���������������������������������������������������������������������������������

����������������������������������������������������������������������������������������������������������������������������������������

An�lisis de representatividad de ciclos de conducci�n construidos a partir de potencia espec�fica vehicular y consumo de energ�a basado en micro viajes

 

Analysis of representativeness of driving cycles constructed from vehicle specific power and energy consumption based on micro trips

 

An�lise da representatividade dos ciclos de dire��o constru�dos a partir da pot�ncia espec�fica do ve�culo e do consumo de energia com base em micro viagens

 

Pa�l Mont�far-Paz ^I

paul.montufar@espoch.edu.ec

https://orcid.org/0000-0001-9062-8704

 

Daniela C. V�sconez-N��ez ^II ���

daniela.vasconez@espoch.edu.ec

https://orcid.org/0000-0002-1898-9529

 

Fernando M. Tello-Oquendo ^III

fernando.tello@espoch.edu.ec

https://orcid.org/0000-0002-2551-9648

 

Correspondencia: paul.montufar@espoch.edu.ec

Ciencias t�cnicas y aplicadas

Articulo de investigaci�n

 

*Recibido: 22 de mayo de 2021 *Aceptado: 20 de junio de 2021 * Publicado: 05 de julio de 2021

                                I.            Facultad de Mec�nica, Escuela Polit�cnica de Chimborazo, Riobamba, Ecuador.

                             II.            Doctora Dentro del Programa de Doctorado en Ingenier�a y Producci�n Industrial, Master Universitario en Tecnolog�as, Energ�tica para el Desarrollo Sostenible en la Especialidad Eficiencia Energ�tica, Ingeniera Mec�nica, Grupo de Investigaci�n y Desarrollo en Nanotecnolog�a, Materiales y Manufactura (GIDENM), Facultad de Mec�nica, Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

                           III.            Doctor Dentro del Programa de Doctorado en Ingenier�a y Producci�n Industrial, Master Universitario en Tecnolog�a Energ�tica para el Desarrollo Sostenible Especialidad: Eficiencia Energ�tica, Ingeniero Mec�nico, Grupo de Investigaci�n y Desarrollo en Nanotecnolog�a, Materiales y Manufactura (GIDENM), Facultad de Mec�nica, Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

Resumen

El inter�s por seleccionar un ciclo de conducci�n que logre representar el patr�n de conducci�n vehicular en una regi�n motiva a realizar este estudio para obtener un modelo matem�tico que valide el proceso de construcci�n del ciclo que mejor reproduzca el consumo energ�tico y las emisiones generadas por los veh�culos livianos a gasolina, emitidas por el tubo de escape. El ciclo de conducci�n es un perfil de velocidad temporal, que debe ser representativo y, adem�s, log�stica y econ�micamente reproducible. �Este art�culo presenta un modelo que analiza la representatividad entre dos m�todos de construcci�n de ciclos de conducci�n, el primero nombrado Micro Viajes basado en Energ�a y el segundo basado en la Potencia Espec�fica Vehicular; la representatividad de estos m�todos es evaluada a partir de la diferencia relativa promedio de 16 par�metros caracter�sticos, entre los ciclos obtenidos y la poblaci�n del total de datos obtenidos. Durante 16 meses fueron instrumentados 20 veh�culos livianos durante su operaci�n en una franja altim�trica entre los 0 y 4000 msnm, logrando otorgar representatividad del parque automotor latino, que opera con motores de encendido provocado. Se instrumentaron los veh�culos para obtener los siguientes par�metros de funcionamiento: velocidad, aceleraci�n, consumo, carga y emisiones de CO2, NOx, CO, HC, O2.� Considerando esta amplia muestra de veh�culos evaluados y su similitud de caracter�sticas operativas, es posible inferir que el ciclo resultante logra evaluar el consumo y las emisiones dentro de un intervalo adecuado de confianza.� La calidad de los datos obtenidos, la rigurosidad en la obtenci�n de datos, el filtrado de la informaci�n, el proceso met�dico y minucioso de las t�cnicas de construcci�n del ciclo y, por �ltimo, el amplio volumen de informaci�n recolectada aporta el requerimiento necesario para lograr la representatividad, objetivo del presente estudio. Para el efecto se desarroll� una plataforma on-line que opera bajo lenguaje Python, la misma que permiti� automatizar el proceso de recolecci�n, filtrado, an�lisis y visualizaci�n de la informaci�n respecto a los par�metros de operaci�n del autom�vil.

Palabras clave: Ciclos de conducci�n; potencia; consumo; emisiones; modelo.

