📄 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

Deze studie kwantificeert de aanzienlijke reducties in CO₂e-emissies die haalbaar zijn door de integratie van gehydrogeneerde plantaardige olie (HVO) in de transportsector van São Paulo en toont aan dat een Enhanced Feedforward Neural Network traditionele regressiemodellen overtreft bij het projecteren van deze koolstofarme trajecten tot 2050.

Oorspronkelijke auteurs: Edward Iwuchukwu, Thiago Brito, Marilin Santos, Edmilson Moutinho dos Santos

Gepubliceerd 2026-06-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Edward Iwuchukwu, Thiago Brito, Marilin Santos, Edmilson Moutinho dos Santos

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het transportsysteem van São Paulo, Brazilië voor als een enorm, hongerig beest dat brandstof verslindt. Decennialang is dit beest bijna uitsluitend gevoed met "fossiele diesel", een brandstof gemaakt van oude, begraven olie die veel rook (koolstofemissies) de lucht in spuugt. De stad wil dit beest stoppen met het verstikken van de planeet, maar ze kunnen het beest niet simpelweg uithongeren; ze moeten het iets schoners voeren dat nog steeds de motor laat draaien.

Dit artikel is als een receptenboek en een kristallen bol voor het vervangen van die vuile brandstof door een schonere brandstof genaamd HVO (Hydrotreated Vegetable Oil). Denk aan HVO als "hernieuwbare diesel" gemaakt van zaken als gebruikt frituurvet, dierlijke vetten en soja. Het is chemisch gezien zo vergelijkbaar met gewone diesel dat je het in dezelfde tank kunt gieten zonder de motor te hoeven herbouwen (een "drop-in" brandstof).

Hier is de opbouw van wat de onderzoekers hebben gedaan, met behulp van eenvoudige analogieën:

1. Het Problek: Een Vuil Beest

De onderzoekers keken naar de jaren 2018 tot 2023. Ze berekenden hoeveel "rook" (CO2) de vrachtwagens en bussen in São Paulo produceerden.

De Oude Brandstof: Gewone diesel is als een zwaar, rokend kolenvuur. Het produceert ongeveer 2,7 kg rook voor elke liter die wordt verbrand.
De Nieuwe Brandstof: HVO is als een schoon brandend gasvuur. Het produceert slechts 0,7 kg rook voor elke liter.

2. Het Experiment: Drankjes Mengen

Het team testte wat er gebeurt als je de twee brandstoffen met elkaar mengt, zoals het mengen van sinaasappelsap met water.

Het Mengsel: Ze keken naar mengsels variërend van een klein scheutje HVO (13%) tot een vol glas HVO (100%).
Het Resultaat: Hoe meer HVO je toevoegt, hoe minder rook er uitkomt.
- Als je overstapt op 100% HVO, daalt de rook met 74%.
- Het is alsof je het volume van een luide radio zachter zet; hoe harder de HVO wordt gezet, hoe stiller de vervuiling wordt.

3. De Kristallen Bol: De Toekomst Voorspellen (2030–2050)

Het lastige deel is raden wat er in de toekomst zal gebeuren. De onderzoekers hadden een kleine hoeveelheid historische data (slechts 6 jaar), wat is alsof je het weer van volgend jaar probeert te voorspellen op basis van slechts één week aan waarnemingen.

Om dit op te lossen, gebruikten ze twee verschillende "kristallen bollen":

Bol A (Kwadratische Regressie): Dit is een eenvoudige, rechte gok. Het artikel zegt dat deze methode een beetje onhandig is. Toen ze probeerden ver in de toekomst te voorspellen (2050), begon deze methode te schreeuwen dat de emissies naar onmogelijke hoogtes zouden schieten. Het is als een auto die ongecontroleerd versnelt wanneer je het gaspedaal te hard indrukt.
Bol B (Enhanced-FNN): Dit is een geavanceerde Artificiële Intelligentie (AI) tool. Denk aan een super slimme chef die de ingrediënten proeft en de complexe smaken van de data begrijpt.
- De AI werd getraind met een speciale truc (het toevoegen van een beetje "ruis" aan de data) om de AI slimmer te maken zonder de feiten te verdraaien.
- Het Oordeel: De AI was veel stabieler. Het voorspelde dat de emissies langzaam zouden stijgen (omdat er meer mensen zullen rijden), maar als we blijven mengen met meer HVO, blijft de vervuiling beheersbaar. Het werd niet gek zoals de eenvoudige gok dat wel deed.

4. Het "Credit"-Systeem: Betaald Krijgen voor Schone Lucht

Het artikel vermeldt een systeem genaamd RenovaBio (en CBIO's). Stel je een buurt voor waar je coupons krijgt als je je gazon schoon houdt.

