Emissão

Coletada Emissão Excel

Erro quadrático

Excel Emissão AG

Erro quadrático

AG

10 3.5082660515E-05 4.6221312211E-05 1.2406956161E-10 4.5638813980E-05 1.1143237598E-10

20 6.9075996412E-05 7.2218380528E-05 9.8745779349E-12 7.2841368841E-05 1.4178029535E-11

30 6.7089580930E-05 4.5560417574E-05 4.6350487481E-10 4.5596017944E-05 4.6197324986E-10

40 6.5872100474E-05 4.5747861724E-05 4.0498498527E-10 4.5877015037E-05 3.9980344164E-10

50 1.2908496732E-04 1.0304320793E-04 6.7817323198E-10 1.0380752241E-04 6.3894922103E-10

60 3.6043829296E-05 4.1349900051E-05 2.8154386849E-11 4.1204196418E-05 2.6629388832E-11

70 1.5577342048E-04 1.9894448816E-04 1.8637410849E-09 1.9946151466E-04 1.9086495731E-09

80 3.6444316289E-04 3.4848197650E-04 2.5475947071E-10 3.4831497705E-04 2.6011837824E-10

90 3.0475458157E-04 3.0888646931E-04 1.7072496291E-11 3.0952424474E-04 2.2749686714E-11

100 4.9980776624E-05 7.1924261056E-05 4.8151650900E-10 7.2137087652E-05 4.9090211833E-10

110 4.4117647059E-04 4.3599927204E-04 2.6803384790E-11 4.3671744551E-04 1.9882904671E-11

Percurso

Total 1.7183775471E-03 1.7183775471E-03 - 1.7211202042E-03 -

Erro

Total - 0% - 0.1596% -

Para uma melhor visualização da proximidade dos dados levantados através da aplicação dos

dois métodos é apresentado um gráfico com os índices dos modelos na Figura 5, relativos a

Óxidos de Nitrogênio (NOx). Os fatores do modelo relativos ao NOx também foram alterados

com vistas a realização da calibração pelos dois métodos, apresentada na Tabela 5.

Figura 5: Dados calibrados pelo Algoritmo Genético desenvolvido, relativos a NOx

Tabela 5: Fatores corrigidos através dos dois métodos de otimização, relativos a NOx

Fatores de

emissão

Pacote Microsoft

Excel

Algoritmo

Genético

f1 4.72186E-05 4.64753E-05

f2 -7.42526E-06 -6.86699E-06

f3 4.01065E-06 3.95922E-06

f4 -4.65473E-05 -4.76644E-05

f5 7.76767E-05 7.78894E-05

f6 4.51133E-07 5.65042E-07

Por fim foi realizado o processo de calibração dos dados relativos às emissões de Materiais

Particulados, apresentados na Tabela 6. O erro percentual total dos dados otimizados com o

algoritmo genético foi de 0,3831%, com um erro gerado pela regressão linear em 0%,

considerado aceitável. Os fatores do modelo relativos aos Materiais Particulados também

foram alterados com vistas à realização da calibração pelos dois métodos, apresentada na

Tabela 7.

Tabela 6: Emissões reais e otimizadas através da aplicação de regressão linear e do algoritmo

genético desenvolvido e respectivos erros (relativos a Materiais Particulados, em g/s)

Tempo

(s)

Emissão

Coletada Emissão Excel

Erro quadrático

Excel Emissão AG

Erro quadrático

AG

10 1.5500E-05 1.9054587954E-05 1.2635095526E-11 2.2783993959E-05 5.3056567990E-11

20 3.1000E-05 8.2371271315E-05 2.6390075165E-09 8.3118533245E-05 2.7163415076E-09

30 4.6500E-05 7.3927105718E-05 7.5224612809E-10 7.3025417652E-05 7.0359778159E-10

40 6.2000E-05 5.6464012056E-05 3.0647162513E-11 5.7995807626E-05 1.6033556567E-11

50 7.7500E-05 6.7253301323E-05 1.0499483377E-10 7.1083468797E-05 4.1171872685E-11

60 9.3000E-05 6.8599388291E-05 5.9538985178E-10 6.7625438324E-05 6.4386838025E-10

70 1.0850E-04 7.8361389454E-05 9.0833584562E-10 8.2411687273E-05 6.8060006094E-10

80 1.2400E-04 1.4072673617E-04 2.7978370296E-10 1.3873251571E-04 2.1704701907E-10

90 1.3950E-04 1.3293885139E-04 4.3048671143E-11 1.3381642385E-04 3.2303037826E-11

100 1.5500E-04 1.3009976888E-04 6.2002150986E-10 1.2368412762E-04 9.8068386294E-10

110 1.7050E-04 1.7320358745E-04 7.3093851066E-12 1.7264213977E-04 4.5887627833E-12

Percurso

Total 1.0230E-03 1.0230000000E-03 - 1.0269195538E-03 -

Erro

Total - 0% - 0.3831% -

Tabela 7: Fatores corrigidos através dos dois métodos de otimização, relativos a MP

Fatores de

emissão

Pacote Microsoft

Excel

Algoritmo

Genético

f1 9.81324E-05 9.17185E-05

f2 -1.76574E-05 -1.38282E-05

f3 2.25533E-06 1.91129E-06

f4 0.000133429 -1.22190E-04

f5 3.27092E-05 3.15863E-05

f6 1.33872E-05 1.21343E-05

Considerando o método de otimização por regressão linear, os erros totais encontrados nulos,

sendo capaz de retornar o resultado exato apresentado na coleta de dados reais. O algoritmo

genético acabou retornando erros maiores, apesar de baixos, da ordem de 0,06% a 0,4%.