 

Abstract

The interest in selecting a driving cycle that manages to represent the vehicle driving pattern in a region motivates us to carry out this study to obtain a mathematical model that validates the cycle construction process that best reproduces the energy consumption and emissions generated by vehicles light gasoline, emitted from the exhaust pipe. The driving cycle is a temporary speed profile, which must be representative and logistically and economically reproducible. This paper presents a model that analyzes the representativeness between two driving cycle construction methods, the first named Micro Trips based on Energy and the second based on Specific Vehicle Power; the representativeness of these methods is evaluated from the average relative difference of 16 characteristic parameters, between the cycles obtained and the population of the total data obtained. For 16 months, 20 light vehicles were instrumented during their operation in an altimetric range between 0 and 4000 meters above sea level, achieving representativeness of the Latin automobile fleet, which operates with provoked ignition engines. The vehicles were instrumented to obtain the following operating parameters: speed, acceleration, consumption, load and CO2, NOx, CO, HC, O2 emissions. Considering this large sample of evaluated vehicles and their similarity in operating characteristics, it is possible to infer that the resulting cycle manages to evaluate consumption and emissions within an adequate confidence interval. The quality of the data obtained, the rigorous data collection, the filtering of the information, the methodical and meticulous process of the cycle construction techniques and, finally, the large volume of information collected provides the necessary requirement to achieve representativeness, the objective of this study. For this purpose, an on-line platform was developed that operates under Python language, which allowed automating the process of collecting, filtering, analyzing, and displaying information regarding the car's operating parameters.

Keywords: Driving cycles; power; consumption; emissions; model.

 

Resumo

O interesse em selecionar um ciclo de condu��o que consiga representar o padr�o de condu��o do ve�culo em uma regi�o nos motiva a realizar este estudo para obter um modelo matem�tico que valide o processo de constru��o do ciclo que melhor reproduza o consumo de energia e as emiss�es geradas pela gasolina leve de ve�culos, emitido pelo tubo de escape. O ciclo de dire��o � um perfil de velocidade tempor�rio, que deve ser representativo e, al�m disso, log�stica e economicamente reproduz�vel. Este artigo apresenta um modelo que analisa a representatividade entre dois m�todos de constru��o de ciclos de dire��o, o primeiro denominado Micro Trips com base na Energia e o segundo com base na Pot�ncia Espec�fica do Ve�culo; A representatividade destes m�todos � avaliada a partir da diferen�a relativa m�dia de 16 par�metros caracter�sticos, entre os ciclos obtidos e a popula��o do total de dados obtidos. Durante 16 meses, 20 ve�culos leves foram instrumentados durante sua opera��o na faixa altim�trica entre 0 e 4000 metros acima do n�vel do mar, alcan�ando representatividade da frota automobil�stica latina, que opera com motores de igni��o provocada. Os ve�culos foram instrumentados para obter os seguintes par�metros operacionais: velocidade, acelera��o, consumo, carga e emiss�es de CO2, NOx, CO, HC, O2. Considerando essa grande amostra de ve�culos avaliados e sua similaridade nas caracter�sticas operacionais, � poss�vel inferir que o ciclo resultante consegue avaliar o consumo e as emiss�es dentro de um intervalo de confian�a adequado. A qualidade dos dados obtidos, o rigor na obten��o dos dados, a filtragem da informa��o, o processo meticuloso e meticuloso das t�cnicas de constru��o do ciclo e, por fim, o grande volume de informa��o recolhida fornece o requisito necess�rio para atingir a representatividade, o objetivo deste estudo. Para tanto, foi desenvolvida uma plataforma on-line que opera em linguagem Python, que permitiu automatizar o processo de coleta, filtragem, an�lise e exibi��o de informa��es sobre os par�metros operacionais do carro.

Palavras-chave: Ciclos de condu��o; pot�ncia; consumo; emiss�es; modelo.

 

Introducci�n

Un ciclo de conducci�n es una serie temporal de velocidades que busca representar de la manera m�s fiel posible el modo en el que se conduce en una regi�n determinada por un sector del transporte terrestre. Encontrar un m�todo que eval�e y compare la representatividad es una tarea relevante que permitir� seleccionar el ciclo m�s adecuado para medir y comparar el consumo de energ�a de los veh�culos y las emisiones del tubo de escape (Mont�far Paz, Abad Padilla, Quinga, & Razo Cifuentes, 2019). La reproducci�n y evaluaci�n de un� ciclo de conducci�n representativo permite cuantificar el consumo y las emisiones generadas en una localidad, de tal manera que se establece el primer pelda�o dentro de la elaboraci�n del� inventario de emisiones en una regi�n determinada (Zhang, Zhao, & Shen, 2011). Un ciclo de conducci�n, adem�s, permite obtener el consumo y emisiones semejantes al de un� veh�culo similar que recorra la regi�n establecida como objetivo, es por esto que se tiende a trabajar sobre ciclos reales de conducci�n que sean m�s representativos con lo que sucede en el mundo real (Andr�, 2004).

