[pt] O presente trabalho apresenta uma análise termodinâmica dos processos de captura e reinjeção de CO2, que se tornaram indispensáveis à produção de óleo e gás nas instalações de petróleo offshore no Brasil desde o início do desenvolvimento dos campos do pré-sal. O petróleo dos reservatórios da camada pré-sal da Bacia de Santos apresenta uma particularidade importante, quando comparado com o petróleo dos campos pós-sal do Brasil. A composição do gás natural do pré-sal apresenta grande teor de CO2, podendo ultrapassar 15 por cento, enquanto que a composição típica do gás natural dos campos pós-sal apresenta teor de CO2 abaixo de 1 por cento. Isto exige que equipamentos e operações de processamento do petróleo sejam mais complexos, pois devem ser capazes de: (i) separar o CO2 do gás produzido, (ii) comprimir as correntes de CO2 e de gás natural com baixo teor de CO2 e enviá-las para seus diversos destinos (reinjeção, gas lift, exportação etc.). Consequentemente, com a introdução destes novos processos para captura e injeção do CO2, houve aumento da demanda energética nestas unidades. Este trabalho visa estudar os processos envolvidos na captura e reinjeção de CO2, uma vez que utilizam novas técnicas e tecnologias pouco divulgadas na literatura acadêmica. Busca, também, contribuir para o cálculo do consumo adicional energético nas plataformas de produção de petróleo offshore, tipo FPSO, devido à inclusão da captura e reinjeção de CO2. E, por último, apresenta uma breve análise do impacto ambiental que tais processos podem causar, considerando a emissão de poluentes atmosféricos, como CO2 e CH4, principalmente. / [en] This work presents a thermodynamic analysis of carbon dioxide (CO2) capture and reinjection processes, which have become indispensable for oil and gas production, particularly in the Brazilian offshore pre-salt fields. In comparison to the Brazilian post-salt reservoir, the petroleum from the Santos Basin pre-salt reservoir has a much larger CO2 content, which can exceed 15 percent, as opposed to less than 1 percent in the post-salt case. This peculiarity demands more complex operational equipment and processes that: (i) separate the CO2 from the produced gas; (ii) compress both the CO2 and low content CO2 natural gas streams and (iii) direct them to their subsequent destinations (reinjection, gas lift, exportation etc.). Consequently, these new capture and injection processes increase the energy demand on these production units. The present study aims to describe the processes involved in the CO2 capture and reinjection, since there is a lack of references in the literature about these new techniques and technology. Furthermore, it contributes to the evaluation of the additional energy consumption of an offshore Floating, Production, Storage and Offloading unit (FPSO), due to the inclusion of processes related to the capture and reinjection of CO2. Finally, a brief analysis is made on the environmental impact from these processes, considering the additional emission of atmospheric pollutants such as CO2 and CH4.

[pt] O consumo de combustível em empresas do setor de transporte ferroviário representa um dos maiores gastos operacionais e uma das maiores preocupações em termos de emissões de poluentes. O alto consumo em combustíveis acarreta também em uma alta representatividade na matriz de escopo de emissões (mais de 90 por cento das emissões de ferrovias são provenientes do consumo de combustível fóssil). Com o viés de se buscar uma constante melhora operacional, estudos vêm sendo realizados com a finalidade de se propor novas ferramentas na redução do consumo de combustível na operação de um trem de carga. Nesse ramo, destaca-se o aperfeiçoamento dos parâmetros de condução de um trem que são passíveis de calibração com o objetivo de reduzir o consumo de combustível. Para chegar a esse fim, o presente trabalho implementa dois modelos de aprendizado de máquina (machine learning) para prever a eficiência energética de um trem de carga, são eles: floresta randômica e redes neurais artificiais. A floresta randômica obteve o melhor desempenho entre os modelos, apresentando uma acurácia de 91 por cento. Visando calcular quanto cada parâmetro influencia no modelo de previsão, este trabalho também utiliza técnica de efeitos acumulados locais em cada parâmetro em relação à eficiência energética. Os resultados finais mostraram que, dentro dos quatro parâmetros de calibração analisados, o indicador de tração por tonelada transportada apresentou maior representatividade em termos de impacto absoluto na eficiência energética de um trem de carga. / [en] Fuel consumption in companies in the rail transport sector represents one of the largest operating expenses and one of the biggest concerns in terms of pollutant emissions. The high fuel consumption also entails a high representation in the emissions scope matrix (more than 90 percent of railroad emissions come from fossil fuel consumption). Aiming to seek constant operational improvement, numerous studies have been carried out proposing new tools to reduce fuel consumption in the operation of a freight train. In this way, it is important to highlight the improvement of train driving parameters that can be calibrated to reduce fuel consumption. To accomplish this goal, the present work implements two machine learning models to predict the energy efficiency of a freight train: random forest and artificial neural networks. The random forest achieves the best performance against the models, with an accuracy of 91 percent. To calculate how much each parameter influences the prediction model, this work also uses the technique of accumulated local effects for each parameter related to energy efficiency. The final results show that, within the four analyzed calibration parameters, the traction per transported ton indicator presented greater representation in terms of absolute impact on the energy efficiency of a freight train.

