📄 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

본 연구는 상파울루 운송 부문의 수소 처리 식물성 기름(HVO) 통합을 통해 달성 가능한 상당한 CO₂e 배출 감소량을 정량화하며, 향상된 피드포워드 신경망(Enhanced Feedforward Neural Network)이 2050년까지의 이러한 저탄소 경로를 투영하는 데 있어 전통적인 회귀 모델보다 성능이 우수함을 입증한다.

원저자: Edward Iwuchukwu, Thiago Brito, Marilin Santos, Edmilson Moutinho dos Santos

게시일 2026-06-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Edward Iwuchukwu, Thiago Brito, Marilin Santos, Edmilson Moutinho dos Santos

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

상파울루(브라질)의 교통 시스템을 연료를 먹어치우는 거대하고 배고픈 야수로 상상해 보세요. 수십 년 동안 이 야수는 고대 땅속에 묻혀 있던 기름으로 만들어져 하늘에 연기(탄소 배출)를 내뿜는 '화석 디젤'만을 거의 독점적으로 먹어왔습니다. 이 도시는 이 야수가 지구를 질식시키는 것을 막고 싶어 하지만, 단순히 야수를 굶길 수는 없습니다. 엔진을 여전히 돌아가게 만들면서도 더 깨끗한 것을 먹여야 합니다.

이 논문은 더러운 연료를 **HVO(수첨 식물성 기름)**라고 불리는 더 깨끗한 연료로 교체하기 위한 레시피 북이자 수정구슬과 같습니다. HVO를 '재생 디젤'이라고 생각하면 쉽습니다. 이는 사용한 식용유, 동물성 지방, 대두 등으로 만든 것입니다. HVO는 화학적으로 일반 디젤과 매우 유사하여 엔진을 개조할 필요 없이(드롭인 연료) 그대로 연료 탱크에 부을 수 있습니다.

연구진이 수행한 작업의 세부 내용은 다음과 같은 쉬운 비유를 사용하여 설명합니다.

1. 문제: 더러운 야수

연구진은 2018년부터 2023년까지의 기간을 살펴보았습니다. 그들은 상파울루의 트럭과 버스가 얼마나 많은 "연기"(CO2)를 만들어내는지 계산했습니다.

기존 연료: 일반 디젤은 무겁고 연기가 많이 나는 석탄 불과 같습니다. 1리터를 태울 때마다 약 2.7kg의 연기를 만들어냅니다.
새로운 연료: HVO는 깨끗하게 타는 가스 불과 같습니다. 리터당 단 0.7kg의 연기만을 만들어냅니다.

2. 실험: 음료 섞기

연구진은 두 연료를 섞는 것이 어떤 결과를 초래하는지 테스트했습니다. 마치 오렌지 주스에 물을 섞는 것과 같습니다.

혼합 비율: 그들은 HVO를 아주 조금 섞은 13%부터 HVO를 가득 채운 100%까지의 혼합 비율을 조사했습니다.
결과: HVO를 더 많이 섞을수록 연기는 줄어듭니다.
- 만약 100% HVO로 전환한다면, 연기는 74% 감소합니다.
- 이것은 마치 시끄러운 라디오의 볼륨을 줄이는 것과 같습니다. HVO의 비중이 높아질수록 오염의 소리는 작아집니다.

3. 수정구슬: 미래 예측하기 (2030–2050)

어려운 부분은 미래를 예측하는 것입니다. 연구진은 아주 적은 양의 과거 데이터(단 6년)만을 가지고 있었습니다. 이는 마치 단 일주일간의 관찰만으로 내년의 날씨를 예측하려는 것과 같습니다.

이를 해결하기 위해 그들은 두 가지 다른 "수정구슬"을 사용했습니다.

구슬 A (이차 회귀법, Quadratic Regression): 이것은 단순하고 직선적인 추측입니다. 논문에 따르면 이 방법은 다소 서투릅니다. 이 방법을 사용하여 먼 미래(2050년)를 예측하려고 하자, 배출량이 불가능한 수준까지 치솟는다고 비명을 지르기 시작했습니다. 이는 가속 페달을 너무 세게 밟으면 통제 불능으로 가속하는 자동차와 같습니다.
구슬 B (강화된 FNN, Enhanced-FNN): 이것은 아주 똑똑한 인공지능(AI) 도구입니다. 이것을 재료의 복잡한 풍미를 이해하는 아주 유능한 셰프라고 생각해보세요.
- 이 AI는 데이터를 왜곡하지 않으면서도 더 똑똑해질 수 있도록 특별한 기술(데이터에 약간의 "노이즈"를 추가하는 방식)을 사용하여 훈련되었습니다.
- 판결: 이 AI는 훨씬 안정적이었습니다. AI는 배출량이 (사람들이 더 많이 운전하기 때문에) 서서히 증가할 것이라고 예측했지만, HVO를 계속 섞는다면 오염은 관리 가능한 수준으로 유지될 것이라고 보았습니다. 단순한 추측 모델처럼 미쳐 날뛰지 않았습니다.

