📄 earth_science

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

Cette étude quantifie les réductions significatives d'émissions de CO₂e réalisables grâce à l'intégration de l'huile végétale hydrotraitée (HVO) dans le secteur des transports de São Paulo et démontre qu'un réseau de neurones à rétroaction améliorée (Enhanced Feedforward Neural Network) surpasse les modèles de régression traditionnels pour projeter ces trajectoires bas carbone jusqu'en 2050.

Auteurs originaux : Edward Iwuchukwu, Thiago Brito, Marilin Santos, Edmilson Moutinho dos Santos

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Edward Iwuchukwu, Thiago Brito, Marilin Santos, Edmilson Moutinho dos Santos

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le système de transport de São Paulo, au Brésil, comme une bête immense et affamée qui dévore du carburant. Depuis des décennies, cette bête est nourrie presque exclusivement de « diesel fossile », un carburant issu de pétroles anciens enfouis qui recrache beaucoup de fumée (émissions de carbone) dans le ciel. La ville veut empêcher cette bête d'étouffer la planète, mais elle ne peut pas simplement affamer la bête ; elle doit la nourrir avec quelque chose de plus propre qui permette tout de même au moteur de fonctionner.

Ce document est comme un livre de recettes et une boule de cristal pour remplacer ce carburant sale par un autre plus propre appelé HVO (Huile Végétale Hydrotraitée). Considérez le HVO comme du « diesel renouvelable » fabriqué à partir de choses comme de l'huile de cuisson usagée, des graisses animales et du soja. Il est chimiquement si proche du diesel ordinaire qu'on peut le verser dans le même réservoir sans avoir besoin de reconstruire le moteur (un carburant « drop-in »).

Voici la décomposition de ce que les chercheurs ont fait, en utilisant des analogies simples :

1. Le Problème : Une Bête Sale

Les chercheurs ont examiné les années 2018 à 2023. Ils ont calculé la quantité de « fumée » (CO2) que les camions et les bus de São Paulo produisaient.

L'Ancien Carburant : Le diesel ordinaire est comme un feu de charbon lourd et enfumé. Il produit environ 2,7 kg de fumée pour chaque litre brûlé.
Le Nouveau Car Fuel : Le HVO est comme un feu de gaz propre. Il produit seulement 0,7 kg de fumée pour chaque litre.

2. L'Expérience : Mélanger les Boissons

L'équipe a testé ce qui se passe si l'on mélange les deux carburants, comme si l'on mélangeait du jus d'orange avec de l'eau.

Le Mélange : Ils ont étudié des mélanges allant d'une petite goutte de HVO (13 %) à un verre plein de HVO (100 %).
Le Résultat : Plus on ajoute de HVO, moins il y a de fumée.
- Si l'on passe à 100 % de HVO, la fumée chute de 74 %.
- C'est comme baisser le volume d'une radio bruyante ; plus le HVO devient présent, plus la pollution devient silencieuse.

3. La Boule de Cristal : Prédire l'Avenir (2030–2050)

La partie délicate consiste à deviner ce qui se passera dans le futur. Les chercheurs ne disposaient que d'une petite quantité de données historiques (seulement 6 ans), ce qui revient à essayer de prédire la météo de l'année prochaine en se basant sur une seule semaine d'observations.

Pour résoudre cela, ils ont utilisé deux différentes « boules de cristal » :

Boule A (Régression Quadratique) : C'est une supposition simple, une ligne droite. Le document indique que cette méthode est un peu maladroite. Lorsqu'ils ont essayé d'utiliser cette méthode pour prédire loin dans le futur (2050), elle a commencé à hurler que les émissions grimperaient à des niveaux impossibles. C'est comme une voiture qui accélère de manière incontrôlable dès que l'on appuie trop fort sur la pédale de gaz.
Boule B (Enhanced-FNN) : C'est un outil d'Intelligence Artificielle (IA) sophistiqué. Voyez cela comme un chef de cuisine super intelligent qui goûte les ingrédients et comprend les saveurs complexes des données.
- L'IA a été entraînée grâce à une astuce spéciale (ajouter un peu de « bruit » aux données) pour la rendre plus intelligente sans mentir sur les faits.
- Le Verdict : L'IA était beaucoup plus stable. Elle a prédit que les émissions augmenteraient lentement (parce que plus de gens conduiront), mais si nous continuons à mélanger davantage de HVO, la pollution reste gérable. Elle n'est pas devenue folle comme la supposition simple.