El impacto generado por los veh�culos requiere de un ciclo de conducci�n para poder evaluar su comportamiento. Estos ciclos se los puede evaluar sobre un dinam�metro o tambi�n remotamente con dispositivos de detecci�n remota, RSD. Un modelo basado en el consumo de combustible para el c�lculo de emisiones es COPERT, que fue desarrollado por la agencia europea del medio ambiente, AEMA en 1985. Los modelos basados en emisiones vinculan estos datos con la informaci�n de viaje de una regi�n de tal manera que sea posible generar inventarios de emisiones en base a ciertas estimaciones (Zhang et al., 2011; Mont�far & Palmay, 2020).

Las m�tricas de evaluaci�n plasmadas en los par�metros caracter�sticos logran describir, de un modo aproximado, el patr�n de conducci�n vehicular y con ello el ciclo de conducci�n. La representatividad y calidad del ciclo es posible evaluarla en funci�n de qu� tanto disten estos par�metros del ciclo, respecto al volumen total de datos obtenidos (Giraldo & Huertas, 2019). Estas brechas existentes entre el ciclo de conducci�n y la poblaci�n general de datos pueden ser cuantificadas a partir de los par�metros caracter�sticos que proporciona la m�trica de evaluaci�n de representatividad de un ciclo y el proceso de obtenci�n de �ste (Kancharla & Ramadurai, 2018).

Un ciclo de conducci�n de homologaci�n permite evaluar el cumplimiento de la normativa referente a consumo y emisiones, sin embargo, si este ciclo no responde a las particularidades de conducci�n de una localidad determinada, los datos desprendidos de estas pruebas carecen de validez pr�ctica que sustenten los resultados obtenidos (Brady & O�Mahony, 2016). En diferentes partes del mundo se utilizan una amplia variedad de ciclos de conducci�n los mismos que han sido obtenidos por diferentes m�todos. Uno de los principales m�todos es el conocido por micro viajes, particularmente por su naturaleza estoc�stica de tal modo que podr�n generar resultados diferentes con la misma base de datos como entrada (Zhang et al., 2011).

El m�todo de construcci�n del ciclo var�a seg�n el investigador que lo desarrolle, as� mismo, los par�metros caracter�sticos sobre los que se realiza la evaluaci�n de representatividad pueden variar, de tal manera que estos par�metros caracter�sticos, constituyen el elemento que diferencia un ciclo de otro; en consecuencia, el consumo y las emisiones generadas depender�n de las caracter�sticas y sus cambios en cada instante de tiempo. En la Figura 1 se muestran algunos de los principales ciclos de conducci�n y los par�metros sobre los que se apoy� el proceso de construcci�n de los mismos (Wang, Huo, He, Yao, & Zhang, 2008).

Los ciclos de conducci�n usualmente son utilizados para determinar si un veh�culo cumple con las condiciones operativas para ingresar a una� jurisdicci�n,� dependiendo del consumo y de las emisiones generadas durante la ejecuci�n del ciclo, pero si este� no responde a la realidad local tampoco los valores desprendidos del mismo ser�n un referente confiable del impacto generado (Giraldo & Huertas, 2019). El m�todo de construcci�n de los ciclos no es un asunto internacionalmente normalizado, sin embargo, existen par�metros como la velocidad, la aceleraci�n y tiempos en ralent� que son masivamente utilizados por su capacidad de sintetizar las particularidades de los modos de conducci�n.� (Huang et al., 2019). Uno de los m�todos de construcci�n del ciclo utiliza el consumo como un par�metro caracter�stico, esto a partir de que gracias a la instrumentaci�n del proceso de combusti�n del motor de combusti�n interna y de las variables operativas del motor� fue m�s viable la obtenci�n de esta informaci�n.(Jos� I. Huertas, Giraldo, Quirama, & D�az, 2018)

�

Figura 1: Ciclos de conducci�n, metodolog�as de construcci�n y par�metros caracter�sticos utilizados,� MT: Micro Trips, ST: select� trip, KT: Knight tour, MCMC: Markov chain Monte Carlo, VSP: Vehicle Specific Powerful (Andr�, 2004)(Bishop, Axon, & McCulloch, 2012)

 

Uno de los aspectos mayormente evaluados es la duraci�n que deber�a tener el ciclo, de tal manera que puedan ser reproducidos en un dinam�metro de rodillos de un modo viable, sin lapsos de tiempo excesivo que puedan decantar en costos exagerados o, por el contrario, ciclos muy cortos que no representen el pulso de conducci�n de la localidad, de tal manera que uno de los par�metros a ingresar por el investigador ser� el tiempo de duraci�n, basado en la experiencia particular. La Figura 2 muestra los tiempos y distancias que en promedio son considerados para realizar los distintos ciclos de conducci�n (Jos� Ignacio Huertas, Quirama, Giraldo, & D�az, 2019). Otro par�metro externo al ciclo que proporciona mayor repetitividad y reproducibilidad es el n�mero de interacciones que desarrolla internamente el ordenador para calcular el ciclo, entre mayor sea este n�mero, el resultado tendr� mejores caracter�sticas.