4. "크레딧" 시스템: 깨끗한 공기에 대한 보상

논문은 RenovaBio(및 CBIO)라는 시스템을 언급합니다. 만약 당신이 잔디를 깨끗하게 관리하면 쿠폰을 받는 동네를 상상해 보세요.

트럭이 일반 디젤 대신 HVO를 사용할 때마다, 그 트럭은 오염 생성을 "회피"하게 됩니다.
연구진은 상파울루가 얼마나 많은 "오염 회피 쿠폰"을 얻을 수 있는지 정확히 계산했습니다.
발견: HVO를 더 많이 사용할수록 더 많은 쿠폰을 얻게 됩니다. 만약 100% HVO를 사용한다면, 도시는 엄청난 양의 크레딧을 벌게 되며, 이를 거래하거나 환경 목표를 달성하는 데 사용할 수 있습니다.

5. 장애물과 권고 사항

논문은 HVO가 훌륭하지만, 이를 만드는 공장을 짓는 데 많은 비용이 든다는 점을 지적합니다(마치 새로운 테마파크를 짓는 것과 같습니다).

해결책: 기존의 정유 공장을 처음부터 새로 짓는 대신, 기존 공장을 **개조(Retrofitting)**하는 것을 제안합니다. 이는 오래되고 먼지 쌓인 공장을 가져다가 더러운 연료 대신 녹색 연료를 생산하도록 고성능 엔진을 달아주는 것과 같습니다.
계획: 연구진은 상파울루 정부가 이러한 혼합(블렌딩)을 장려하는 명확한 규칙을 만들고, 이 공장들이 전환할 수 있도록 도와야 한다고 권고합니다.

요 요약

요컨대, 이 논문은 상파울루가 더러운 디젤을 (폐식용유 등으로 만든) HVO로 교체함으로써 공기를 크게 정화할 수 있다고 말합니다.

수학적 근거: 효과가 있습니다. HVO가 많아질수록 = 연기는 줄어듭니다.
기술적 측면: 스마트한 AI(강화된 FNN)를 사용하는 것은 단순한 수학보다 미래를 더 잘 예측하며, 이 전환이 안정적인 경로임을 보여줍니다.
목표: 2030년까지 HVO를 계속 섞어 사용한다면, 도시는 귀중한 크레딧을 얻으면서 동시에 "넷 제로(Net-Zero, 대기에 새로운 오염을 더하지 않는 상태)"에 더 가까워질 수 있습니다.

이 논문은 이 일이 자동으로 일어날 것이라고 약속하는 것이 아닙니다. 다만, 이 경로를 택한다면 목적지(깨끗한 공기)에 도달할 수 있다는 것을 보여주는 지도와 나침반을 제공하는 것입니다.

기술 요약: 상파울루 교통 부문의 넷제로 전환 모델링

문제 제식
본 연구는 상파울루의 교통 에너지 매트릭스 내 수소화 식물성 오일(HVO), 즉 "재생 디젤"의 통합을 정량화하기 위한 재현 가능한 데이터 기반 프레임워크의 필요성을 다룬다. 글로벌 추세는 바이오 연료 수요의 증가를 나타내고 있으나, 지역적 에너지 매트릭스 데이터와 정책에 부합하는 탄소 크레딧 로직(특히 브라질의 RenovaBio/CBIO 시스템)을 동시에 통합한 하위 국가 단위의 연구는 부족한 실정이다. 본 연구는 기존 디젤 차량 보유 대수가 많고 바이오 연료 생태계가 확립된 지역의 특성을 고려하여, 데이터 제약 조건 하에서 의사결정을 지원할 수 있는 기술적 서사를 넘어선 정량적 프레임워크를 구축함으로써 그 간극을 메우고자 한다.

방법론
본 연구는 거리 기반 연료 소비 모델과 예측을 위한 향상된 피드포워드 신경망(Enhanced-FNN)을 결합하여 사용한다.