4. Le Système de « Crédit » : Être Payé pour l'Air Pur

Le document mentionne un système appelé RenovaBio (et les CBIOs). Imaginez un quartier où, si vous gardez votre pelouse propre, vous recevez un coupon.

Chaque fois qu'un camion utilise du HVO au lieu du diesel ordinaire, il « évite » de créer de la pollution.
Les chercheurs ont calculé exactement combien de « coupons de pollution évitée » São Paulo pourrait gagner.
La Découverte : Plus vous utilisez de HVO, plus vous obtenez de crédits. Si vous passez à 100 % de HVO, la ville gagne une quantité massive de ces crédits, qui peuvent être échangés ou utilisés pour atteindre des objectifs environnementaux.

5. Les Obstacles et Recommandations

Le document souligne que bien que le HVO soit excellent, construire les usines pour le fabriquer coûte très cher (comme construire un nouveau parc d'attractions).

La Solution : Au lieu de construire de nouvelles usines à partir de zéro, les chercheurs suggèrent de moderniser (retrofitting) les raffineries de pétrole existantes. C'est comme prendre une vieille usine poussiéreuse et lui donner un nouveau moteur de haute technologie pour fabriquer du carburant vert au lieu du carburant sale.
Le Plan : Ils recommandent que le gouvernement de São Paulo crée des règles claires pour encourager ce mélange (blending) et aide ces usines à effectuer la transition.

Résumé

En bref, ce document affirme que : São Paulo peut assainir considérablement son air en remplaçant le diesel sale par le HVO (fabriqué à partir d'huiles usagées).

Le Calcul : Cela fonctionne. Plus de HVO = Moins de fumée.
La Technologie : Utiliser une IA intelligente (Enhanced-FNN) permet de mieux prédire l'avenir qu'une mathématique simple, montrant que ce changement est une voie stable.
L'Objectif : D'ici 2050, si nous continuons à mélanger davantage de HVO, la ville peut se rapprocher du « Net-Zéro » (où l'on n'ajoute aucune nouvelle pollution dans l'atmosphère), en gagnant des crédits précieux au passage.

Le document ne promet pas que cela se produira automatiquement ; il fournit simplement la carte et la boussole montrant que, si nous empruntons cette route, la destination (un air plus pur) est atteignable.

Résumé technique : Modélisation de la transition vers le zéro émission nette du secteur des transports de São Paulo

Énoncé du problème
L'étude répond au besoin d'un cadre reproductible et fondé sur les données pour quantifier l'intégration de l'huile végétale hydrotraitée (HVO), ou « diesel renouvelable », dans la matrice énergétique des transports de São Paulo. Bien que les tendances mondiales indiquent une hausse de la demande en biocarburants, il existe une rareté d'études infranationale intégrant simultanément les données de la matrice énergétique régionale, une logique de crédits carbone alignée sur les politiques (spécifiquement le système RenovaBio/CBIO du Brésil) et des projections à long terme tenant compte de l'incertitude. La recherche vise à combler l'écart entre les récits de marché descriptifs et les cadres quantitatifs capables de soutenir la prise de décision sous contraintes de données, spécifiquement pour une région fortement dépendante des flottes de diesel héritées et d'un écosystème de biocarburants établi.

Méthodologie
L'étude emploie un modèle de consommation de carburant basé sur la distance combiné à un réseau de neurones à propagation avant amélioré (Enhanced-FNN) pour la prévision.

Données et base de référence : Les données historiques de 2018 à 2023 ont été extraites du Portail des données pour les villes, du Google Environmental Insights Explorer et de la SENATRAN. Le modèle utilise une efficacité de consommation moyenne de la flotte de 3,60 km/L.
Comptabilité des émissions : Une méthodologie de comptabilité transparente calcule la consommation totale de carburant ( $F_T$ ) basée sur la distance totale ( $D_T$ ) et l'efficacité ( $f_E$ ). Des facteurs d'émission ($ef$) sont appliqués selon la composition du mélange : 2,70 kg CO2e/L pour le diesel fossile et 0,70 kg CO2e/L pour le HVO. Les émissions totales du mélange ( $E_B$ ) et les émissions évitées (crédits carbone, $C_B$ ) sont calculées de manière déterministe par rapport à une base de référence de diesel fossile.
Approche d'apprentissage automatique : Pour projeter les émissions en 2030, 2040 et 2050 sous un scénario de type « Business-As-Usual » (BAU), les auteurs ont développé un Enhanced-FNN.
- Architecture : Le modèle présente des couches cachées de [256, 128, 64] avec des fonctions d'activation SiLU (Swish).
- Quantification de l'incertitude : Le dropout de Monte Carlo (MC) est employé lors de l'inférence pour fournir des estimations d'incertitude.
- Stratégie d'entraînement : En raison de l'ensemble de données historiques limité (six ans), une stratégie d'« augmentation par entraînement uniquement » a été utilisée, où le sous-ensemble d'entraînement a été augmenté d'un facteur de 1 000 via l'injection de bruit tout en préservant la distribution empirique. Les ensembles de validation et de test sont restés inchangés.
- Référence (Benchmark) : Un modèle de régression quadratique a été implémenté comme référence paramétrique pour tester la robustesse du réseau de neurones contre l'extrapolation polynomiale.