Elke keer dat een vrachtwagen HVO gebruikt in plaats van gewone diesel, "vermijdt" hij het creëren van vervuiling.
De onderzoekers berekenden precies hoeveel "vermeden vervuilingscoupons" São Paulo zou kunnen verdienen.
De Bevinding: Hoe meer HVO je gebruikt, hoe meer coupons je krijgt. Als je naar 100% HVO gaat, verdient de stad een enorme hoeveelheid deze credits, die verhandeld kunnen worden of gebruikt kunnen worden om milieu-doelstellingen te halen.

5. De Barrières en Aanbevelingen

Het artikel wijst erop dat hoewel HVO geweldig is, het bouwen van de fabrieken om het te maken veel geld kost (zoals het bouwen van een nieuw pretpark).

De Oplossing: In plaats van nieuwe fabrieken vanaf nul op te zetten, suggereren de onderzoekers het renoveren (retrofitting) van bestaande olieraffinaderijen. Het is als het nemen van een oude, stoffige fabriek en deze een nieuwe, high-tech motor geven om voortaan groene brandstof in plaats van vuile brandstof te maken.
Het Plan: Ze raden aan dat de overheid van São Paulo duidelijke regels opstelt om dit mengen (blenden) aan te moedigen en deze fabrieken helpt bij de overstap.

Samenvatting

Kortom, dit artikel zegt: São Paulo kan de lucht aanzienlijk cleaner maken door vuile diesel te vervangen door HVO (gemaakt van afvaloliën).

De Wiskunde: Het werkt. Meer HVO = Minder rook.
De Techniek: Het gebruik van een slimme AI (Enhanced-FNN) helpt om de toekomst beter te voorspellen dan eenvoudige wiskunde, waarbij wordt aangetoond dat deze overstap een stabiel pad vooruit is.
Het Doel: Tegen 2050, als ze blijven mengen met meer HVO, kan de stad dichter bij "Net-Zero" komen (waarbij ze geen nieuwe vervuiling meer aan de atmosfeer toevoegen), terwijl ze onderweg waardevolle credits verdienen.

Het artikel belooft niet dat dit automatisch zal gebeuren; het biedt slechts de kaart en het kompas die laten zien dat als ze dit pad bewandelen, de bestemming (schonere lucht) bereikbaar is.

Technische Samenvatting: Modellering van de Netto-Nul Transitie van de Transportsector in São Paulo

Probleemstelling
De studie richt zich op de noodzaak van een reproduceerbaar, datagestuurd kader om de integratie van Hydrotreated Vegetable Oil (HVO), of "hernieuwbare diesel", in de transportenergie-matrix van São Paulo te kwantificeren. Terwijl wereldwijde trends wijzen op een stijgende vraag naar biobrandstoffen, is er een tekort aan subnationale studies die gelijktijdig regionale energie-matrixgegevens, beleidsgerichte koolstofkredietlogica (specifiek het Braziliaanse RenovaBio/CBIO-systeem) en onzekerheidsbewuste langetermijnprognoses integreren. Het onderzoek beoogt de kloof te overbruggen tussen beschrijvende markt-narratieven en kwantitatieve kaders die in staat zijn tot besluitvorming onder beperkingen in de gegevensbeschikbaarheid, specifiek voor een regio met een zware afhankelijkheid van legacy dieselvloten en een gevestigd biobrandstofecosysteem.

Methodologie
De studie maakt gebruik van een op afstand gebaseerd brandstofverbruikmodel in combinatie met een Enhanced Feedforward Neural Network (Enhanced-FNN) voor voorspellingen.

Data en Baseline: Historische gegevens van 2018 tot 2023 zijn afkomstig van het Data Portal for Cities, Google Environmental Insights Explorer en SENATRAN. Het model maakt gebruik van een gemiddelde brandstofefficiëntie van de vloot van 3,60 km/L.
Emissie-accounting: Een transparante accounting-methodologie berekent het totale brandstofverbruik ( $F_T$ ) op basis van de totale afstand ( $D_T$ ) en efficiëntie ( $f_E$ ). Emissiefactoren ($ef$) worden toegepast op basis van de samenstelling van de blend: 2,70 kg CO2e/L voor fossiele diesel en 0,70 kg CO2e/L voor HVO. Totale blend-emissies ( $E_B$ ) en vermeden emissies (koolstofkredieten, $C_B$ ) worden deterministisch berekend ten opzichte van een fossiele diesel-baseline.
Machine Learning Aanpak: Om de emissies voor 2030, 2040 en 2050 onder een Business-As-Usual (BAU) scenario te projecteren, hebben de auteurs een Enhanced-FNN ontwikkeld.
- Architectuur: Het model heeft verborgen lagen van [256, 128, 64] met SiLU (Swish) activatiefuncties.
- Onzekerheidskwantificering: Tijdens de inferentie wordt Monte Carlo (MC) dropout toegepast om onzekerheidsschattingen te bieden.
- Trainingsstrategie: Vanwege de beperkte historische dataset (zes jaar) is een "train-only augmentation" strategie gebruikt, waarbij de trainingssubset met een factor 1.000 is uitgebreid via ruisinjectie (noise injection) terwijl de empirische distributie behouden bleef. Validatie- en testsets bleven ongewijzigd.
- Benchmark: Een kwadratisch regressiemodel is geïmplementeerd als een parametrische benchmark om de robuustheid van het neurale netwerk tegen polynomiale extrapolatie te testen.

