اهمیت درجه جاده و وزن کامیون: بررسی عدم قطعیت مصرف انرژی در سطح لینک

مدل‌سازی مصرف انرژی و انتشار گازهای گلخانه‌ای کامیون‌های سنگین در شرایط واقعی، به دلیل عدم قطعیت‌های ناشی از شیب جاده و وزن پویای کامیون، با چالش مواجه است. این مطالعه، عدم قطعیت مدل‌سازی در سطح لینک را کمّی‌سازی کرده و تأثیر شیب جاده و وزن کامیون را تجزیه و تحلیل می‌کند. مدل‌های رگرسیون چندگانه و یادگیری ماشین برای ارزیابی عملکرد پیش‌بینی مصرف انرژی تحت ترکیبات مختلف ویژگی‌ها به کار گرفته شده‌اند. نتایج نشان می‌دهد که استفاده از تنها سرعت متوسط برای بخش‌های ۵ کیلومتری منجر به خطای ۲۵٪ می‌شود که با در نظر گرفتن شیب جاده، وزن کامیون و شتاب، به ۱۱٪ کاهش می‌یابد. این یافته‌ها بر لزوم ادغام شیب جاده و وزن کامیون در مدل‌های پیش‌بینی برای بهبود تجزیه و تحلیل انرژی و انتشار گازهای گلخانه‌ای تأکید می‌کنند.

مقدمه

مدل‌سازی دقیق مصرف انرژی و انتشار گازهای گلخانه‌ای خودرو برای ارزیابی مصرف انرژی و انتشار گازهای گلخانه‌ای در بخش‌های جاده‌ای یا در مناطق (McNerney و همکاران، 2017؛ Zhang و همکاران، 2014)، تدوین سیاست‌های مناسب برای صرفه‌جویی در مصرف انرژی و کاهش انتشار گازهای گلخانه‌ای (Qi و همکاران، 2024)، بهینه‌سازی انتخاب مسیر و طراحی شیوه‌های رانندگی سازگار با محیط زیست ضروری است. با این حال، به دلیل پیچیدگی مدل و محدودیت‌های داده‌ها، اکثر مدل‌های مصرف انرژی و انتشار گازهای گلخانه‌ای موجود در درجه اول بر عوامل مرتبط با رانندگی مانند سرعت و شتاب تمرکز دارند. توجه کمتری به عوامل دیگری مانند شیب جاده و وزن خودرو می‌شود (Fan و همکاران، 2024b)، اگرچه آنها می‌توانند به طور قابل توجهی بر مصرف انرژی و انتشار گازهای گلخانه‌ای خودرو تأثیر بگذارند (Gallus و همکاران، 2017؛ Liu و همکاران، 2019؛ Faria و همکاران، 2019؛ Farzaneh و همکاران، 2022؛ Fan و همکاران، 2023؛ Liu و همکاران، 2023؛ Fan و همکاران، 2024b). حذف این عوامل می‌تواند عدم قطعیت‌های مدل‌سازی را ایجاد کند که بر دقت تخمین‌های مدل تأثیر می‌گذارد.

مدل‌های مصرف انرژی و انتشار گازهای گلخانه‌ای خودروهای امروزی را می‌توان به طور کلی به مدل‌های میکروسکوپی (مصرف انرژی لحظه‌ای و نرخ انتشار) و مزوسکوپی (مصرف انرژی در سطح لینک و ضریب انتشار) طبقه‌بندی کرد. مدل‌های میکروسکوپی معمولاً از ویژگی‌های عملیاتی خودرو با وضوح بالا (معمولاً ثانیه به ثانیه) (سرعت، شتاب، گشتاور موتور، دور موتور و غیره) برای پیش‌بینی مصرف انرژی لحظه‌ای و نرخ انتشار گازهای گلخانه‌ای استفاده می‌کنند. مدل‌های میکروسکوپی مبتنی بر دینامیک خودرو قابلیت تفسیر خوبی ارائه می‌دهند، اما معمولاً برای افزایش دقت با مشکل مواجه هستند، زیرا در شرایط ایده‌آل، با داده‌های کالیبراسیون محدود و چندین پارامتر که معمولاً ثابت فرض می‌شوند، توسعه می‌یابند (Fan et al., 2024b). مدل‌های مبتنی بر داده و یادگیری ماشین، از داده‌های ویژگی گسترده برای دستیابی به دقت پیش‌بینی بالا استفاده می‌کنند (Liu and Jin, 2023; Wang et al., 2023). با این حال، الزامات داده برای آموزش و کالیبراسیون مدل، تعمیم‌پذیری و کاربردپذیری آنها را در بسیاری از موارد استفاده با کمبود داده، که در شیوه‌های دنیای واقعی رایج هستند، به خطر می‌اندازد. برای مثال، در مسائل مسیریابی وسایل نقلیه سبز (G-VRP)، به دست آوردن داده‌های لحظه‌ای عملکرد وسیله نقلیه برای محاسبه مصرف انرژی وسیله نقلیه در هر لینک جاده‌ای در شبکه، غیرعملی است (Pu و همکاران، 2022، Xiao و همکاران، 2012). معمولاً، فقط میانگین سرعت ترافیک (یا زمان سفر) در هر جاده را می‌توان از طریق اطلاعات ترافیکی تاریخی، بلادرنگ یا پیش‌بینی‌شده به دست آورد. این ویژگی‌های سطح لینک را نمی‌توان مستقیماً به عنوان ورودی برای مدل‌های مصرف انرژی میکروسکوپی یا انتشار گازهای گلخانه‌ای استفاده کرد.

