[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.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:56709 |
Date | 21 December 2021 |
Creators | RODOLFO SPINELLI TEIXEIRA |
Contributors | IVAN FABIO MOTA DE MENEZES, IVAN FABIO MOTA DE MENEZES |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0024 seconds