Résultats clés

Performance historique (2018–2023) : L'analyse confirme une réduction monotone des émissions de CO2e à mesure que le mélange de HVO augmente.
- Les émissions moyennes pour le diesel fossile pur (D) étaient de 39,105 MT.
- Les émissions moyennes pour 100 % de HVO (R) étaient de 10,138 MT, représentant une réduction de 74,1 %.
- Les émissions évitées (crédits) ont augmenté proportionnellement au contenu en HVO, atteignant 28,966 MT pour le cas du 100 % HVO.
Projections à long terme (2030–2050) :
- L'Enhanced-FNN a démontré une performance supérieure avec un $R^2 \approx 0,997$ , une erreur absolue moyenne (MAE) de ~0,883 MT et une erreur quadratique moyenne (MSE) de ~1,286 MT². Il a produit des projections stables et non linéaires qui ont pris en compte la baisse d'activité de la flotte due à la pandémie de 2020.
- La régression quadratique de référence a montré un pouvoir explicatif nettement inférieur ( $R^2 \approx 0,65$ ) et a fait preuve d'instabilité, produisant des trajectoires d'émissions à accélération rapide en dehors de la plage de calibration.
Analyse de sensibilité : L'étude a identifié trois leviers de décarbonation principaux : la réduction du kilométrage annuel des véhicules, l'amélioration de l'efficacité énergétique de la flotte et l'augmentation de la part de mélange renouvelable. L'analyse a montré que si l'amélioration de l'efficacité du carburant produit des réductions d'émissions non linéaires, l'intégration de carburants renouvelables fournit un déplacement d'émissions proportionnel.

Contributions clés

Cadre reproductible : L'étude fournit une méthodologie transparente pour quantifier les émissions de carburants mélangés et les émissions évitées, qui peut être adaptée à d'autres contextes infranationaux présentant une dépendance similaire au diesel et des politiques de biocarburants.
Prévision améliorée : Elle démontre l'efficacité d'un Enhanced-FNN avec MC-dropout pour la prévision énergétique à long terme dans des environnements à données limitées, surpassant la régression polynomiale traditionnelle en termes de stabilité et de quantification de l'incertitude.
Alignement politique : Le travail lie explicitement les réductions physiques d'émissions à la génération de crédits d'émissions évitées sous le cadre brésilien RenovaBio, offrant une base quantitative pour évaluer les mandats de mélange (par exemple, 13 %, 15 %, 30 %, 50 % et 100 % de HVO).

Signification et affirmations
L'article affirme que sa principale signification réside dans l'intégration de données d'activité économique élevée, de caractéristiques de flottes héritées et d'écosystèmes de biocarburants établis pour créer un modèle transférable pour les preuves de matrice énergétique régionale. Les auteurs soutiennent que l'étude appuie des mandats de mélange progressifs à São Paulo en démontant que l'augmentation de la teneur en HVO réduit systématiquement les émissions projetées et renforce les bénéfices des émissions évitées.

L'étude se positionne modestement comme un outil d'aide à la décision plutôt que comme une prédiction définitive des résultats futurs du marché. Elle souligne que, bien que l'Enhanced-FNN offre des prévisions robustes, les recherches futures devraient intégrer une plus grande hétérogénéité opérationnelle (par exemple, la stratification par classe de véhicule) et des analyses de sensibilité concernant la croissance de l'efficacité du carburant et de l'activité pour affiner davantage le réalisme des scénarios. Le travail souligne que la valeur scientifique de l'étude de cas de São Paulo est sa capacité à servir de modèle pour d'autres régions cherchant à aligner les preuves énergétiques régionales avec les modèles de prévision et les règles de crédit de politique.