مدل‌های مزوسکوپی برای ارزیابی مصرف انرژی و انتشار گازهای گلخانه‌ای در سطح لینک (چند صد متر تا کیلومتر) از اهمیت بالایی برخوردارند، به خصوص در رویه‌های دنیای واقعی که ویژگی‌های عملیاتی خودرو با وضوح بالا معمولاً کمیاب هستند. این مدل‌ها از ویژگی‌های آماری عملکرد خودرو در یک زمان یا مسافت خاص برای توصیف مصرف انرژی یا انتشار گازهای گلخانه‌ای در آن دوره یا طول استفاده می‌کنند (Chen et al., 2017; Zhou et al., 2015). سرعت متوسط رانندگی یکی از ضروری‌ترین و پرکاربردترین ویژگی‌ها است. تحقیقات نشان داده است که با افزایش سرعت متوسط رانندگی، مصرف انرژی خودرو در واحد مسافت به تدریج کاهش می‌یابد و در سرعت بهینه به حداقل خود می‌رسد، سپس به دلیل افزایش تأثیر نیروی درگ آیرودینامیکی، مصرف انرژی شروع به افزایش می‌کند (Song et al., 2016; Zhai et al., 2019; Zhang et al., 2025). مدل‌های رگرسیون چندگانه برای مدل‌های مصرف انرژی و انتشار گازهای گلخانه‌ای در سطح لینک توسعه داده شده و به کار گرفته شده‌اند که رابطه عملکردی بین مصرف انرژی/انتشار گازهای گلخانه‌ای و سرعت متوسط و سایر ویژگی‌ها را نشان می‌دهند. اگرچه از نظر محاسباتی ساده هستند، اما این رویکردهای داده‌محور گاهی اوقات فاقد اهمیت فیزیکی واضح و قابلیت تفسیر هستند. شبیه‌ساز انتشار گازهای گلخانه‌ای وسایل نقلیه موتوری (MOVES) که به طور گسترده مورد استفاده قرار می‌گیرد و توسط آژانس حفاظت از محیط زیست ایالات متحده (EPA) توسعه داده شده است، از توان ویژه وسیله نقلیه (VSP) برای وسایل نقلیه سبک و توان کششی مقیاسی (STP) برای وسایل نقلیه سنگین برای توصیف شرایط عملیاتی وسیله نقلیه و تعیین مصرف انرژی لحظه‌ای و نرخ انتشار گازهای گلخانه‌ای استفاده می‌کند (US EPA، 2023). تحقیقات نشان داده است که تحت شرایط ثابت نوع جاده و نوع وسیله نقلیه، توزیع STP (یعنی نسبت زمان صرف شده در سطل‌های مختلف STP) الگوهایی را نشان می‌دهد که با سرعت متوسط ​​همبستگی دارند (Song و همکاران، 2016، Song و همکاران، 2012، Song و همکاران، 2009، Song و Yu، 2009). در نتیجه، می‌توان مصرف انرژی در سطح لینک و عوامل انتشار را با ضرب توزیع میانگین STP مخصوص سرعت در نرخ‌های مصرف انرژی یا انتشار مربوط به STP محاسبه کرد (Fan et al., 2024a; Song et al., 2016). اگرچه این روش اهمیت فیزیکی و قابلیت تفسیر دارد، اما خروجی آن به نرخ‌های دقیق مصرف سوخت و توزیع‌های محلی STP از جداول جستجوی پیچیده متکی است و برای دستیابی به نتایج دقیق به داده‌های ورودی نسبتاً گسترده‌ای (مانند نوع سوخت، نوع وسیله نقلیه، نوع جاده و غیره) نیاز دارد. این محدودیت‌ها مانع از استفاده از آن در برنامه‌هایی می‌شود که نیاز به راندمان محاسباتی بالا در مقیاس بزرگ دارند، مانند VRP و مسیریابی سازگار با محیط زیست.