Belangrijkste Resultaten

Historische Prestaties (2018–2023): De analyse bevestigt een monotone reductie in CO2e-emissies naarmate de HVO-blending toeneemt.
- Gemiddelde emissies voor pure fossiele diesel (D) waren 39,105 MT.
- Gemiddelde emissies voor 100% HVO (R) waren 10,138 MT, wat een reductie van 74,1% vertegenwoordigt.
- Vermeden emissies (kredieten) namen proportioneel toe met de HVO-inhoud, bereikend tot 28,966 MT voor het 100% HVO-geval.
Langetermijnprognoses (2030–2050):
- De Enhanced-FNN vertoonde superieure prestaties met een $R^2 \approx 0,997$ , Mean Absolute Error (MAE) van ~0,883 MT, en Mean Squared Error (MSE) van ~1,286 MT². Het produceerde stabiele, niet-lineaire projecties die rekening hielden met de door de pandemie veroorzaakte dip in de vlootactiviteit in 2020.
- De Kwadratische Regressie benchmark vertoonde een significant lager verklarend vermogen ( $R^2 \approx 0,65$ ) en vertoonde instabiliteit, met snel versnellende emissie-trajecten buiten het kalibratiebereik.
Gevoeligheidsanalyse: De studie identificeerde drie primaire decarbonisatie-hefbomen: het verminderen van de jaarlijkse voertuigkilometragem, het verbeteren van de brandstofefficiëntie van de vloot en het vergroten van het aandeel van de hernieuwbare blend. De analyse toonde aan dat terwijl verbeteringen in brandstofefficiëntie niet-lineaire emissiereducties opleveren, de integratie van hernieuwbare brandstoffen zorgt voor een proportionele emissieverplaatsing.

Belangrijkste Bijdragen

Reproduceerbaar Kader: De studie biedt een transparante methodologie voor het kwantificeren van gemengde brandstofemissies en vermeden emissies die kan worden aangepast aan andere subnationale contexten met een vergelijkbare dieselafhankelijkheid en biobrandstofbeleid.
Verbeterde Voorspelling: Het demonstreert de effectiviteit van een Enhanced-FNN met MC-dropout voor langetermijnenergieprognoses in omgevingen met beperkte data, waarbij het traditionele polynomiale regressie overtreft in stabiliteit en onzekerheidskwantificering.
Beleidsmatige Afstemming: Het werk koppelt fysieke emissiereducties expliciet aan de generatie van vermeden-emissie-kredieten onder het Braziliaanse RenovaBio-raamwerk, wat een kwantitatieve basis biedt voor het evalueren van blending-mandaten (bijv. 13%, 15%, 30%, 50% en 100% HVO).

Betekenis en Claims
De studie stelt dat de primaire betekenis ligt in de integratie van gegevens over hoge economische activiteit, legacy vlootkenmerken en gevestigde biobrandstofecosystemen om een overdraagbaar model voor regionale energie-matrixbewijslast te creëren. De auteurs stellen dat de studie progressieve blending-mandaten in São Paulo ondersteunt door aan te tonen dat het verhogen van het HVO-gehalte consequent de geprojecteerde emissies vermindert en de voordelen van vermeden emissies versterkt.

De studie positioneert zichzelf bescheiden als een instrument voor besluitvormingsondersteuning in plaats van een definitieve voorspelling van toekomstige marktuitkomsten. Er wordt benadrukt dat hoewel de Enhanced-FNN robuuste forecasting biedt, toekomstig onderzoek bredere operationele heterogeniteit (bijv. stratificatie per voertuigklasse) en gevoeligheidsanalyses met betrekking tot brandstofefficiëntie en groei-aannames van activiteit moet bevatten om de realisme van de scenario's verder te verfijnen. Het werk benadrukt dat de wetenschappelijke waarde van de São Paulo casestudy het vermogen is om te dienen als template voor andere regio's die hun regionale energie-bewijslast willen afstemmen op forecast-modellen en beleidsregels voor kredietverlening.