An Over-Actuated (OA) vehicle is a system that presents more control variables than degrees of freedom. Therefore, more than one configuration of the control input can drive the system to a desired state in the state space, and this redundancy can be exploited to fulfill other tasks or solve further problems. In particular, nowadays, challenges concerning electric vehicles regarding their autonomy and solutions to reduce energy consumption are becoming more and more attractive. OA vehicles, on this problem, offer the possibility of using the redundancy to choose the control input, among possible ones, so as to minimize energy consumption. In this regard, the research objective is to investigate different techniques to control in real-time an over-actuated autonomous driving vehicle to guarantee trajectory following and stability with the aim of minimizing energy consumption. The research project focuses on a vehicle able to drive and steer the four wheels (4WD, 4WS) independently. This work extends the contribution of previous theoretical energy-based research developed and provides a control algorithm that must work in real-time on a prototype vehicle (RCV-E) developed at the Integrated Transport Research Lab (ITRL) within KTH with the over-actuation investigated. To this end, the control algorithm has to balance the complexity of a multi-input system, the optimal allocation objectives, and the agility to run in real-time on the MicroAutoBox II - dSPACE system mounted on the vehicle. The solution proposed is a two-level controller which handles separately high and low-rate dynamics with an adequate level of complexity. The upper level is responsible for trajectory following and energy minimization. The allocation problem is solved in two steps. A Linear Time-Varying Model Predictive Controller (LTV-MPC) solves the trajectory-following problem and allocates the forces at the wheels considering the wheel energy losses due to longitudinal and lateral sliding. The second step re-allocates the longitudinal forces between the front and rear axles by considering each side of the vehicle independently to minimize energy loss in the motors. The lower level is responsible for transforming the forces at the wheels into torques and steering angles; it runs at a faster rate than the upper level to account for the high-frequency dynamics of the wheels. Last, the overall control strategy is tested in simulation concerning the trajectory-following and energy minimization performance. The real-time performance are assessed on MircoAutoBox II, the control interface used on the RCV-E. / Ett fordon med olika grad av över-aktuering är ett system som har fler kontrollvariabler än frihetsgrader. Därför kan mer än en konfiguration av styrinmatningen driva systemet till ett önskat tillstånd i tillståndsrummet, och denna redundans kan utnyttjas för att utföra andra uppgifter eller lösa andra problem. I synnerhet blir det i dag allt mer attraktivt med utmaningar som rör elfordon när det gäller deras självklörande drift och lösningar för att minska energiförbrukningen. Överaktuerat fordon ger möjlighet att använda redundansen för att välja en av de möjliga styrinmatningarna för att minimera energiförbrukningen. Forskningsmålet är att undersöka olika tekniker för att i realtid styra ett självkörande fordon som är överaktuerat för att garantera banföljning och stabilitet i syfte att minimera energiförbrukningen. Forskningsprojektet är inriktat på ett fordon som kan köra och styra de fyra hjulen (4WD, 4WS) självständigt. Detta arbete utökar bidraget från den tidigare teoretisk energi-baserade forskning som utvecklats genom att tillhandahålla en regleralgoritm som måste fungera i realtid på ett prototypfordon (RCV-E) som utvecklats vid ITRL inom KTH med den undersökta överaktueringen. I detta syfte måste regleralgoritmen balansera komplexiteten hos ett system med flera ingångar, målen för