Modelling São Paulo's Transport Sector Net-Zero Transition: Application of an Enhanced-FNN for HVO Biofuel Integration into the State's Energy Matrix

Resumen Técnico: Modelado de la Transición hacia el Cero Neto del Sector de Transporte de São Paulo

Planteamiento del Problema
El estudio aborda la necesidad de un marco reproducible y basado en datos para cuantificar la integración del Aceite de Vegetal Hidrogenado (HVO), o "diésel renovable", en la matriz energética del transporte de São Paulo. Mientras que las tendencias globales indican un aumento en la demanda de biocombustibles, existe una escasez de estudios subnacionales que integren simultáneamente datos de la matriz energética regional, una lógica de créditos de carbono alineada con las políticas (específicamente el sistema RenovaBio/CBIO de Brasil) y proyecciones a largo plazo conscientes de la incertidumbre. La investigación pretende cerrar la brecha entre las narrativas descriptivas del mercado y los marcos cuantitativos capaces de apoyar la toma de decisiones bajo restricciones de datos, específicamente para una región con una fuerte dependencia de flotas de diésel heredadas y un ecosistema de biocombustibles establecido.

Metodología
El estudio emplea un modelo de consumo de combustible basado en la distancia combinado con una Red Neuronal de Propagación hacia Adelante Mejorada (Enhanced-FNN) para el pronóstico.

1. Datos y Línea Base: Los datos históricos de 2018 a 2023 se obtuvieron del Portal de Datos para Ciudades, el Google Environmental Insights Explorer y el SENATRAN. El modelo utiliza una eficiencia de combustible promedio de la flota de 3.60 km/L.
2. Contabilidad de Emisiones: Una metodología de contabilidad transparente calcula el consumo total de combustible ($F_T$) basándose en la distancia total ($D_T$) y la eficiencia ($f_E$). Se aplican factores de emisión ($ef$) basados en la composición de la mezcla: 2.70 kg CO2e/L para el diésel fósil y 0.70 kg CO2e/L para el HVO. Las emisiones totales de la mezcla ($E_B$) y las emisiones evitadas (créditos de carbono, $C_B$) se computan de manera determinista respecto a una línea base de diésel fósil.
3. Enfoque de Aprendizaje Automático: Para proyectar las emisiones para 2030, 2040 y 2050 bajo un escenario de Continuidad de Negocios (BAU), los autores desarrollaron una Enhanced-FNN.
   • Arquitectura: El modelo cuenta con capas ocultas de [256, 128, 64] con funciones de activación SiLU (Swish).
   • Cuantificación de la Incertidumbre: Se emplea el dropout de Monte Carlo (MC) durante la inferencia para proporcionar estimaciones de incertidumbre.
   • Estrategia de Entrenamiento: Debido al limitado conjunto de datos históricos (seis años), se utilizó una estrategia de "aumento solo de entrenamiento", donde el subconjunto de entrenamiento fue aumentado por un factor de 1,000 mediante la inyección de ruido preservando la distribución empírica. Los conjuntos de validación y prueba permanecieron sin cambios.
   • Referencia (Benchmark): Se implementó un modelo de regresión cuadrática como referencia paramétrica para probar la robustez de la red neuronal frente a la extrapolación polinómica.

Resultos Clave

• Desempeño Histórico (2018–2023): El análisis confirma una reducción monotónica en las emisiones de CO2e a medida que aumenta la mezcla de HVO.
  • Las emisiones promedio para diésel fósil puro (D) fueron 39.105 MT.
  • Las emisiones promedio para 100% HVO (R) fueron 10.138 MT, lo que representa una reducción del 74.1%.
  • Las emisiones evitadas (créditos) aumentaron proporcionalmente con el contenido de HVO, alcanzando 28.966 MT para el caso de 100% HVO.
• Proyecciones de Largo Alcance (2030–2050):
  • La Enhanced-FNN demostró un desempeño superior con un $R^2 \approx 0.997$, un Error Absoluto Medio (MAE) de ~0.883 MT y un Error Cuadrático Medio (MSE) de ~1.286 MT². Produjo proyecciones estables y no lineales que consideraron la caída inducida por la pandemia de 2020 en la actividad de la flota.
  • La Regresión Cuadrática de referencia mostró un poder explicativo significativamente menor ($R^2 \approx 0.65$) y exhibió inestabilidad, generando trayectorias de emisiones que se aceleraban rápidamente fuera del rango de calibración.
• Análisis de Sensibilidad: El estudio identificó tres palancas de descarbonización principales: reducir el kilometraje anual de los vehículos, mejorar la eficiencia de combustible de la flota e incrementar la participación de la mezcla renovable. El análisis mostró que, si bien las mejoras en la eficiencia de combustible producen reducciones de emisiones no lineales, la integración de combustibles renovables proporciona un desplazamiento de emisiones proporcional.

Contribuciones Clave

1. Marco Reproducible: El estudio proporciona una metodología transparente para cuantificar las emisiones de combustibles mezclados y las emisiones evitadas que puede adaptarse a otros contextos subnacionales con una dependencia de diésel y políticas de biocombustibles similares.
   2.Pronóstico Mejorado: Demuestra la eficacia de una Enhanced-FNN con dropout de Monte Carlo para el pronóstico energético a largo plazo en entornos con limitación de datos, superando a la regresión polinómica tradicional en estabilidad y cuantificación de la incertidumbre.
2. Alineación con Políticas: El trabajo vincula explícitamente las reducciones físicas de emisiones con la generación de créditos de emisiones evitadas bajo el marco de RenovaBio de Brasil, ofreciendo una base cuantitativa para evaluar los mandatos de mezcla (por ejemplo, 13%, 15%, 30%, 50% y 100% de HVO).

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en la integración de datos de alta actividad económica, características de flotas heredadas y ecosistemas de biocombustibles establecidos para crear un modelo transferible de evidencia de la matriz energética regional. Los autores sostienen que el estudio apoya mandatos de mezcla progresivos en São Paulo al demostrar que el aumento del contenido de HVO reduce consistentemente las emisiones proyectadas y fortalece los beneficios de las emisiones evitadas.

El estudio se posiciona modestamente como una herramienta de apoyo a la decisión más que como una predicción definitiva de los resultados futuros del mercado. Destaca que, si bien la Enhanced-FNN ofrece un pronóstico robusto, la investigación futura debería incorporar una mayor heterogeneidad operativa (por ejemplo, estratificación por clase de vehículo) y análisis de sensibilidad respecto al crecimiento de la eficiencia de combustible y los supuestos de actividad para refinar aún más el realismo de los escenarios. El trabajo enfatiza que el valor científico del estudio de caso de São Paulo es su capacidad para servir como plantilla para otras regiones que buscan alinear la evidencia energética regional con los modelos de pronóstico y las reglas de acreditación de políticas.