Escolar Documentos
Profissional Documentos
Cultura Documentos
PRÓ-REITORIA DE PESQUISA
COORDENAÇÃO GERAL DE PROGRAMAS ACADÊMICOS E
DE INICIAÇÃO CIENTÍFICA
PIVIC
Resumo
De acordo com a Organização das Nações Unidas, a quantidade da população que vive em
centros urbanos tem aumentado cada vez mais, portanto a mobilidade urbana nessas cidades fica
comprometida, paralelo a este fato temos também o problema com o meio-ambiente e sua
preservação, para resolver isso recorre-se a trens e metrôs movidos a energia elétrica, nesse aspecto
surge a necessidade de usar algoritmos de suavização em curvas de velocidade. Este relatório
descreve o uso de algoritmos de suavização, gera resultados a partir de dados de entrada e compara os
resultados.
O método da média de três e cinco são métodos que não utilizam medidas de variação de
velocidade para seus cálculos, apenas fazem a média de toda a curva ponto a ponto. O método da
média de conforto simples iterada e a média de conforto copiada iterada, também de três e cinco
pontos, são métodos que utilizam curvas de variação e aplicam a média somente onde a variação é
mais alta do que a escolhida como limitante pelo especialista, a aplicação do conforto visa o bem estar
dos passageiros. O resultado obtido foram melhoras no consumo energético no uso de algumas
técnicas o que permitiu concluir que há técnicas mais adequadas para alguns tipos de perfis.
1.1. Contextualização
Diante dos dados publicados no ano de 2017 pelo Departamento de Assuntos Sociais e
Econômicos das Nações Unidas (ONU) no relatório “Perspectivas da População Mundial: Revisão
2017”, estima-se que para o início da década de 90 a população mundial consistia de em média 5,3
bilhões de habitantes, para a virada do milênio os dados nos mostram uma população em torno de 6,1
bilhões de habitantes e finalmente relata que atualmente existem 7,6 bilhões de habitantes neste ano
de 2018. Projeta-se que, seguindo o ritmo determinado no estudo, a marca dos 9,7 bilhões de
habitantes será superada até a metade do século presente e ao fim deste mesmo chegará à marca dos
mais de 11,2 bilhões, ou seja, em posse desses dados, comparativamente, temos que a população
mundial terá, até aquela data, crescido cerca de 47,3% se comparado com os dados para o ano de
2018.
A quantidade de pessoas em centros urbanos tem aumentado em detrimento da quantidade de
pessoas que vivem em áreas rurais, este tem crescido timidamente com o passar dos anos. Em 1950
somente 30% da população achava-se em áreas urbanas, essa taxa subiu e atualmente os indicadores
chegaram a 55% da população mundial alocada em limites urbanizados até 2018 e, segundo as
estatísticas, no ano de 2050 espera-se que essa taxa chegue ao patamar dos 65% e a densidade
populacional, também de acordo com o Departamento de Assuntos Sociais e Econômicos da ONU,
tem se intensificado nas áreas consideradas mais desenvolvidas (DESA, 2017).
Tendo base nos alicerces conceituais construídos a partir dos dados obtidos pela ONU
detecta-se um crescimento na população de cidades em limites urbanos e com isso surgem
preocupações tanto com os aspectos ecológicos relacionados a recursos naturais e sua manutenção
quanto com os problemas ambientais decorrentes da urbanização. Existe ainda uma preocupação com
a mobilidade em grandes centros urbanos onde os níveis de densidade populacional, ou seja, a
quantidade de pessoas por quilômetro quadrado é alta e as demandas criadas no intuito de suprir estas
necessidades causam impactos, sejam eles energéticos, ambientais ou de rotinas dos cidadãos, estes
impactos podem ser poluição sonora, emissão de gases que acarretam o efeito estufa, consumo de
matérias primas e de recursos naturais essenciais para a sobrevivência do homem, ocupação do espaço
urbano, entre outros. Para essa conjuntura, surgem as cidades inteligentes (do inglês Smart Cities) que
são compreendidas como um espaço urbano que manipula tecnologias de informação e comunicação e
emprega-as a fim de promover acessibilidade, soluções sustentáveis e modernas de acordo com
Aquino et al. (2015) de modo a tornar o setor urbano mais eficiente para sustentar uma boa qualidade
de vida de modo a gerir seus recursos de forma que a cidade, em relação aos seus agentes biológicos
sejam atuantes.
