Software de Pronóstico para la Concentración del Material Partículado del Valle De Aburrá
Ciertos fenómenos en la naturaleza presentan características caóticas o son dependientes de un cantidad significativa de variables lo que dificulta la modelación de los fenómenos con fines experimentales y de análisis. Un ejemplo de esto es la dispersión de material partículado en el aire. Éste fenó...
Saved in:
| Institution: | Universidad EIA |
|---|---|
| Main Author: | |
| Format: | Trabajo de grado - Pregrado |
| Language: | Español |
| Published: |
Universidad EIA
2010
|
| Subjects: | |
| Online Access: | https://repository.eia.edu.co/handle/11190/6420 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Ciertos fenómenos en la naturaleza presentan características caóticas o son dependientes de un cantidad significativa de variables lo que dificulta la modelación de los fenómenos con fines experimentales y de análisis. Un ejemplo de esto es la dispersión de material partículado en el aire.
Éste fenómeno, ha sido estudiado debido a que afecta directamente la salud de la población, lo que genera un interés constante para busca mejorar la calidad del aire y un modelo es una herramienta muy útil para el análisis y la solución del problema. Los problemas que presenta la modelación del fenómeno es la gran cantidad de variables que intervienen en el proceso de dispersión lo que traduce un alto grado de dificultad para generación de un modelo a partir de técnicas analíticas, sumado del hecho que el modelo será localizado en una zona específica, puede no tener una vida útil muy larga si no está en capacidad de adaptarse a los posibles cambios en el entorno.
Por otra parte la información con la que se cuenta a partir de las mediciones de la calidad del aire en estaciones de monitoreo es sesgada, debido principalmente a la escases de puntos de medición y al hecho de que no se puede extrapolar la medición de los puntos con estaciones a aquellos que no cuentan ésta facilidad.
Por ésta razón se abordo el tema del modelamiento, o mejor de la optimización de un modelo de dispersión de contaminante para el área del Valle de Aburrá. El modelo propuesto a partir de unos datos puntuales de las fuentes de emisión, los campos de viento de la zona de estudio y mediciones de concentración de PM10 genera un mapa de pronóstico en la zona de estudio entregando datos estimados de la concentración de material partículado en zonas donde no se cuenta con información, además puede ser manipulado variando datos como los niveles de emisión de las fuentes lo que permite observar el efecto global de ciertas medidas y en manos de un experto puede llevar a tomar medidas efectivas que tengan un efecto positivo en la calidad del aire de la zona de estudio.
Para el desarrollo del modelo se utilizaron técnicas de computación inteligente y específicamente mecanismos evolucionaros. Está aproximación permitió que el desarrollo del modelo estuviera completamente ligado a las bases de datos antes mencionadas, factor que agrego flexibilidad por que permite realizar cambios y ajustes con solo actualizar las bases de datos de las que se alimenta el algoritmo y generar simulaciones de condiciones alternas mediante la manipulación de las bases de datos.
La evaluación del desempeño del modelo se hizo con base al error existente entre la salida del mismo y los datos utilizados como referencia, utilizando como sistema de evaluación 8 métricas estadísticas que entregaban además información sobre la correlación existente, la similitud de la tendencia y la cercanía y dirección de las medias de los datos estimados con respecto a los datos de referencia.
Abstract:
Certain natural phenomena present chaotic characteristics or depend of a significant amount of variables which makes modeling for experimental and analysis purposes a difficult task, one example of this is the modeling of particulate matter dispersion.
Particulate matter dispersion has been largely studied because it affects directly general population´s health. That alone is enough to generate an interest in the search for strategies that lead to air quality improvement and in that interest an accurate model can be a very useful tool for analysts. The problems involved in the generation of such model, especially if using analytical methods is the great amount of variables that affect the phenomenon and the chaos involved in the process, added to the fact that the model will probably be strongly attached to the region it was developed for and its lifespan may not be large enough if environmental changes take place.
In some cases the information regarding air quality available is biased mainly because the number of monitoring stations is not enough to provide information in large areas, and the impossibility to extrapolate the information from the monitoring stations to nearby points.
For these reasons interest was taken in improving a contaminant dispersion model for the Valle de Aburra area. The model proposed can generate a prognostic map from data of the emission points, fields of wind of the area studied, and PM10 concentration measures. The output of the model is useful as it is an estimation of the concentration of particulate matter in zones where no data is available and model itself can be modified changing the data of the emission points to simulate different environmental states and generate hypothetical outputs. The data can be used to apply more effective methods and in the hands of an expert can lead to a significant improvement of air quality.
For the development of the model were used intelligent computation techniques, specifically genetic algorithms. This approach leaded to a model which is directly attached to the data in which the model was founded, that means that if the data is changed with some readjustments the model will readapt to the new data.
The evaluation of the performance of the model was made using the error existent between the output and the PM10 concentration data used as reference. 8 statistical measures were used to assign a quantitative performance score, these scores could then be used to evaluate the agreement, the similarity of the tendency and the direction of the median of the estimated data with respect to the reference data.
|
|---|