Apesar de o valor do erro ter sido superior ao obtido com uso de Regressão Linear, entende-se

que o mesmo foi aceitável, além de o que existem vantagens presentes na aplicação do

algoritmo genético desenvolvido, sendo a principal ser de código aberto e não depender de

software comercial.

5. CONCLUSÕES

Esta pesquisa teve como objetivo calibrar modelos de emissão de poluentes atmosféricos com

vistas ao auxílio do processo de planejamento de transportes de carga em áreas urbanas,

através do estudo do modelo de emissão Panis et al (2006). Para tanto, o algoritmo genético

desenvolvido pelos pesquisadores utilizou a regressão linear para obter parâmetros de

comparação fidedignos. Foram apresentadas as principais características do modelo

matemático de emissão analisado, bem como seus parâmetros que foram calibrados para a

realidade em que foi construído, além da metodologia de coleta previamente desenvolvida.

O método apresentado de calibração do modelo de emissão mostrou a necessidade de dados

reais coletados em campo. Para isso, foi utilizado procedimento desenvolvido por Dias

(2014), tendo sido possível realizar os levantamentos dos dados reais em campo. Um maior

banco de dados de emissões coletados em campo poderia ajudar a compreender o fenômeno

com maior precisão, podendo ser considerado uma limitação da pesquisa.

A partir dos gráficos apresentados nas Figuras 4 e 5, bem como nas Tabelas 2, 4 e 6, foi

possível observar que o desempenho do Algoritmo Genético desenvolvido na pesquisa foi

essencialmente o mesmo, quando comparado ao método usado para comparação, incorrendo

em erros totais pequenos.

Com o modelo calibrado pela ferramenta desenvolvida na pesquisa, pode-se concluir que o

indicador emissão de poluentes atmosféricos oriundos de transportes de carga urbana passa a

ter maiores possibilidades de inclusão ao processo de planejamento do transporte de carga

urbana.

A calibração de outros modelos de emissão integrados a modelos de tráfego capazes de

representar os veículos de carga em área urbana pode ser considerada, com vistas a confrontar

com o modelo presente no AIMSUN, por exemplo, o modelo EnViver, presente no simulador

de tráfego VISSIM.

Agradecimentos: Os autores agradecem a CAPES pela concessão de bolsas de pesquisa e ao CNPq pelo

financiamento da pesquisa

REFERÊNCIAS BIBLIOGRÁFICAS

ALMEIDA, A.M., CASTEL-BRANCO, M.M., FALCÃO, A. C. (2002). Linear regression for calibration lines

revisited: weighting schemes for bioanalytical methods. Journal of Chromatography. Coimbra, Portugal.

CHERRETT, T., ALLEN, J., MCLEOD, F., MAYNARD, S., HICKFORD, A., Browne, M.,

2012.Understanding urban freight activity-key issues for freight planning. J. Transp.Geogr. 24, 22

DIAS, H. L. F. (2014). “Análise da modelagem integrada da emissão de poluentes atmosféricos provenientes de

veículos transportadores de carga em área urbana”. Universidade Federal do Ceará.

FIGLIOZZI, M.A., 2011. The impacts of congestion on time-definitive urban freight

distribution networks CO2 emission levels: Results from a case study inPortland, Oregon. Transp. Res.

Part C 19 (5), 766–778

GOLDBERG, D. E. (1989) Genetic algorithms in search, optimization and machine learning, Addison-Wesley

Publishment Company, Inc., Reading, Massachussets.

HOGLÜND, P. G., NIITTYMÄKI, J. (1999). Estimating Vehicle Emissions and Air Pollution related to Driving

Patterns and Traffic Calming. Urban Transport Systems. Sweden.

KIM, K. e L. R. Rilett (2001) Genetic algorithm based approach for calibration microscopic simulation models.

IEEE Intelligent Transportation Systems Conference Proceedings, Oakland, CA, USA, p. 698–704.

KRAJEWSKI, L. J.; RITZMAN, L. P.; MALHOTRA, M. Administração da produção e operações. 8. ed. São

Paulo: Pearson Prentice Hall, 2009

PANIS, L. I.; BROEX, S.; LIU, R., (2006). “Modelling Instantaneous Traffic Emission and the Influence of

Traffic Speed Limits”.Em: Science Direct.

TANIGUCHI, E., THOMPSON, R.G., & YAMADA, T. (2012). Emerging techniques for enhancing the

practical application. Procedia - Social and Behavioral Sciences 39, 3-18

TANIGUCHI, E., THOMPSON, R.G., & YAMADA, T. (2013). Recent trends and innovation in modelling city

logistics. The 8th International Conference in City Logistics . Bali, Indonesia.