XII riunione dell‘ Expert Panel

Presentazione sul tema: "XII riunione dell‘ Expert Panel"— Transcript della presentazione:

1 XII riunione dell‘ Expert Panel
Progetto ARTEMIS Data Base Europeo “Fattori di emissione di autovetture” XII riunione dell‘ Expert Panel dott. Meccariello Giovanni CNR – Istituto Motori

2 Introduzione ARTEMIS (Assessment and reliability of transport emission models and inventory systems) Il progetto è rivolto allo sviluppo di un modello d'emissione per tutti i modi di trasporto e mira a fornire le valutazioni costanti dell'emissione al livello nazionale, internazionale e regionale La struttura del progetto è armonizzata in diversi Task (WP) rivolti a valutare i fattori di emissione dei diversi modi di trasporto ed alla costituzione di un database europeo dei fattori di emissione

3 WP 100 - Project Management - TRL
WP LDV emissions - INRETS WP HDV emissions - TUG WP wheel emissions - TNO WP Railways - DTU WP 800 Aircraft - psiA WP Shipping - DTU WP Road traffic - INRETS WP Inventory Model INFRAS WP Validation TUG WP Evaporative emissions - TUG

4 WORKPACKAGE 300 DESCRIPTION - Task 320
WP Title: Improvement of the passenger car emission data base Starting date: month nr Duration: 45 months Partners involved R & D Task/Activity of Partner INRETS Task 323 responsible, participation all tasks TUG Task 321 resp., participation task 324 VTT WP and task 322 responsible, EMPA Participation in tasks 322 & 323 CNR Participation in all tasks TNO Participation in task 325 KTI ULCO US AVL-MTC VTI Participation in tasks 322, 323, 324 & 325 USTL Objectives - Assess the effects of road gradient and vehicle load, measure hot and cold emissions of unregulated pollutants to enlarge the emission database to include vehicles with the latest emission control technology and assess the effect of low ambient temperature on emissions. Description of work / tasks: - 321 Road gradient, vehicle load and auxiliaries - 322 Exhaust emissions of non-regulated pollutants - 323 Cold start emissions - 324 Influence of auxiliaries - 325 Light duty vehicle emissions

5 Introduzione Nell’ambito della partecipazione al progetto europeo ARTEMIS, l’Istituto Motori ha sviluppato un approccio statistico per l’analisi delle emissioni inquinanti di dati provenienti da un grande Data Base di emissioni. Per la valutazione dei fattori di emissione si è partiti dai dati di emissione medi misurati in un ciclo di guida, relativi ad un elevato numero di combinazioni di veicoli e cicli di guida, quali quelli memorizzati nel data base di ARTEMIS. L’approccio è stato perfezionato ed applicato ai dati di emissione dell’intero data base delle misure effettuate su autovetture per trasporto passeggeri sia diesel che benzina.

6 Obiettivi I risultati dell’attività ottenuti per ciascuna combinazione di tecnologia/veicoli/cilindrata sono relativi ai molteplici obiettivi perseguiti: valutare i fattori di emissione; analizzare gli effetti della classe di omologazione, della classe di cilindrata del veicolo e dei cicli di guida sui fattori di emissione; sviluppare un modello di predizione delle emissioni di un micro-trip, in funzione dei parametri cinematici considerati nel modello.

7 Struttura data base

8 diagramma di flusso

9 Cicli di guida 42/160 Cicli di guida utili

10 Casi Diesel Sono stati analizzati tre data set, dividendo i dati in base alla classe di omologazione presenti nel database (EURO 1, 2 e 3) ed alla cilindrata del veicolo. È stata considerata una sola classe di cilindrata (inferiore ai 2000 cc) in quanto i veicoli diesel, utilizzabili, presenti nel database hanno tutte cilindrate elevate comprese tra cc. Non sono presenti veicoli con cilindrate inferiori perché esistenti solo per i nuovi veicoli Euro 4 non ancora presenti, con valori di emissioni adeguati e sufficienti alla creazione di un modello, nel database analizzato.