�

Figura 2: Tiempos y distancias de los ciclos de conducci�n

 

En el presente estudio se trabaja sobre los resultados obtenidos de la instrumentaci�n de varios autom�viles livianos de caracter�sticas similares. En este proceso se recolect�, a una tasa de 1 Hz, par�metros de operaci�n vehicular como: velocidad, consumo, aceleraci�n, altitud, emisiones, etc. Una de las metodolog�as de construcci�n de ciclos de conducci�n que se eval�a en este estudio es la de micro viajes a partir del consumo espec�fico de combustible, en vista de que en estudios anteriores este m�todo ha sido enfrentado a micro viajes general� y cadenas de M�rkov, mostrando mejor rendimiento al momento de evaluar la representatividad de modos de conducci�n y las emisiones generadas� en la ciudad de M�xico (Giraldo & Huertas, 2019).�

 

Materiales y m�todos

El proceso an�lisis de representatividad de los ciclos sigui� la siguiente l�nea de eventos conforme se lo puede visualizar en la Figura 3:

�         Selecci�n de ruta.

�         Recolecci�n de datos operativos y emisiones generadas.

�         Construcci�n de los ciclos de conducci�n.

�         An�lisis estad�stico de representatividad.

�

Figura 3: Arquitectura del proceso de validaci�n de representatividad de los ciclos de conducci�n (Montufar, Huertas, & Cuisano, 2020)

 

Selecci�n de ruta

La ruta sobre la cual fueron obtenidos los datos operativos y de emisiones generadas por el escape del autom�vil fueron seleccionadas aleatoriamente, buscando recorrer zonas urbanas de mayor circulaci�n a partir de reportes de tr�fico satelitales como Google Maps. Tambi�n se seleccionaron carreteras de alta velocidad de conexi�n obligada entre centros urbanos. Todos estos tramos de recorrido se encuentran distribuidos en una franja altim�trica entre 0 y 4500 msnm a lo largo de la geograf�a ecuatoriana.�

Las v�as seleccionadas tienen diferentes niveles de tr�fico. Este par�metro de intensidad de flujo vehicular se encuentra definida por la Academia Nacional de Ciencia desde el 2010 y determina bajo una medida cualitativa el tr�fico presente en una localidad. Para determinar esta medida utiliza datos de: velocidad, aceleraci�n, tiempo en tr�fico y libertad de maniobra entre otras.� La distribuci�n altim�trica se la puede observar en la Figura 4. Respecto al an�lisis din�mico del volumen de datos obtenidos se aprecia la amplia franja de datos recolectada en lo concerniente a velocidades y aceleraciones que se muestra en las Figuras 5 y 6.

 

Figura 4: Gr�fica logar�tmica de recuento de datos obtenidos a diversas altitudes sobre el nivel del mar

�

Figura 5: Recuento de velocidades obtenidas del conjunto de muestras recolectadas

�

Figura 6: Recuento de aceleraciones obtenidas del conjunto de muestras recolectas

 

Recolecci�n de datos

Los autom�viles fueron instrumentados con un dispositivo OBD II, el mismo que fue programado y dise�ado para la recolecci�n de datos en tiempo real a una frecuencia de 1Hz con la autonom�a necesaria para automatizar el proceso de recolecci�n, filtrado y construcci�n del ciclo.� Es importante mencionar que la estrategia de obtenci�n de consumo de combustible obtenido fue validada por m�todos gravim�tricos y cuantitativos donde fueron medidas las lecturas de consumo a partir de la instrumentaci�n del riel de presi�n, con sensores de flujo y presi�n para posteriormente comparar este valor con el del dispositivo OBD II, obteni�ndose un valor de R� superior a 0.9.

�

Figura 7: Arquitectura del sistema de adquisici�n y visualizaci�n de datos

 

La Figura 7 muestra la arquitectura del sistema de adquisici�n y visualizaci�n de datos. El equipo de adquisici�n de datos es una Raspberry Pi 3, con el m�dulo de GPS, adaptador de bluetooth y adaptador de red que, conjuntamente con el analizador de emisiones, permitieron recolectar los datos mostrados en la Tabla 1 y, adem�s, registrar la fecha, hora de adquisici�n de datos, posici�n geogr�fica, etc. Mientras que el modem Huawei que funciona con tecnolog�a 3G, compatible con la tarjeta de desarrollo, permitieron subir los datos a la nube. Utilizando el sistema de diagn�stico a bordo es posible monitorear los componentes que afectan a las emisiones del autom�vil, adem�s, es posible medir los par�metros de funcionamiento en tiempo real a partir de una trama del mensaje.

 

Tabla 1: Par�metros instrumentados en los veh�culos de medici�n, referentes a operaci�n del autom�vil y a emisiones generadas por el escape durante el proceso de la combusti�n, (Montufar et al., 2020).