از همه مهم‌تر، مدل‌های مصرف انرژی و انتشار گازهای گلخانه‌ای مزوسکوپی موجود، به عوامل حیاتی مانند شیب جاده و وزن خودرو توجه کافی نکرده‌اند. در عملیات دنیای واقعی، وزن کامیون‌های سنگین (HDT) می‌تواند به دلیل فعالیت‌های بارگیری و تخلیه مکرر، از 10 تن در حالت خالی تا بیش از 50 تن در حالت پر، به طور قابل توجهی تغییر کند. این تغییرات قابل توجه در وزن می‌تواند میزان مصرف انرژی و انتشار گازهای گلخانه‌ای خودروها را به طور قابل توجهی تغییر دهد (Boriboonsomsin و همکاران، 2015، Fan و همکاران، 2024b، Farzaneh و همکاران، 2022، Wang و همکاران، 2021). تحقیقات نشان داده است که مصرف سوخت از تقریباً 10 لیتر در 100 کیلومتر برای یک وسیله نقلیه 5 تنی به 60 لیتر در 100 کیلومتر برای یک وسیله نقلیه 60 تنی کاهش یافته است (Fan و همکاران، 2024b). علاوه بر این، شیب جاده یکی دیگر از عوامل مهم است که نمی‌توان در مدل‌سازی مصرف انرژی و انتشار گازهای گلخانه‌ای نادیده گرفت. مطالعات نشان داده‌اند که افزایش ۱ درصدی شیب جاده می‌تواند منجر به افزایش ۱۶ درصدی نرخ مصرف سوخت برای وسایل نقلیه سبک در هنگام شتاب‌گیری شود (Fan و همکاران، ۲۰۲۲). با سرعت تقریبی ۹۶ کیلومتر در ساعت (۶۰ مایل در ساعت)، با افزایش شیب جاده از ۴- درصد به ۴ درصد، مصرف سوخت می‌تواند از ۱۶ گرم در کیلومتر (۲۵ گرم در مایل) به ۷۸ گرم در کیلومتر (۱۲۵ گرم در مایل) افزایش یابد. علاوه بر این، حتی با مبدأ و مقصد یکسان، وسایل نقلیه‌ای که در مسیرهای تپه‌ای حرکت می‌کنند، تقریباً ۱۵ تا ۲۰ درصد انرژی بیشتری نسبت به وسایل نقلیه‌ای که در مسیرهای نسبتاً مسطح حرکت می‌کنند، مصرف می‌کنند (Boriboonsomsin & Barth، ۲۰۰۹).

با این حال، فقدان داده‌های دقیق در مورد شیب جاده و وزن خودرو باعث شده است که اکثر مدل‌های مزوسکوپی موجود این عوامل حیاتی را نادیده بگیرند و منجر به عدم قطعیت‌های بالقوه در مصرف انرژی و تخمین انتشار NOx شوند. به طور خاص، در شرایط رانندگی در دنیای واقعی، وزن خودرو و شیب جاده ممکن است تأثیر ترکیبی بر شرایط عملیاتی خودرو داشته باشند و متعاقباً عدم قطعیت‌ها را تشدید کنند. به عنوان مثال، یک وسیله نقلیه کاملاً پر که در حال حرکت به سمت سربالایی است، می‌تواند مصرف انرژی و انتشار گازهای گلخانه‌ای به طور قابل توجهی بالاتر از یک وسیله نقلیه خالی که در حال حرکت به سمت سراشیبی است، داشته باشد (از نظر تئوری، این تفاوت می‌تواند از 300٪ فراتر رود). تکیه صرف بر سرعت متوسط برای ثبت این تفاوت‌ها کافی نیست و بنابراین، نمی‌تواند نتایج مدل‌سازی دقیقی ارائه دهد. در نتیجه، گنجاندن شیب جاده و وزن خودرو در مدل‌های مزوسکوپی برای دستیابی به نتایج دقیق مدل‌سازی مصرف انرژی و انتشار گازهای گلخانه‌ای بسیار مهم است.