11 Casi Benzina Sono stati analizzati otto data set, dividendo i dati in base alla classe di omologazione presenti nel database (EURO 1, 2, 3 e 4) ed alla cilindrata del veicolo. Sono state considerate tre classi di cilindrate ( cc, cc, oltre 2000 cc) nel caso in cui fossero disponibili una quantità considerevole di dati, altrimenti si sono raggruppate le classi di cilindrata e i dati sono stati suddivisi univocamente per classe di omologazione

12 Tabella Riassuntiva Casi Diesel Casi Benzina < 2000 E1 D 2000
OMOLOGAZIONE//CILINDRATA Euro 1 Euro 2 Euro 3 Euro 4 < 2000 E1 D 2000 E2 D 2000 E3 D 2000 n.a. Casi Benzina OMOLOGAZIONE /CILINDRATA Euro 1 Euro 2 Euro 3 Euro 4 E1 GAS 12-14 E2 GAS 12-14 E3 GAS 12-14 E4 GAS 10-20 E1 GAS 14-20 E2 GAS 14-20 E3 GAS 14-20 > 2000 n.a. E3 GAS 2000

13 Individuazione Outliers
Preliminarmente, è stata condotta un’analisi, sull’intero subset di dati, tramite uno dei metodi non parametrici attualmente più diffusi, per identificare gli outliers in un campione di dati, MAD, (Median absolute deviation) la mediana del valore assoluto degli scarti dalla mediana. MAD è una misura non parametrica di dispersione o variabilità di una distribuzione di dati.

14 Individuazione Outliers
Una ulteriore verifica degli outliers viene effettuata confermando i valori di emissione dei veicoli dei cicli di omologazione, valutando se essi rispettino i limiti di omologazione delle diverse normative vigenti a seconda della tecnologia del veicolo

15 Valutazione dei fattori di emissione
La valutazione dei fattori di emissione per ciascun data set viene eseguita applicando dei modelli di regressione sviluppati ad hoc. In primo luogo viene calcolato dai dati un modello tendente ad individuare la presenza di trend specifici nelle emissioni e di eventuali valori anomali, considerando nel modello l’effetto specifico di ciascun veicolo mediante l’utilizzo di variabili dummy. Tali variabili permettono di valutare all’interno del modello i singoli pesi, nella determinazione delle emissioni, dei coefficienti dei singoli veicoli rispetto agli inquinanti.

16 Valutazione dei fattori di emissione
Tali coefficienti ci permettono di identificare l’effetto % di eventuali veicoli su un particolare fattore di emissione e di stabilire secondo una soglia di taglio i veicoli considerati normal emitters da quelli high emitters ed infine da quelli da considerare come outliers e quindi escluderli dal processo formativo dei fattori di emissione. >300 % 300 % 150 % -150 % -300 % <-300 % In letteratura, valori % dei coefficienti maggiore di 300 sono considerati anomali e di conseguenza trattati come outliers, mentre quelli compresi nel range 150  300 sono considerati high emitter e quindi trattati con particolare attenzione in quando anomali rispetto alla media dei veicoli in relazione alla loro cilindrata e tecnologia

17 Costruzione del Modello
I fattori di emissione calcolati , considerando l’effetto del veicolo come un effetto casuale, che si somma all’errore sperimentale di misura e non viene valutato separatamente. Vengono costruiti diversi modelli di regressione PLS (Partial Least Squares) multiblock per specifica base dati (tecnologia / cilindrata)

18 Costruzione del Modello
PLS si fonda su una regressione statistica multivariata, capace di considerare nello stesso modello le relazioni esistenti tra un gruppo di variabili di risposta Y (predictors), che nel nostro caso rappresentano le emissioni medie misurate in ogni ciclo di guida, e un gruppo di variabili esplicative X (scores), ossia i parametri cinematici identificativi del profilo di velocità stesso. Modello di emissione [CO HC NOX CO2 PM] = f(x1, x2, x3, …, xi, …, xn) Fattori di emissione CO HC NOX PM CO2