 

Los datos obtenidos son almacenados en un servidor de Amazon y gestionados por el sistema MySQL que est�n basados en un c�digo abierto y permiten trabajar a bajos costos manteniendo en compatibilidad con otros eslabones del proceso. La visualizaci�n de la informaci�n fue colocada en un servidor de c�digo abierto, HTTP Apache, utilizando una p�gina web con lenguaje PHP, Java. El tama�o reducido de cada paquete de datos obtenido cada segundo y su capacidad de compactaci�n permite que el consumo de espacio en la plataforma sea considerablemente reducido y permita almacenarse por un lapso superior a 6 meses, sin recurrir a plataformas de tarifa. Adem�s, se recolectaron los datos de emisiones generadas por el escape de los autom�viles, a la misma frecuencia del dispositivo OBD II, mediante el uso del analizador de emisiones, con registro y visualizaci�n en tiempo real Maha Met 6.3 para obtener las concentraciones volum�tricas de los gases liberados por el escape despu�s del proceso de la combusti�n. Las especificaciones son mostradas en las Tablas 2 y 3. De esta manera es posible cotejar la informaci�n y analizarla en conjunto con los datos operativos del autom�vil, lo cual facilita el mapeado referente a zonas de funcionamiento donde el consumo y emisiones llegan a valores m�s altos (Bishop et al., 2012), tambi�n se abre la posibilidad de diagramar las franjas �ptimas de operaci�n vehicular. La informaci�n obtenida durante el proceso es mostrada en la Tabla 1. Uno de los puntos se�alados en el protocolo de recolecci�n de datos es el de puesta a punto del analizador, de tal manera que cada medici�n los valores puedan ser verificados en integridad y rangos de medici�n, otorgando confianza a los procesos subsiguientes.�

 

 

Tabla 2: Especificaciones del analizador de emisiones utilizado para obtener las lecturas de concentraci�n volum�trica de gases a la frecuencia de 1 Hz, (Montufar et al., 2020)

 

Tabla 3: M�todo de obtenci�n de emisiones y especificaciones de rango y precisi�n del� analizador

 

Durante un periodo de 2 a�os fueron obtenidos los datos de 20 veh�culos livianos que funcionan con gasolina y con una tecnolog�a similar y representativa del parque automotor regional. La Tabla 4 muestra las caracter�sticas generales de los autom�viles.� Las lecturas de los datos operativos del motor se adquirieron con un dispositivo OBD II construido y dise�ado para la adquirir y subir la informaci�n a la nube.

Los conductores seleccionados para el proceso de adquisici�n de datos fueron seleccionados aleatoria e indistintamente para las diferentes rutas de medici�n y se agreg� un peso lastre equivalente a dos ocupantes para lograr replicar las condiciones de operaci�n conforme a condiciones normales de trabajo.

 

Tabla 4: Caracter�sticas de los modelos de los autom�viles utilizados para la recolecci�n de datos, pudiendo haber m�s de uno por modelo, (Montufar et al., 2020)

Veh�culo	1	2	3	4	5	6	7	8	9	10
Tipo	Furgoneta	Sedan	Hatchback	Sedan	Sedan	Sedan	Sedan	Sedan	Suv	Truck
Est�ndar de emisiones	EURO III	EURO IV	EURO V	EURO V	EURO IV	EURO IV	EURO IV	EURO IV	EURO V	EURO IV
Cilindrada CC.	1173	1399	1397	1397	1498	1498	1598	1799	1984	2237
Relaci�n de compresi�n	10:1	10:1	10.5:1	10.5:1	9.5:1	9.5:1	10.5:1	9.8:1	9.6:1	10:1
Tipo de admisi�n	NA	NA	NA	NA	NA	NA	NA	NA	Turbo cargado	NA
Tipo de inyecci�n	MPFI	MPI CVVT	MPI CVVT	MPI CVVT	MPFI	MPFI	MPI	MPI	TFSI	MPFI
Torque m�ximo Nm-RPM	106 @ 3500 - 4500	136 @ 5000	137 @ 5000	138 @ 5000	128 @ 3000	128 @ 3000	153 @ 3800	165 @ 4000	350 @ 1500 - 4500	190 @ 2.800
Potencia m�xima KW-PRM	59 @ 6000	79 @ 6300	67 @ 6200	68 @ 6200	62 @ 5600	62 @ 5600	77 @ 5600	89,55 @ 5800	171.5 @ 4700 - 6200	79 @ 4600
Peso en vac�o Kg.	1230	1133	1263	1074	1040	1040	5	1211	1830	1740

 

Construcci�n de los ciclos de conducci�n

Los datos obtenidos durante el proceso fueron filtrados y validados de manera que se excluyan lapsos de mediciones incompletas o con datos que salen del rango comprendido para ciertas dimensiones como consumos de combustible desproporcionados o como concentraciones de ox�geno superiores al 10%, (Montufar et al., 2020). Como parte del proceso de procesamiento de datos fue necesario sincronizar los datos obtenidos por el dispositivo OBD y por el analizador de emisiones, en vista de que la velocidad de adquisici�n y registro de datos fue distinta; el analizador para su registro toma un tiempo adicional respecto a los datos operativos del autom�vil, que son recolectados instant�neamente. Para llevar a cabo esta sincronizaci�n fue necesario valerse del m�todo de correlaci�n de Pearson para analizar el comportamiento de las emisiones de di�xido de carbono frente a las revoluciones del motor, de esta manera se desfasan las dos bases de datos hasta encontrar el valor m�s alto de correlaci�n, que dependiendo de la muestra se hallaba entre 5 y 9 segundos la una respecto a la otra (Tong & Hung, 2010). En las Figuras 8 y 9 se visualiza el comportamiento de estas dos variables antes y despu�s de la sincronizaci�n de bases de datos, respectivamente.

