XXVIII Congreso Interamericano de Ingeniería Sanitaria y Ambiental Cancún, México, 27 al 31 de octubre, 2002 ESTUDIO MEDIANTE DINAMICA CAÓTICA DE UN CONTAMINANTE PRIMARIO DE LA ZMCM Victor Hugo Almanza Veloz * UPIBI-IPN, Laboratorio de Sistemas Dinámicos Estudiante del cuarto año de Ingeniería Ambiental, con reconocimiento al mejor promedio del sexto semestre del plan de estudios. Reconocimiento a la excelencia académica por parte del CECYT No. 10. Asistencia a eventos en materia de calidad del aire (INE-CENICA) Agustín I. Cabrera Llanos UPIBI-IPN, Laboratorio de Sistemas Dinámicos Dirección del autor principal (*): Calle Av. Acueducto s/n, Del. Gustavo A. Madero, México D.F. –07340 – México – Tel.57296000 ext. 57342. e-mail: mrsatanicaoss@hotmail.com RESUMEN Usando el método de coordenadas de retardo, se reconstruyó el atractor de una serie de tiempo de concentración del bióxido de azufre en la ZMCM para la década 1990-2000, y se obtuvo la dimensión del mismo utilizando el algoritmo de Grassberger y Procaccia. La serie se obtuvo de la base de datos de 15 estaciones de la Red Automática de Monitoreo Atmosférico (RAMA), y se procesaron numéricamente en formatos: el de todos los datos registrados; en el intervalo de las 6 a las 16 horas; y aquellos ignorando los días en que no hubo registro, con lo que se logra establecer la reconstrucción del espacio de fase en donde se construye el atractor de las 3 estaciones más representativas. Asimismo se obtienen características similares al mapeo de Zaslavski para los datos analizados. Palabras Clave: atractor, dimensión, espacio de fase. INTRODUCCION La contaminación atmosférica es un grave problema que tiene un marcado interés tanto social como científico. A lo largo de la historia se ha tratado de abordar el problema con el uso de herramientas como la estadística y la modelación por citar algunas. Uno de los contaminantes primarios que forman ozono troposférico es el bióxido de azufre, de aquí que tenga una importancia considerable en materia de calidad del aire (Compendio SEMARNAP, 2000). Las técnicas para poder analizarlo han ido evolucionando progresivamente, entre una de estas, la Teoría del Caos no es la excepción ya que entre sus diversas aplicaciones se encuentran el área medica, económica y geofísica, entre otras. La mayoría de las ocasiones el uso de modelos requiere el conocimiento de las ecuaciones características que gobiernan el fenómeno bajo estudio. Sin embargo, esto puede resultar bastante difícil cuando se quiere englobar un mayor número de variables del fenómeno. Una alternativa de solución es el método de coordenadas de retardo, el cual no toma en cuenta la complejidad del sistema, sino que la engloba, es decir, basta una sola variable del sistema para la reconstrucción de la dinámica del mismo. Este método, que se basa en el uso del teorema introducido por Takens, Ruelle y Packard (de forma independiente), establece que varias de las propiedades topológicas fundamentales del atractor original en el espacio de estado, se conservan y pueden ser inferidas a partir del espacio de fase reconstruido en base a las m-historias de la serie de valores observados (Ballaco, 1998) (Ott, 1993) (Packard, 1980). Por tanto, la dinámica del sistema puede obtenerse cualitativamente calculando la dimensión del atractor a partir de éste nuevo espacio generado empleando la dimensión de correlación. CONTAMINACIÓN ATMOSFERICA Y EL BIOXIDO DE AZUFRE Existen diversas definiciones de la contaminación atmosférica, una de ellas es la siguiente: ''Es la presencia en la atmósfera exterior de uno o más contaminantes o sus combinaciones, en cantidades tales y con tal duración que sean 1 o puedan afectar la vida humana, de animales, plantas, o de la propiedad, que interfiera en el ejercicio de las actividades''. Con esto puede aclararse el término contaminante: es polvo, vapor, niebla, líquidos, humo, otras materias particuladas, sustancias olorosas, o cualquier combinación de las mismas. A continuación se presenta una clasificación general de los contaminantes del aire (Warck, 1994): 1. Materia Particulada o partículas. 