Partindo de uma visão ampla e analisando o setor de transportes em geral, considerando suas
opções de deslocamento, sua frota disponível para atender a população, sua infraestrutura se subdivide
principalmente em Rodoviária, Metroviária e/ou Ferroviária, temos que a melhor opção para o
ambiente urbano, considerando todos os argumentos expostos anteriormente, é a utilização de malha
metroviária, mais especificamente trens os quais sua fonte de geração de energia mecânica (que
consiste na capacidade de um corpo de produzir trabalho) é feito através do uso de energia elétrica,
por ser um meio de transporte coletivo de capacidade alta, há a redução do uso de transportes
individuais, particulares ou públicos, o que promove a redução da queima de combustíveis fósseis.
2. Objetivos
O objetivo deste trabalho consiste em realizar uma análise comparativa sobre estratégias de
suavização em perfis de velocidade, com a finalidade de reduzir o consumo energético em trens
elétricos em uma malha metro-ferroviária.
2.2. Objetivos Específicos
3. Materiais e Métodos
As técnicas utilizadas para suavizar as curvas de velocidade estão dispostas na Figura 3.1, são
elas: Média com três Elementos, Média com cinco elementos, Média de conforto simples. Seus nomes
foram dados de modo a levar consigo diferenças em suas implementações em código para que uma
breve explicação seja o suficiente para entender como cada uma delas funciona. A seguir serão
explicadas estas técnicas.
Seguindo a mesma lógica tem-se a média com cinco elementos como exposto na Figura 3.3 e
conforme é exposto no Código Fonte 3.2, porém a diferença entre o método anterior e o atual
acontece no tratamento à lista de entrada, pois para efetuar a média no elemento de índice um é
necessário que haja dois elementos anteriormente, o mesmo se repete no final da lista quando o
penúltimo elemento passará a ser o antepenúltimo para que seja efetuada a média de maneira correta
programacionalmente.
Código Fonte 3.2: Pseudocódigo da média com três elementos
Os dois algoritmos podem ser executados quantas vezes o usuário necessitar para suavizar sua
curva, portanto a chamada do método está dentro de uma estrutura de repetição que vai iterar de
acordo com o que receber da escolha do usuário.
Caso não haja valores na lista de variação de velocidade que satisfaçam a condição, a variável
chave não receberá o valor um e por isso finalizará por não satisfazer a repetição contida no bloco
principal. Caso haja valores que satisfazem a condição, será feita a média e repetir-se-á todo o
processo novamente.
É importante saber que nesse método há a contaminação do cálculo da média, uma vez que a
cada fim de repetição do cálculo o valor de saída é armazenado diretamente na lista de velocidades. O
termo contaminação é utilizado para descrever que a média feita anteriormente pelo código vai ser
utilizada ou propagada no próximo cálculo, como mostra a Figura 3.5.
Na próxima chamada para execução do Código Fonte 3.3, existirá uma nova lista de valores
de velocidades modificadas pela chamada de execução anterior, portanto, será formada uma nova lista
de variação das velocidades, ou seja, a cada iteração usa o perfil gerado anteriormente.
A diferença entre a média de conforto simples iterada de três elementos do Código Fonte 3.3
para a de cinco elementos do Código Fonte 3.4 é que, além de ser feito o cálculo da média com cinco
elementos, como sugere o nome, em sua execução a lista recebe a acreção no seu início e no seu final
de dois elementos com o valor zero, para que não haja erro de índice de lista.
A criação da cópia da lista onde estão contidas todas as velocidades instantâneas capturadas é
necessária para que não ocorra a contaminação do cálculo da média como acontece no método de
conforto simples iterado, por conseguinte, cada vez que a função for chamada será passada a nova
lista de velocidades procedente da chamada anterior, e só então será criada a lista cópia do estado
atual da velocidade e todo o processo de cálculo da média será feito tendo como base essa lista.
A técnica da média de conforto copiada iterada de cinco variáveis acontece da mesma
maneira que a média de conforto copiada iterada de três variáveis, porém há a necessidade de inserir
um elemento zero no início e no final da lista de velocidades para que não haja erros de índice quando
forem efetuadas as iterações.