 

Figura 8: Comportamiento del di�xido de carbono frente a la velocidad del motor antes del proceso de sincronizaci�n, (Montufar et al., 2020)

 

Figura 9: Comportamiento del di�xido de carbono frente a la velocidad del motor despu�s del proceso de sincronizaci�n (Montufar et al., 2020)

 

Estos datos permitieron analizar la conducci�n total en contexto y por micro viajes para obtener los par�metros caracter�sticos descriptivos mostrados en la Tabla 5.

 

Tabla 5: Par�metros caracter�sticos obtenidos de los viajes realizados.

 

A partir de la metodolog�a de construcci�n de ciclos de conducci�n basada en consumo y potencia espec�fica vehicular, se obtienen los ciclos partiendo de un m�todo com�n mostrado en la Figura 10, con la variante de que en el primer modelo se consideran como variantes de selecci�n a los siguientes par�metros caracter�sticos, (Yuhui, Yuan, & Huibao, 2019):

�         Velocidad promedio.

�         Aceleraci�n promedio.

�         Porcentaje de tiempo en ralent�.

�         Consumo de combustible.

 

Figura 10: Metodolog�a convencional para la construcci�n del ciclo de conducci�n

La potencia espec�fica vehicular es una raz�n entre la potencia de un autom�vil y su masa, esta adecuaci�n de datos permite realizar un c�lculo remoto para la obtenci�n de consumo, emisiones y como en este caso para la construcci�n de un ciclo de conducci�n, liberando de la adecuaci�n de compleja instrumentaci�n, requerida en otros m�todos (Mashadi, Amiri-Rad, Afkar, & Mahmoodi-Kaleybar, 2014).

Mientras que el segundo modelo, construcci�n basada en la potencia espec�fica vehicular (PSV), se consideran los primeros 3 par�metros m�s la potencia espec�fica del autom�vil, calculada a partir de la siguiente ecuaci�n:

��� ���������������������������������������������� (1)

Donde F.a = Fuerza aerodin�mica; F.r = Fuerza de rodadura; F.w = Fuerza ejercida por el peso del autom�vil; F.i = Fuerza interna del autom�vil; v = Velocidad y m = masa del autom�vil.

Los datos obtenidos en la fase de instrumentaci�n, filtrados, procesados y ordenados permitieron construir 6 ciclos de conducci�n por cada metodolog�a y posteriormente describir estos ciclos a partir de los par�metros caracter�sticos mostrados en la Tabla 5 y por factores de emisi�n expresados en g/km para cada uno de los gases monitoreados () segundo a segundo.

El total de datos obtenidos es separado en tramos, considerando como punto de inicio y de fin de cada uno de ellos el momento en que el motor se encuentra en velocidad de ralent�, incluyendo en cada micro viaje el inicio de ralent� inicial de cada segmento en que fue divido el conjunto de datos; luego se generan cl�sters de datos mediante el criterio de k-means a partir de 2 variables (velocidad promedio y aceleraci�n promedio positiva) y estos cl�sters de datos son seleccionados aleatoriamente ponderando positivamente su tama�o, una segunda divisi�n aleatoria se genera en cada cl�ster para obtener los micro viajes que ser�n agrupados uno a continuaci�n del otro hasta conseguir el tiempo destinado para el ciclo de conducci�n. Los ciclos de conducci�n obtenidos a partir de una secuencia de interacciones realizadas por el ordenador en una plataforma de lenguaje Python deben cumplir con un error relativo inferior al 5% para los par�metros caracter�sticos seleccionados y como condici�n adicional se seleccionar�n los que muestren la menor diferencia respecto al global de datos obtenidos.

 

An�lisis estad�stico de representatividad

Con los ciclos de conducci�n obtenidos bajo las dos metodolog�as, se comparan sus errores relativos respecto a la muestra total de datos, de tal manera que los promedios de las diferencias relativas y los rangos inter-cuartiles se constituyen en los elementos que otorgan la valoraci�n de la representatividad de los ciclos. Construidos los ciclos en base a una serie de interacciones computacionales se generan 10 ciclos por modelo y se obtienen errores porcentuales entre los par�metros caracter�sticos de la muestra y de cada uno de los ciclos.

