Desenvolvimento e validação de um novo método analítico para determinação de linagliptina a granel por espectrofotômetro visível
Mar 06, 2023Bioconversão de 4
Mar 08, 2023Por que a água ultrapura é crítica para a análise HPLC
Mar 10, 2023Água: Um Reagente Vital para a Ciência, Farmacêutica e Laboratório Clínico
Mar 12, 2023β fúngico
Mar 14, 2023Novo método para melhorar a política climática
Pesquisadores da University College Cork (UCC) e da Columbia Universitydesenvolveram novas pesquisasisso melhorará a precisão da estimativa de demandas futuras para transporte de passageiros e carga, que coletivamente respondem por 20% das emissões globais de gases de efeito estufa.
As Nações Unidas estimam que a população global pode crescer de 7,7 bilhões de pessoas em todo o mundo em 2019 para cerca de 9,7 bilhões em 2050. A população adicional e o crescimento econômico provavelmente levarão ao aumento da demanda por serviços de transporte.
A redução das emissões relacionadas com o transporte continua a ser um desafio considerável para a política climática. Até agora, as tarefas de projeção de demanda de transporte eram tratadas pela simulação de demandas ou pelo uso de análise baseada em regressão. Agora, por meio dessa pesquisa da UCC e da Columbia, países de todo o mundo poderão estimar com mais precisão as demandas futuras de transporte.
Esta pesquisa, publicada na Scientific Reports, apresenta uma nova abordagem inovadora de aprendizado de máquina chamada TrebuNet. Os resultados demonstram que esta nova arquitetura TrebuNet alcança desempenho superior em comparação com métodos de regressão tradicionais e redes neurais de última geração e métodos de aprendizado de máquina. As melhorias se estendem à projeção de demanda regional para todas as demandas de modos de transporte em horizontes de tempo curtos, decadais e médios.
Siddarth Joshi, que liderou esta pesquisa como parte de seu doutorado em Engenharia de Energia na UCC, comentou: "Este estudo fornece informações sobre o desenvolvimento de uma nova arquitetura de aprendizado de máquina que aumenta a precisão na estimativa das demandas de serviços de energia de transporte. A arquitetura inovadora de aprendizado de máquina e seus benefícios são mensuráveis para a comunidade de modelagem de energia e são transferíveis para diferentes disciplinas."
"As projeções precisas de demanda de transporte não são apenas importantes para modelos de sistemas de energia e políticas climáticas, mas também atuam como [uma] espinha dorsal para entender a direção futura dos mercados globais de energia", afirmou Brian Ó Gallachóir, professor de engenharia de energia da UCC.
O Dr. James Glynn, pesquisador sênior da Universidade de Columbia, acrescentou: "Este novo método demonstra inovação em modelagem de sistemas de energia e análise de dados para resolver deficiências na compreensão das perspectivas dos modelos de sistemas de energia para novas aplicações de aprendizado profundo. Isso nos ajuda a remover a incerteza em caminhos de descarbonização. A descarbonização do transporte de acordo com as metas globais de zero 2050 requer ação climática urgente. A colaboração entre a Columbia SIPA e a UCC está levando a novas abordagens em modelagem de sistemas de energia e ciência de dados para fornecer ferramentas e pesquisas baseadas em evidências para tomadores de decisão desenhando a política climática”.
- Este comunicado de imprensa foi originalmente publicado no site da University College Cork
desenvolveram novas pesquisas