1

Compilación y análisis de inventario de ciclo de vida (ICV) de la flota anchovetera industrial peruana:Niveles de detalle óptimos y fuentes de variabilidad en consumos de combustible

Rosa Vinatea, Universidad Nacional Federico VillarrealDr. Pierre Fréon, IRDMs. Angel Avadi, IRD

Ms. Rocío Joo, IRDFederico Iriarte, Universidad Nacional Federico Villarreal

DISCOH Scientific WorkshopMarch 2012

2

1. Análisis de Ciclo de Vida- Análisis del inventario de ciclo de vida.

2. Problema3. Objetivo4. Materiales y Métodos5. Resultados6. Conclusiones Preliminares

3

Análisis de Ciclo de Vida - LCA

Análisis del Inventario

Objetivo y Alcance

Impactos Asociados Interpretación

4

*Fuente PRODUCE 2011

5

Problema:

¿Cómo compilar de manera correcta un adecuado inventario de Ciclo de vida de la flota anchovetera industrial peruana?

6

Determinar la forma ideal de elaborar un adecuado inventario de ciclo de vida (ICV) de la flota anchovetera industrial.

Decidir el umbral de contribución (Treshold) y el nivel de detalle ideal. Tomando como criterios, la masa, el valor económico e impacto ambiental estimado.

Identificar los principales ítems del inventario, que cumplen el umbral de contribución

Discutir las diferentes fuentes de variabilidad, métodos utilizados y problemas para estimar de consumo de combustible.

Objetivo Principal

7

Inve

ntar

io d

e la

Flo

ta a

ncho

vete

ra

Indu

stria

l • Se realizaron encuestas y entrevistas, en diferentes astilleros, puertos, empresas pesqueras y afines (2008-2011)

• Se logro obtener información de 135 embarcaciones, las que se agruparon en categorías de CBOD de 80m3.

• Se realizaron diferentes ensayos con las principales variables para determinar su correlación.Di

scus

ión

de la

var

iabi

lidad

del

Co

nsum

o de

Com

busti

ble • Se colecto información del

consumo de combustible 2000-2003; 2008-2010.

• Se obtuvieron datos SISESAT 2000-2009.

• Las embarcaciones se agruparon en categorías de CBOD de 80m3.

• Se realizaron análisis ANOVA, GLM, análisis del componente principal (PCA) y análisis de Discriminantes, con las principales variables explicativas.

8

Resultados:

1° Análisis de las encuestas del Inventario (ICV).

2°Análisis del Consumo de Combustible (2000-2003, 2008-2010).

3° Análisis de los datos VMS (2000-2009).

9

1° Análisis de las encuestas del Inventario (ICV)

Light Ship (t) = 132.9 + 0.84 Arqueo bruto + 0.55 CBOD (m3) + -7.17 Eslora (m)

y = 0.8476x + 62.116R² = 0.7363

-

100.00

200.00

300.00

400.00

500.00

600.00

700.00

- 200.00 400.00 600.00 800.00 Gross Tonnage

Light Ship vs. Gross Tonnage

Light Ship (t)

Lineal (Light Ship (t))

y = 12.791x - 178.93R² = 0.6293

-

100.00

200.00

300.00

400.00

500.00

600.00

700.00

- 20.00 40.00 60.00 80.00 Length

Light Ship vs. Length

Light Ship (t)

Lineal (Light Ship (t))

•El inventario esta compuesto por 679 ítems.•Tenemos un total de 135 embarcaciones

10

2000 2001 2002 2003 2008 2009 2010

510

15

Boxplot galTM por AÑO

75 155 235 315 395 475 555 635 715 875

510

15

Boxplot galTM por Cat CBOD

0 100 200 300 400 500 600 700

-40

24

Index

resi

dual

s(A

NO

VA

.res)

Histogram of residuals(ANOVA.res)

residuals(ANOVA.res)

Freq

uenc

y

-4 -2 0 2 4

050

100

2 4 6 8 10 12-6

-4-2

02

46

Fitted values

Res

idua

ls

Residuals vs Fitted

168425

192

-3 -2 -1 0 1 2 3

-6-4

-20

24

6

Theoretical Quantiles

Sta

ndar

dize

d re

sidu

als

Normal Q-Q

425

192

168

2 4 6 8 10 12

0.0

0.5

1.0

1.5

2.0

2.5

Fitted values

Sta

ndar

dize

d re

sidu

als

Scale-Location425192

168

0.0 0.2 0.4 0.6 0.8 1.0-6

-4-2

02

46

Leverage

Sta

ndar

dize

d re

sidu

als

Cook's distance

10.5

0.51

Residuals vs Leverage

425

192

609

2° Análisis del Consumo de Combustible (2000-2003, 2008-2010).