19 Costruzione del Modello
Le variabili di risposta Y del modello di regressione sono le emissioni inquinanti regolamentate prodotte in un ciclo di guida (DC) misurate in g/km. Le variabili esplicative X esprimono il valore di alcuni parametri cinematici che caratterizzano i cicli di guida. Due blocchi di variabili esplicative sono state individuate considerando due potenziali cause di variabilità delle emissioni relative ad un ciclo di guida: il primo blocco di variabili è stato determinato dall’equazione dinamica del veicolo considerando l’energia spesa dal veicolo nel ciclo e gli eventi di accelerazione alle diverse velocità. il secondo blocco mediante le classi di frequenza della distribuzione empirica congiunta di velocità/accelerazione

20 Costruzione del Modello
Identificare le variabili, caratterizzanti la prestazione del veicolo nella corrente di traffico, in grado di spiegare le variazioni delle emissioni. Variabili utilizzate per la caratterizzazione dei profili di velocità la variazione della quantità dell'emissione in un profilo di velocità può essere spiegata tramite la portata dei gas di scarico, che è a sua volta proporzionale all'energia sviluppata dal veicolo nella corrente di traffico. Variabili Descrizione tral Tempo al minimo v=0 mv Media della velocità di guida (v>0) t_running Tempo totale di guida v>0 mv2 Media del quadrato della velocità di guida (v>0) m_vapot_pos Media della velocità per accelerazione positiva (acc.>0 e v>0) mv3 Media del cubo della velocità di guida (v>0) invdist Inverso della distanza

21 Costruzione del Modello
Variabili utilizzate per la caratterizzazione dei profili di velocità Un'altra frazione può essere spiegata dalle variazioni puntuali legate ai transitori descritti dalla distribuzione empirica congiunta della velocità e della accelerazione opportunamente suddivise in classi. a /v 0<v<20 km/h 20<v<40 km/h 4 0<v<60 km/h 6 0<v<80 km/h 80<v<100 km/h v> 100 a<-1.4 m/s2 FS_V20a1 FS_V40a1 FS_V60a1 FS_V80a1 FS_V100a1 FS_V101a1 -1.4 <a<-0.6 FS_V20a2 FS_V40a2 FS_V60a2 FS_V80a2 FS_V100a2 FS_V101a2 -0.6 <a<-0.2 FS_V20a3 FS_V40a3 FS_V60a3 FS_V80a3 FS_V100a3 FS_V101a3 -0.2 <a< 0.2 FS_V20a4 FS_V40a4 FS_V60a4 FS_V80a4 FS_V100a4 FS_V101a4 0.2 <a< 0.6 FS_V20a5 FS_V40a5 FS_V60a5 FS_V80a5 FS_V100a5 FS_V101a5 0.6 <a< 1.0 FS_V20a6 FS_V40a6 FS_V60a6 FS_V80a6 FS_V100a6 FS_V101a6 a>1.0 m/s2 FS_V20a7 FS_V40a7 FS_V60a7 FS_V80a7 FS_V100a7 FS_V101a7

22 Costruzione del Modello
Problematiche legati alle caratteristiche delle variabili Collinearità. Numero elevato di variabili. Basso numero di osservazioni sperimentali. PLS (Partial Least Squares)

23 Costruzione del Modello
In questo modo possiamo considerare separatamente due differenti aspetti del fenomeno generando due modelli base, ciascuno dei quali valuta un gruppo di variabili latenti caratterizzanti un particolare aspetto sulle emissioni X1 X2 Y X variabili T W1 p1 W2 p2 r1 r2 tr u qt X-scores PLS wt Andremo così a definire un modello globale, PLS gerarchico multiblock, costruito con le informazioni derivanti dai due modelli base e dal gruppo di variabili di emissione

24 Caso Diesel - Euro Modello Dummy per la valutazione dei trend dei coefficienti dei veicoli Modello con Normal e High Emitter Modello con Normal Emitter Modello con High Emitter

25

26

27

28

29 Caso Benzina - Euro Modello Dummy per la valutazione dei trend dei coefficienti dei veicoli Modello con Normal e High Emitter Modello con Normal Emitter Modello con High Emitter

30

31

32

33