 

Resultados y discusi�n

Resultados del m�todo de consumo de combustible basado en micro viajes (EBMT)

Utilizando el programa desarrollado en lenguaje Python para la obtenci�n de los ciclos de conducci�n y los par�metros caracter�sticos, se llegan a los mostrados en la tabla 6 y en la Figura 11, donde se verifican sus valores por el m�todo de micro viajes basado en consumo espec�fico, estos par�metros son el promedio de 10 micro viajes obtenidos despu�s de las 1000 interacciones realizadas por el software desarrollado.

�

Tabla 6: Promedio de par�metros caracter�sticos obtenidos por el m�todo de micro viajes por consumo de combustible

Figura 11: Gr�fica de los 10 ciclos obtenidos por el m�todo EBMT

 

Con estos valores obtenidos y compar�ndolos con los par�metros del total de datos se determinan los errores relativos, los cu�les se muestran en la Tabla 7. Los errores calculados a partir de la comparaci�n de los datos totales y los ciclos obtenidos son los que permiten valorar la representatividad del ciclo.

 

Tabla 7: Promedio de errores obtenidos por par�metro entre la muestra y cada uno de los ciclos

 

Resultados del m�todo de potencia espec�fica vehicular (PSV)

Utilizando el m�todo de criterio determinante a la potencia espec�fica vehicular se llega obtener 10 ciclos de conducci�n de las 1000 interacciones realizadas por el computador para esta metodolog�a alterna de construcci�n, promediando los par�metros caracter�sticos se llega a los resultados mostrados en la Tabla 8 y en la Figura 12.

 

Tabla 8: Promedio de par�metros caracter�sticos obtenidos por el m�todo de micro viajes por PSV

 

Figura 12: Gr�fica de los 10 ciclos obtenidos por el m�todo PSV.

 

Realizado este c�lculo se obtienen los errores relativos entre el total de datos y los promedios de la Tabla 8 para demostrar la representatividad de esta metodolog�a de construcci�n de ciclos. Los errores se muestran en la Tabla 9.

 

Tabla 9: Promedio de errores obtenidos por par�metro entre la muestra y cada uno de los ciclos por el m�todo de PSV

 

A partir de los resultados obtenidos se concluye que los promedios de errores relativos encontrados por cada m�todo son cercanos, sin embargo, la construcci�n realizada por el m�todo de potencia espec�fica vehicular (PSV) refleja un menor error porcentual para cada uno de los 10 ciclos obtenidos en comparaci�n de la estrategia de micro viajes por consumo de combustible (EBMT) como se observa en la Figura 13. Los errores promedio no superan el 6% en ambos casos.

 

Figura 13: Promedio de los errores relativos para cada uno de los diez ciclos generados por los dos m�todos estudiados, EBMT Y PSV

 

Las Figuras 14 y 15 muestran el promedio de los errores relativos obtenidos en los 10 ciclos para cada uno de los par�metros caracter�sticos bajo la metodolog�a EBMT y PSV, respectivamente. En ambos casos los errores relativos no superan el 11%.

 

Figura 14: Promedio de los errores relativos obtenidos en los 10 ciclos para cada uno de los par�metros caracter�sticos bajo la metodolog�a EBMT

 

Figura 15: Promedio de los errores relativos obtenidos en los 10 ciclos para cada uno de los par�metros caracter�sticos bajo la metodolog�a PSV

La Figura 16 muestra el ciclo de conducci�n construido por el m�todo de micro viajes respecto a potencia espec�fica que reporta un menor promedio en los errores relativos de todos los par�metros caracter�sticos utilizados.

�

Figura 16: Ciclo de conducci�n obtenido por el m�todo de micro viajes utilizando a la potencia especifica vehicular como par�metro de selecci�n y rechazo.

 

Conclusiones

El presente trabajo analiza la representatividad de ciclos de conducci�n construidos a partir de potencia espec�fica vehicular y consumo de energ�a basado en micro viajes, del cual se obtienen las siguientes conclusiones:

�         El an�lisis de representatividad de los dos modelos de construcci�n de ciclos de conducci�n analizados, micro viajes por consumo espec�fico de combustible y micro viajes por potencia espec�fica vehicular son claramente v�lidos y eficaces al momento de obtener un ciclo de conducci�n representativo, en vista de que los errores relativos son, en promedio, inferiores al 6%, respecto al volumen masivo de datos obtenidos.

�         En promedio, los errores relativos de cada par�metro caracter�stico demuestran que el m�todo de micro viajes por potencia espec�fica vehicular es una estrategia que proporciona una mayor eficacia que el m�todo de micro viajes por consumo espec�fico, un 2% de margen es la brecha porcentual en promedio entre los dos m�todos de construcci�n de ciclos.

�         El n�mero de interacciones con que el programa calcula los ciclos de an�lisis puede modificar levemente la brecha existente entre las metodolog�as de construcci�n de ciclos respecto a los errores relativos de los par�metros caracter�sticos.

