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

Resumo Técnico: Modelagem da Transição para o Net-Zero no Setor de Transportes de São Paulo

Definição do Problema
O estudo aborda a necessidade de uma estrutura reprodutível e baseada em dados para quantificar a integração do Óleo Vegetal Hidrotratado (HVO), ou "diesel renovável", na matriz energética de transportes de São Paulo. Embora as tendências globais indiquem um aumento na demanda por biocombustíveis, há uma escassez de estudos subnacionais que integrem simultaneamente dados da matriz energética regional, lógica de créditos de carbono alinhada a políticas (especificamente o sistema RenovaBio/CBIO do Brasil) e projeções de longo prazo conscientes de incertezas. A pesquisa visa preencher a lacuna entre narrativas de mercado descritivas e estruturas quantitativas capazes de apoiar a tomada de decisão sob restrições de dados, especificamente para uma região com forte dependência de frotas de diesel legadas e um ecossistema de biocombustíveis estabelecido.

Metodologia
O estudo emprega um modelo de consumo de combustível baseado em distância combinado com uma Rede Neural Feedforward Aprimorada (Enhanced-FNN) para previsão.

1. Dados e Linha de Base: Dados históricos de 2018 a 2023 foram obtidos do Portal de Dados para Cidades, Google Environmental Insights Explorer e SENATRAN. O modelo utiliza uma eficiência média de combustível da frota de 3,60 km/L.
2. Contabilidade de Emissões: Uma metodologia de contabilidade transparente calcula o consumo total de combustível ($F_T$) com base na distância total ($D_T$) e na eficiência ($f_E$). Fatores de emissão ($ef$) são aplicados com base na composição da mistura: 2,70 kg CO2e/L para o diesel fóssil e 0,70 kg CO2e/L para o HVO. As emissões totais da mistura ($E_B$) e as emissões evitadas (créditos de carbono, $C_B$) são computadas deterministicamente em relação a uma linha de base de diesel fóssil.
3. Abordagem de Aprendizado de Máquina: Para projetar as emissões para 2030, 2040 e 2050 sob um cenário de Continuidade (Business-As-Usual - BAU), os autores desenvolveram uma Enhanced-FNN.
   • Arquitetura: O modelo apresenta camadas ocultas de [256, 128, 64] com funções de ativação SiLU (Swish).
   • Quantificação de Incerteza: O dropout de Monte Carlo (MC) é empregado durante a inferência para fornecer estimativas de incerteza.
   • Estratégia de Treinamento: Devido ao conjunto de dados históricos limitado (seis anos), utilizou-se uma estratégia de "aumento apenas de treinamento", onde o subconjunto de treinamento foi aumentado por um fator de 1.000 via injeção de ruído, preservando a distribuição empírica. Os conjuntos de validação e teste permaneceram inalterados.
   • Benchmark: Um modelo de regressão quadrática foi implementado como um benchmark paramétrico para testar a robustez da rede neural contra a extrapolação polinomial.

Principais Resultados

• Desempenho Histórico (2018–2023): A análise confirma uma redução monotônica nas emissões de CO2e conforme o aumento da mistura de HVO.
  • As emissões médias para o diesel fóssil puro (D) foram de 39,105 MT.
  • As emissões médias para 100% HVO (R) foram de 10,138 MT, representando uma redução de 74,1%.
  • As emissões evitadas (créditos) aumentaram proporcionalmente com o conteúdo de HVO, atingindo 28,966 MT para o caso de 100% HVO.
• Projeções de Longo Prazo (2030–2050):
  • A Enhanced-FNN demonstrou desempenho superior com $R^2 \approx 0,997$, Erro Médio Absoluto (MAE) de ~0,883 MT e Erro Quadrático Médio (MSE) de ~1,286 MT². Produziu projeções estáveis e não lineares que consideraram a queda induzida pela pandemia de 2020 na atividade da frota.
  • O Benchmark de Regressão Quadrática mostrou poder explicativo significativamente menor ($R^2 \approx 0,65$) e exibiu instabilidade, gerando trajetórias de emissões que aceleravam rapidamente fora do intervalo de calibração.
• Análise de Sensibilidade: O estudo identificou três alavancas principais de descarbonização: redução da quilometragem anual dos veículos, melhoria da eficiência de combustível da frota e aumento da participação de mistura renovável. A análise mostrou que, embora as melhorias na eficiência do combustível gerem reduções não lineares nas emissões, a integração de combustíveis renováveis proporciona um deslocamento de emissões proporcional.

Principidades Contribuições

1. Estrutura Reprodutível: O estudo fornece uma metodologia transparente para quantificar as emissões de combustíveis misturados e as emissões evitadas que pode ser adaptada para outros contextos subnacionais com dependência de diesel semelhante e políticas de biocombustíveis.
2. Previsão Aprimorada: Demonstra a eficácia de uma Enhanced-FNN com MC-dropout para previsões energéticas de longo prazo em ambientes com restrição de dados, superando a regressão polinomial tradicional em estabilidade e quantificação de incerteza.
3. Alinhamento de Políticas: O trabalho vincula explicitamente as reduções físicas de emissões à geração de créditos de emissões evitadas sob o framework brasileiro do RenovaBio, ofereção uma base quantitativa para avaliar mandatos de mistura (ex: 13%, 15%, 30%, 50% e 100% de HVO).

Significância e Alegações
O artigo afirma que sua principal significância reside na integração de dados de alta atividade econômica, características de frotas legadas e ecossistemas de biocombustíveis estabelecidos para criar um modelo transferível para evidências de matriz energética regional. Os autores afirmam que o estudo apoia mandatos de mistura progressivos em São Paulo ao demonstrar que o aumento do conteúdo de HVO reduz consistentemente as emissões projetadas e fortalece os benefícios de emissões evitadas.

O estudo posiciona-se modestamente como uma ferramenta de suporte à decisão, em vez de uma previsão definitiva de resultados futuros do mercado. Ele destaca que, embora a Enhanced-FNN ofereça uma previsão robusta, pesquisas futuras devem incorporar maior heterogeneidade operacional (ex: estratificação por classe de veículo) e análises de sensibilidade em relação ao crescimento da eficiência do combustível e das suposições de atividade para refinar ainda mais o realismo dos cenários. O trabalho enfatiza que o valor científico do estudo de caso de São Paulo é sua capacidade de servir como um modelo para outras regiões que buscam alinhar evidências de energia regional com modelos de previsão e regras de crédito de políticas.