데이터 및 베이스라인: 2018년부터 2023년까지의 역사적 데이터는 Data Portal for Cities, Google Environmental Insights Explorer, SENATRAN에서 수집하였다. 모델은 평균 차량 연료 효율 3.60 km/L를 활용한다.
배출량 산정: 투명한 산정 방법론을 통해 총 주행 거리( $D_T$ )와 효율( $f_E$ )을 바탕으로 총 연료 소비량( $F_T$ )을 계산한다. 혼합 조성에 따라 화석 디젤은 2.70 kg CO2e/L, HVO는 0.70 kg CO2e/L의 배출 계수($ef $)를 적용한다. 총 혼합 배출량($ E_B $)과 감축 배출량(탄소 크레딧,$ C_B$)은 화석 디젤 베이스라인 대비 결정론적으로 계산된다.
머신러닝 접근법: 2030년, 2040년, 2050년의 비즈니스 상시(BAU) 시나리오 하에서의 배출량을 투영하기 위해 저자들은 Enhanced-FNN을 개발하였다.
- 아키텍처: 모델은 SiLU (Swish) 활성화 함수를 가진 [256, 128, 64]의 은닉층을 특징으로 한다.
- 불확실성 정량화: 불확실성 추정치를 제공하기 위해 추론 과정에서 몬테카를로(MC) 드롭아웃이 채택되었다.
- 학습 전략: 제한된 역사적 데이터셋(6년)으로 인해, 경험적 분포를 유지하면서 노이즈 주입을 통해 학습 서브셋을 1,000배 증강하는 "학습 전용 증강(train-only augmentation)" 전략이 사용되었다. 검증 및 테스트 세트는 변경되지 않았다.
- 벤치마크: 신경망의 다항식 외삽에 대한 견고성을 테스트하기 위해 이차 회귀(quadratic regression) 모델을 파라메트릭 벤치마크로 구현하였다.

주요 결과

역사적 성과 (2018–2023): 분석 결과, HVO 혼합 비율이 증가함에 따라 CO2e 배출량이 단조 감소함을 확인하였다.
- 순수 화석 디젤(D)의 평균 배출량은 39.105 MT였다.
- 100% HVO(R)의 평균 배출량은 10.138 MT로, 74.1%의 감소를 나타냈다.
- 감축 배출량(크레딧)은 HVO 함량에 비례하여 증가하였으며, 100% HVO 사례의 경우 28.966 MT에 달했다.
장기 전망 (2030–2050):
- Enhanced-FNN은 $R^2 \approx 0.997$ , 평균 절대 오차(MAE) 약 0.883 MT, 평균 제곱 오차(MSE) 약 1.286 MT²를 기록하며 탁월한 성능을 입증하였다. 이는 2020년 팬데믹으로 인한 차량 운행 감소를 반영하면서도 안정적이고 비선형적인 투영치를 생성하였다.
- 이차 회귀 벤치마크는 현저히 낮은 설명력( $R^2 \approx 0.65$ )을 보였으며, 보정 범위를 벗어난 구간에서 배출량이 급격히 가속화되는 불안정한 양상을 보였다.
민감도 분석: 연구는 세 가지 주요 탈탄소화 동력을 식별하였다: 연간 차량 주행 거리 감소, 차량 연료 효율 개선, 재생 연료 혼합 비율 증가. 분석 결과, 연료 효율 개선은 비선형적인 배출 감소를 가져오는 반면, 재생 연료 통합은 비례적인 배출 대체 효과를 제공함을 확인하였다.

핵심 기여

재현 가능한 프레임워크: 본 연구는 혼합 연료 배출량 및 감축 배출량을 정량화하는 투명한 방법론을 제공하며, 이는 디젤 의존도가 높고 바이오 연료 정책이 확립된 다른 하위 국가 단위 맥락에도 적용될 수 있다.
향상된 예측: 데이터가 제한된 환경에서 장기 에너지 예측을 위해 MC-드롭아웃을 결합한 Enhanced-FNN의 효용성을 입증하였으며, 이는 전통적인 다항식 회귀보다 안정성 및 불확실성 정량화 측면에서 우수하다.
정책 부합성: 본 작업은 물리적 배출 감소를 브라질 RenovaBio 체계 하의 감축 배출 크레딧 생성과 명시적으로 연결하여, 혼합 의무 비율(예: 13%, 15%, 30%, 50%, 100% HVO)을 평가하기 위한 정량적 근거를 제공한다.

의의 및 주장
본 논문은 높은 경제 활동 데이터, 기존 차량의 특성, 그리고 확립된 바이오 연료 생태계의 통합이 지역 에너지 매트릭스 증거를 위한 전이 가능한 모델을 만드는 데 있어 주요한 의의가 있다고 주장한다. 저자들은 HVO 함량 증가가 투영된 배출량을 지속적으로 감소시키고 감축 배출 이익을 강화한다는 점을 입증함으로써, 상파울루의 점진적인 혼합 의무 비율 도입을 지지한다고 주장한다.

본 연구는 확정적인 미래 시장 결과의 예측이라기보다 의사결정 지원 도구로서 겸허하게 위치를 설정한다. 저자들은 Enhanced-FNN이 강력한 예측력을 제공하지만, 향-미래의 시나리오 현실성을 더욱 정교화하기 위해서는 더 넓은 운영적 이질성(예: 차량 클래스별 계층화)과 연료 효율 및 활동 성장 가정에 대한 민감도 분석을 포함하는 후속 연구가 필요함을 강조한다. 본 연구의 과학적 가치는 상파울루 사례 연구가 지역 에너지 증거를 예측 모델 및 정책 크레딧 규칙과 일치시키고자 하는 다른 지역들을 위한 템플릿 역할을 할 수 있다는 점에 있음을 강조한다.