Progetto ARTEMIS Data Base Europeo “Fattori di emissione di autovetture”

1. 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 300 - LDV emissions - INRETS WP 400 - HDV emissions - TUG WP 500 - 2-wheel emissions - TNO WP 600 - Evaporative emissions - TUG WP 700 - Railways - DTU WP 800 Aircraft - psiA WP 900 - Shipping - DTU WP 1000 - Road traffic - INRETS WP 1100 - Inventory Model WP 1200 - Validation INFRAS TUG

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 1600-2000 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 (1200-1400 cc, 1400-2000 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

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 specificinelle 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. • 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.

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.

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. T Y PLS u tr variabili wt qt X X1 X2 X-scores r1 r2 W1 W2 p1 p2 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 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 2 1600-2000 Modello Dummy per la valutazione dei trend dei coefficienti dei veicoli Modello con Normal e High Emitter Modello con NormalEmitter Modello con HighEmitter

29. Caso Benzina - Euro 3 1400-2000 Modello Dummy per la valutazione dei trend dei coefficienti dei veicoli Modello con Normal e High Emitter Modello con NormalEmitter Modello con HighEmitter