optimal tilldelning och smidigheten samt att fungera i realtid på MicroAutoBox II - dSPACE-systemet som är monterat på fordonet. Den föreslagna lösningen är en tvåstegsstyrning som hanterar dynamiken med hög och låg hastighet separat med en lämplig komplexitetsnivå. Den övre nivån ansvarar för banföljning och energiminimering. Tilldelningsproblemet löses i två steg. En LTV-MPC löser banföljningsproblemet och fördelar krafterna på hjulen med hänsyn till energiförlusterna på hjulen på grund av longitudinell och lateral glidning. I det andra steget omfördelas de längsgående krafterna mellan fram- och bakaxlarna genom att varje fordonssida beaktas oberoende av varandra för att minimera energiförlusterna i motorerna. Den lägre nivån ansvarar för att omvandla krafterna vid hjulen till vridmoment och styrvinklar; den körs i snabbare takt än den övre nivån för att ta hänsyn till hjulens högfrekventa dynamik. Slutligen testas den övergripande reglerstrategin i simulering med avseende på banföljning och energiminimering, och därefter på MircoAutoBox II monterad på RCV-E för att bedöma realtidsprestanda. / Un veicolo sovra-attuato è un sistema che presenta più variabili di controllo che gradi di libertà. Pertanto, più di una configurazione dell’ingresso di controllo può portare il sistema a uno stato desiderato nello spazio degli stati e questa ridondanza può essere sfruttata per svolgere altri compiti o risolvere ulteriori problemi. In particolare, al giorno d’oggi le sfide relative ai veicoli elettrici per quanto riguarda la loro autonomia e le soluzioni per ridurre il consumo energetico stanno diventando sempre più interessanti. I veicoli sovra-attuati, riguardo a questo problema, offrono la possibilità di utilizzare la ridondanza per scegliere l’ingresso di controllo, tra quelli possibili, che minimizza i consumi energetici. A questo proposito, l’obiettivo della ricerca è studiare diverse tecniche per controllare, in tempo reale, un veicolo a guida autonoma sovra-attuato per garantire l’inseguimento della traiettoria e la stabilità con l’obiettivo di minimizzare il consumo energetico. Questo studio si concentra su un veicolo in grado di guidare e sterzare le quattro ruote (4WD, 4WS) in modo indipendente, ed estende il contributo delle precedenti ricerche teoriche fornendo un algoritmo di controllo che deve funzionare in tempo reale su un prototipo di veicolo (RCV-E) sviluppato presso l’ITRL all’interno del KTH, che presenta la sovra-attuazione studiata. A tal fine, l’algoritmo di controllo deve bilanciare la complessità di un sistema a più ingressi, gli obiettivi di allocazione dell’azione di controllo ottimale e l’agilità di funzionamento in tempo reale sul sistema MicroAutoBox II - dSPACE montato sul veicolo. La soluzione proposta è un controllore a due livelli che gestisce separatamente le dinamiche ad alta e bassa frequenza. Il livello superiore è responsabile dell’inseguimento della traiettoria e della minimizzazione dell’energia. Il problema di allocazione viene risolto in due fasi. Un LTV-MPC risolve il problema dell’inseguimento della traiettoria e assegna le forze alle ruote tenendo conto delle perdite di energia agli pneumatici dovute al loro scorrimento longitudinale e laterale. Il secondo passo rialloca le forze longitudinali tra l’asse anteriore e quello posteriore considerando ciascun lato del veicolo in modo indipendente per minimizzare le perdite di energia nei motori. Il livello inferiore è responsabile della trasformazione delle forze alle ruote in coppia e angolo di sterzo; funziona a una più alta frequenza rispetto al livello superiore per tenere conto delle dinamiche veloci delle ruote. Infine, la strategia di controllo viene testata in simulazione per quanto riguarda le prestazioni di inseguimento della traiettoria e di minimizzazione dell’energia, e successivamente su MircoAutoBox II montato sull’RCV-E per valutare le prestazioni in tempo reale.