4. Resultados e Discussão
Mediante a utilização das técnicas descritas obtivemos valores referentes a aplicação da
suavização utilizando a média de três e de cinco elementos, a média de conforto simples iterada
também para três e cinco elementos, e por fim a média de conforto copiada iterada de três e cinco
elementos. Partindo deste ponto, será comum observar nomenclaturas para as técnicas expostas no
trabalho, sendo assim veremos nos gráficos as seguintes abreviaturas:
Média de três elementos – M-3;
Média de cinco elementos – M-5;
Média de conforto simples iterada de três elementos – MCSI-3;
Média de conforto simples iterada de cinco elementos – MCSI-5;
Média de conforto simples copiada de três elementos – MCCI-3 e
Média de conforto simples copiada de três elementos – MCCI-5.
O gráfico de barras da figura 4.1 é um comparativo das técnicas MCSI-3, MCSI-5, MCCI-3 e
MCCI-5 mostrando qual a melhor entre as quatro, considerando as diferentes constantes de
suavização de um até dez km/(medida de tempo) (1 – 10). Quando a variável de conforto é igual a
1km/(medida de tempo) temos o melhor desempenho entre todas as escolhas de variáveis analisadas,
constituindo os perfis energeticamente mais econômicos.
Figura 4.1: Comparativo de técnicas para diferentes valores de conforto
Vemos que no gráfico as variações são algumas vezes imperceptíveis, portanto a Figura 4.2
mostrará a comparação da melhora ou piora da aplicação dos mesmos métodos da Figura 4.1 em
relação à energia total do perfil de velocidade sem os procedimentos aplicados. O que foi constatado
na Figura 4.2 é o fato de que o ganho com relação ao perfil sem aplicação das técnicas de suavização
e o perfil com as técnicas é que há um expressivo ganho energético com baixas variações e algumas
perdas e ganhos à medida que aumenta-se o limite da variável de conforto. Foi averiguado também
que cada perfil de velocidade pode se comportar de maneira diferente quando submetido às aplicações
de cada um dos algoritmos de suavização.
Figura 4.2: Comparativo das melhoras ou pioras com relação ao perfil de velocidade original
Figura 4.4: Comparativo das melhoras ou pioras com relação ao perfil de velocidade original
O melhor perfil energético é aquele que consumiu menos energia para desempenhar uma
função, portanto, comparando os algoritmos M-5 e M-3, temos que o M-5 foi energeticamente mais
eficiente, mediante avaliação de dados foi apurado que três repetições conferem ao perfil de
velocidade um gasto energético menor tal como mostra a Figura 4.6.
Figura 4.7: Perfil de velocidade MCCI-5 para conforto sendo no máximo 2 Km/(tempo).
5. Conclusões
Com a conclusão deste trabalho foi possível identificar artifícios para assessorar especialistas na
prevenção de dispêndio de energia em trens elétricos ou metrôs. A análise dos algoritmos de suavização
permitiu determinar quais as melhores e as piores soluções, e mostrar todas elas para o especialista, que
então escolherá qual que tem o melhor custo benefício para aplicar em seu projeto ou contexto.
O profissional terá a todos os gráficos que expressam a velocidade, em função de um tempo
determinado, de todas as técnicas de suavização implementadas, a sua comparação uma com a outra.
Além dos benefícios diretos da aplicação, que consiste na economia de energia, com esta economia é
possível incrementar a frota, pois em algumas localidades no Brasil as companhias que fornecem a
energia elétrica limitam o fornecimento e multam caso sejam ultrapassados os limites.
6. Trabalhos Futuros
7. Referências Bibliográficas
AQUINO, A. L. et al. Cidades inteligentes, um novo paradigma da sociedade do conhecimento.
Blucher Education Proceedings, v. 1, n. 1, p. 165–178, 2015.
DESA. Department of Economic and Social Affairs. 2017. Disponível em:
<https://esa.un.org/unpd/wup/Country-Profiles/>.
LINDEN, R. Algoritmos genéticos (3a ediçao). [S.l.]: Brasport, 2012.
ONU. Organização das Nações Unidas. 2017. Disponível em: <https://esa.un.org/unpd/wpp/>