مدل‌سازی دقیق مصرف انرژی و انتشار گازهای گلخانه‌ای یک وسیله نقلیه برای یک مسیر مشخص، حتی با وجود وزن مشخص وسیله نقلیه و اطلاعات مربوط به درجه جاده، همچنان پیچیده و چالش‌برانگیز است. مدل‌سازی بر اساس میانگین سرعت و درجه جاده کل مسیر ممکن است به اندازه کافی دقیق نباشد زیرا سرعت وسیله نقلیه و درجه جاده در کل مسیر ثابت نیستند. مدل‌های سنتی مصرف انرژی اغلب محاسبه را بر اساس میانگین ویژگی‌های کل مسیر انجام می‌دهند و از تغییرات بین بخش‌های مختلف تشکیل‌دهنده مسیر صرف نظر می‌کنند. استفاده از میانگین درجه جاده و سرعت وسیله نقلیه برای تخمین مصرف انرژی ممکن است برای مسافت‌های کوتاه کافی باشد. با این حال، دقت برای مسیرهای طولانی و پیچیده به دلیل تغییرات درجه جاده و سرعت وسیله نقلیه کاهش می‌یابد. برای بهبود دقت مدل، لازم است این تغییرات در طول مسیر در نظر گرفته شود. به طور خاص، مسیر باید به پیوندهای کوتاه‌تر (چند صد متر) تقسیم شود که در آن‌ها درجه جاده را می‌توان ثابت فرض کرد و سرعت وسیله نقلیه تغییرات قابل توجهی ندارد. سپس می‌توان مصرف انرژی در هر لینک را بر اساس ویژگی‌های لینک (میانگین سرعت، شیب جاده، وزن و غیره) به صورت جداگانه محاسبه کرد و متعاقباً برای به دست آوردن کل مصرف انرژی برای کل مسیر، آنها را جمع کرد. با این حال، چندین شکاف کلیدی در ادبیات فعلی مورد توجه قرار نگرفته است:

• طول مناسب برای مدل‌سازی مبتنی بر لینک به طور سیستماتیک بررسی نشده است؛

• تأثیر نسبی ویژگی‌های مختلف سطح لینک (مانند شیب، وزن، شتاب) بر تخمین‌های انرژی و انتشار هنوز مشخص نیست؛

• میزان و ساختار عدم قطعیت مدل‌سازی که با نادیده گرفتن یا ساده‌سازی چنین ویژگی‌هایی ایجاد می‌شود، کمّی نشده است؛

• تغییر این عدم قطعیت‌ها در مسیرهای با طول‌های مختلف به طور کامل بررسی نشده است.

برای پرداختن به این شکاف‌ها، این مطالعه تجزیه و تحلیل جامعی از مصرف انرژی سطح لینک و مدل‌سازی انتشار در شرایط دنیای واقعی، با تمرکز بر تأثیر شیب پویای جاده و وزن خودرو، انجام می‌دهد. داده‌های عملکرد ثانیه به ثانیه خودرو، همراه با اندازه‌گیری‌های مربوط به مصرف سوخت و انتشار گازهای گلخانه‌ای، از چندین کامیون دیزلی سنگین (HDDT) در حال استفاده جمع‌آوری شد. یک بزرگراه ملی نمونه در چین انتخاب و به صدها لینک ۱۰۰ متری تقسیم شد. به هر لینک اطلاعات دقیقی از شیب جاده و وزن کامیون اختصاص داده شد که سپس با داده‌های عملیاتی خودرو مطابقت داده شد.

سپس توزیع و عدم قطعیت ویژگی‌های انرژی و انتشار را در بین لینک‌ها با ترکیب‌های مختلف درجه جاده و وزن کامیون تجزیه و تحلیل کردیم. علاوه بر این، ما از مدل‌های رگرسیون چندگانه و یادگیری ماشین برای پیش‌بینی مصرف انرژی در سطح لینک با استفاده از ترکیب‌های مختلف ویژگی استفاده کردیم و عملکرد مدل را در طول‌های مختلف قطعه جاده مقایسه کردیم. این مطالعه چارچوب جدیدی برای درک علل و ساختار عدم قطعیت مدل‌سازی در مدل‌سازی انرژی کامیون مزوسکوپی ارائه می‌دهد و ارزیابی می‌کند که چگونه ادغام درجه جاده و وزن می‌تواند دقت را بهبود بخشد.

لازم به ذکر است که در سراسر این مطالعه، اصطلاح «انتشار» به طور خاص به NOx اشاره دارد. سایر آلاینده‌ها مانند PM یا HC به دلیل محدودیت‌های سیستم جمع‌آوری داده‌ها در این تحلیل لحاظ نشده‌اند. اندازه‌گیری دقیق چنین آلاینده‌هایی معمولاً نیازمند سیستم‌های اندازه‌گیری انتشار قابل حمل (PEMS) است که خارج از محدوده این مطالعه هستند. (منبع)