Aplicación de redes neuronales para estimar la emisión de gases contaminantes con relación al consumo de gasolina de vehículos livianos circulando en Lima Metropolitana en el 2022

• Autor: Meza Lázaro, Alessandra
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/29796
• Enlace del recurso: http://hdl.handle.net/20.500.12404/29796
• Nivel de acceso: acceso abierto
• Materia: Contaminación ambiental--Predicción; Vehículos de motor--Contaminación--Perú--Lima; Aprendizaje automático (Inteligencia artificial); Redes neuronales (Computación)--Aplicaciones; https://purl.org/pe-repo/ocde/ford#2.07.03

El presente trabajo de investigación se centró en la predicción de contaminantes de vehículos livianos, siendo los contaminantes medidos el HC, NOx, CO y CO2 en Lima Metropolitana durante el 2022. El objetivo del trabajo es estimar la emisión de gases contaminantes con relación al consumo de gasolina mediante una muestra representativa del parque automotor de la ciudad. El análisis se realizó mediante el entrenamiento de múltiples redes neuronales, escogiendo el mejor esquema de red y contrastándolo con los resultados del modelo de aprendizaje supervisado llamado “random forest”. Este enfoque permitió evaluar el desempeño de las redes neuronales y comparar dos metodologías diferentes, destacando así alternativas que no requieran el uso de redes neuronales. En particular, las redes neuronales resultaron ser una alternativa apropiada al tener resultados de un coeficiente de correlación de 0.85 para el caso del CO2. Loa valores de precisión obtenidos mediante redes neuronales cumplen con lo requerido para brindar confiabilidad en los resultados, ya que se encuentran en el mismo rango que la investigación de predicción por redes neuronales de Seo J y otros. A diferencia del método de “random forest”, se tuvo un mejor control del sobreajuste de los datos pese a tener 0.2 menos de precisión para las predicciones de HC, NOx y CO. Esto principalmente por la naturaleza aleatoria de las mediciones en un contexto real, donde múltiples variables afectan la conducción. Además, el estudio incluyó la evaluación del desempeño de las metodologías de predicción por tipo de carrocería, permitiendo un análisis más detallado y específico de las emisiones vehiculares. Esto contribuye a una comprensión más profunda de las fuentes de contaminación y las posibles medidas de mitigación. En base a ello, el estudio busca sentar las bases para posteriores investigaciones sobre la predicción de inventarios de emisiones en más ciudades del Perú. Asimismo, enfatiza la importancia del análisis de los inventarios de emisiones de los vehículos utilizando datos reales de campo, con el objetivo de plantear medidas de reducción de contaminantes y proponer alternativas que mejoren la calidad del aire en centros urbanos.