�         El tiempo de 3000 segundos para los ciclos de conducci�n obtenidos corresponde un an�lisis de costo vs. beneficio donde se obtenga una alta representatividad sin incurrir en un exceso de gastos log�sticos para la reproducibilidad de la prueba y que, adem�s, es coherente con ciclos de conducci�n previos obtenidos por otros investigadores.

�

Referencias

1.                  Andr�, M. (2004). The ARTEMIS European driving cycles for measuring car pollutant emissions. Science of the Total Environment, 334�335, 73�84. https://doi.org/10.1016/j.scitotenv.2004.04.070

2.                  Bishop, J. D. K., Axon, C. J., & McCulloch, M. D. (2012). A robust, data-driven methodology for real-world driving cycle development. Transportation Research Part D: Transport and Environment, 17(5), 389�397. https://doi.org/10.1016/j.trd.2012.03.003

3.                  Brady, J., & O�Mahony, M. (2016). Development of a driving cycle to evaluate the energy economy of electric vehicles in urban areas. Applied Energy, 177, 165�178. https://doi.org/10.1016/j.apenergy.2016.05.094

4.                  Giraldo, M., & Huertas, J. I. (2019). Real emissions, driving patterns and fuel consumption of in-use diesel buses operating at high altitude. Transportation Research Part D: Transport and Environment, 77, 21�36. https://doi.org/10.1016/j.trd.2019.10.004

5.                  Huang, Y., Surawski, N. C., Organ, B., Zhou, J. L., Tang, O. H. H., & Chan, E. F. C. (2019). Fuel consumption and emissions performance under real driving: Comparison between hybrid and conventional vehicles. Science of the Total Environment, 659, 275�282. https://doi.org/10.1016/j.scitotenv.2018.12.349

6.                  Huertas, Jos� I., Giraldo, M., Quirama, L. F., & D�az, J. (2018). Driving cycles based on fuel consumption. Energies, 11(11), 1�13. https://doi.org/10.3390/en11113064

7.                  Huertas, Jos� Ignacio, Quirama, L. F., Giraldo, M., & D�az, J. (2019). Comparison of three methods for constructing real driving cycles. Energies, 12(4). https://doi.org/10.3390/en12040665

8.                  Kancharla, S. R., & Ramadurai, G. (2018). Incorporating driving cycle based fuel consumption estimation in green vehicle routing problems. Sustainable Cities and Society, 40, 214�221. https://doi.org/10.1016/j.scs.2018.04.016

9.                  Mashadi, B., Amiri-Rad, Y., Afkar, A., & Mahmoodi-Kaleybar, M. (2014). Simulation of automobile fuel consumption and emissions for various driver�s manual shifting habits. Journal of Central South University, 21(3), 1058�1066. https://doi.org/10.1007/s11771-014-2037-x

10.              Montufar, P., Huertas, J. I., & Cuisano, J. (2020). Driving cycle and emission factors in high-altitude cities: Riobamba case. 2020 Ieee Andescon, Andescon 2020. https://doi.org/10.1109/ANDESCON50619.2020.9272059

11.              Mont�far, P., & Palmay, P. (2020). Pa�l Alejandro Mont�far-Paz. Caracterizaci�n de Los �xidos de Nitr�geno Emitido Por Motores de Combusti�n Interna En Condiciones Reales de Trabajo, 5(04), 254�270. https://doi.org/10.23857/pc.v5i4.1377

12.              Mont�far Paz, P., Abad Padilla, C., Quinga, M. I., & Razo Cifuentes, A. V. (2019). An�lisis de los factores de emisi�n din�micos para el veh�culo Toyota Hi Lux con motor de Ciclo Otto S.I para altitudes superiores a los 2500 metros. Ciencia Digital, 3(2), 602�619. https://doi.org/10.33262/cienciadigital.v3i2.469

13.              Tong, H. Y., & Hung, W. T. (2010). A framework for developing driving cycles with on-road driving data. Transport Reviews, 30(5), 589�615. https://doi.org/10.1080/01441640903286134

14.              Wang, Q., Huo, H., He, K., Yao, Z., & Zhang, Q. (2008). Characterization of vehicle driving patterns and development of driving cycles in Chinese cities. Transportation Research Part D: Transport and Environment, 13(5), 289�297. https://doi.org/10.1016/j.trd.2008.03.003

15.              Yuhui, P., Yuan, Z., & Huibao, Y. (2019). Development of a representative driving cycle for urban buses based on the K-means cluster method. Cluster Computing, 22(3), 6871�6880. https://doi.org/10.1007/s10586-017-1673-y

16.              Zhang, X., Zhao, D. J., & Shen, J. M. (2011). A synthesis of methodologies and practices for developing driving cycles. Energy Procedia, 16(PART C), 1868�1873. https://doi.org/10.1016/j.egypro.2012.01.286

 

 

� 2020 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

��������������������������������������������������������������������������������������������������������������������������������������������������������