ANOVA.res=aov(galTM~ANO+CATBOD+CIA+EP+EdadEP+ANO*CATBOD+CATBOD*EdadEP)R2= 0.7400825

11

Impacto de la Ley de cuotas en el Consumo de Combustible:

12

ANOVA.res=aov(galTM~ANO+CATBOD+ANO*CATBOD+EP+CATBOD*MotElect+CATBOD*BULBO)

0 100 200 300 400 500

-20

24

Index

resi

dual

s(A

NO

VA

.res)

Histogram of residuals(ANOVA.res)

residuals(ANOVA.res)

Freq

uenc

y

-2 -1 0 1 2 3 4

040

8012

0

2 4 6 8 10 12

-20

24

Fitted values

Res

idua

ls

Residuals vs Fitted

636

633657

-3 -2 -1 0 1 2 3

-20

24

6

Theoretical Quantiles

Sta

ndar

dize

d re

sidu

als Normal Q-Q

636

633657

2 4 6 8 10 120.

00.

51.

01.

52.

0Fitted values

Stan

dardi

zed r

esidu

als

Scale-Location636

633657

0.0 0.2 0.4 0.6 0.8 1.0

-4-2

02

46

Leverage

Sta

ndar

dize

d re

sidu

als

Cook's distance

10.5

0.51

Residuals vs Leverage

636

633 657

Variables DF Sum Sq Mean Sq F value Pr(>F)

AÑO 2 15.10 7.5480 8.1022 0.0003944***

Categoría de CBOD

8 70.64 8.8300 9.4784 2.294e-11***

Embarcación 231 533.95 2.3115 2.4812 3.665e-12***

Motor Eléctrico 1 3.03 3.0295 3.2520 0.0726021

Año : Categoría de CBOD m3

14 27.19 27.19 1.9419 0.0133394*

Residuals 238 221.72 0.9316

R2 = 0.7400136

R2 = 0.7400136

13

3° Análisis de los datos VMS (2000-2009)0

1000

020

000

3000

0

Viajes VMS por Anho

tabl

a.A

NO

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Viajes por año

14

15

ANALISIS DE COMBUSTIBLE Y DATOS DE VMS (DATOS SATELITALES)

0 100 200 300 400

-20

24

Index

resi

dual

s(A

NO

VA

.res)

Histogram of residuals(ANOVA.res)

residuals(ANOVA.res)

Freq

uenc

y

-2 0 2 4

040

80

2 4 6 8 10 12

-20

24

Fitted values

Res

idua

ls

Residuals vs Fitted

156122

85

-3 -2 -1 0 1 2 3

-20

24

Theoretical Quantiles

Sta

ndar

dize

d re

sidu

als

Normal Q-Q

156122

132

2 4 6 8 10 12

0.0

0.5

1.0

1.5

2.0

Fitted values

Stan

dard

ized

resi

dual

sScale-Location

156122

132

0.0 0.1 0.2 0.3 0.4 0.5 0.6

-4-2

02

4

Leverage

Sta

ndar

dize

d re

sidu

als

Cook's distance

Residuals vs Leverage

156

132

122

ANOVA.res=aov(galTM~ANO+CATBOD+EP+ANO*CATBOD+DTV+DTR,data= matriz2)

Variables DF Sum Sq Mean Sq F value Pr(>F)

AÑO 5 1318.59 263.719 199.9313 <2.2e-16***

Categoría de CBOD m3

9 68.87 7.652 5.8012 3.015e-07***

Embarcación 175 566.32 3.236 2.4534 1.667e-10***

DTV (Duración Total de viaje)

1 65.48 65.479 49.6410 2.295e-11***

Año : Categoría de CBOD m3

23 64.83 2.819 2.1369 0.002633**

Residuals 222 292.83 1.319

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R2 = 0.88

16

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

020

40

Boxplot Duracion Total de Viaje por AÑO

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

010

030

0Boxplot Distancia Total Recorrida por AÑO

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

02

46

810

Boxplot SINOSUIDAD por AÑO

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

05

1015

20

Boxplot Número de Calas por AÑO

17

• Se considero que el peso de acero del barco se puede estimar con el Light ship weight, lo cual se puede estimar a partir de la Capacidad de Bodega, arqueo bruto y eslora.

• El consumo de combustible, varía de acuerdo al año según la abundancia, distribución del recurso y a partir del 2009 por la ley de cuotas.

• Otra variable significativa es la Capacidad de Bodega de la embarcación, en donde se aprecia consumo de combustible más alto en las categorías de bodega:75-155m3 porque tienen un efecto de escala.635-875m3 porque tienen dificultad de llenar la bodega.

• Se encontró una interacción alta entre AÑO*Categoría de Capacidad de Bodega, lo que nos dice que el patrón de consumo de combustible según Categoría de Capacidad de bodega varía de un año a otro.

• Otras fuente de variabilidad es la embarcación, esto es dado por la habilidad del capitán, tripulación, las variaciones de las zonas de pesca y la temporada.

• El consumo de combustible no varia mucho según la compañía, edad de la embarcación, presencia y ausencia de bulbo o motor electrónico.

• Los principales ítems a tomar en cuenta es encontrar el peso de acero del barco, consumo de combustible y sus principales variaciones, datos del antifouling que se usa en la obra viva de la embarcación.

CONCLUSIONES PRELIMINARES:

18

Muchas Gracias!

Preguntas?