2. Compuestos que contienen azufre. 3. Compuestos orgánicos. 4. Compuestos que contienen nitrógeno. 5. Monóxido de carbono. 6. Compuestos halogenados. 7. Compuestos radiactivos. De ésta lista se desprenden dos conceptos importantes: contaminante primario y contaminante secundario. El primero es aquel que es emitido a la atmósfera por reacciones químicas entre ellos mismos y las especies químicas usualmente encontradas en la atmósfera. Los segundos, como su nombre lo indica, proceden básicamente de los contaminantes primarios. Por otra parte, el bióxido de azufre (SO2) es uno de los contaminantes más habituales y representativos del aire de nuestra ciudad. Es un gas incoloro, no flamable y no explosivo que produce una sensación gustatoria a concentraciones de 0.3 a 1.0 ppm. A concentraciones mayores de 3 ppm, el gas tiene un olor acre e irritable. Procede de la combustión de carbones o de aceites minerales utilizados en la producción de energía, en la industria y en la calefacción doméstica, los cuales pueden llegar a contener azufre en una proporción de 5%. Al ser quemados dichos combustibles, el azufre es liberado a la atmósfera en forma de dióxido de azufre o gas sulfuroso El principal peligro que presenta el bióxido de azufre, son las reacciones químicas que bajo condiciones (humedad ambiente), transforma el bióxido en trióxido de azufre ( SO3) ya sea por procesos fotoquímicos que por la latitud (19º 36’ N y 19º 03’ S) recibe abundante radiación solar, o bien procesos catalíticos en la atmósfera, dando lugar al nacimiento de aerosoles de ácido sulfúrico. Estos aerosoles son sumamente peligrosos, originando el fenómeno conocido con el nombre de smog (término proveniente del inglés: smoke humo, y fog, niebla); y con la humedad del aire forma ácido sulfúrico. De ahí su carácter de comportamiento primario (Warck, 1994) (Informe SEMARNAP, 2000). De los compuestos precursores de ácidos, el SO2 en fase gaseosa es emitido en forma significativa por plantas termoeléctricas, el cual es oxidado a SO4-2 y el radical (SO4-) al reaccionar con el peróxido de hidrógeno produce el ácido sulfúrico influenciado por la luz solar, la humedad relativa y la presencia de nieblas y nubes. Este proceso se describe de manera general mediante las siguientes ocho reacciones (Programa SEMARNAP, 2000). • SO 2(g) + H 2O(l) ↔ SO 2 • H 2O + SO 2 • H 2O (l) ↔ H + HSO 3(l) + HSO3 (l) ↔ H + SO SO −2 3 (l) ecuación (1) ecuación (2) −2 3 (l) ecuación (3) − 5 (l) ecuación (4) + O 2 (g) → •SO 2 • SO5−(l) → •SO4−(l) + H 3O+ + •CO−3 ecuación (5) • SO4−(l) + HCO−3 → SO4−(l)2 + H 3O + + •CO−3 ecuación (6) • SO4−(l) + H 2O 2 → HSO4−2 + •HO2 ecuación (7) • SO − 4 (l) − −2 4 + Cl → SO + Cl ecuación (8) Esto puede dar origen a la formación de lluvia ácida, la cual daña materiales de una forma drástica. Asimismo el bióxido de azufre tiene efectos sobre la visibilidad y los materiales, y se sabe que las partículas en suspensión en la atmósfera reducen el alcance visual al dispersar y absorber la luz. 2 METODOS DE LA TEORIA DEL CAOS Es sabido que una serie de tiempo, es de gran ayuda cuando se persigue determinar la dinámica del sistema; por lo que de aquí en adelante establecemos aquellas series con un tiempo discreto. Un sistema dinámico está dado por su espacio de estado X y por su mapeo de evolución ϕ : X → X . Para un estado inicial x 0 ∈ X en el tiempo 0, los estados sucesivos en el tiempo 1, 2, etc., están dados por x1 = ϕ ( x 0 ) , x 2 = ϕ 2 ( x 0 ) , etc. Con el objeto de hacer notar el concepto de serie de tiempo, Takens (1985) y Takens (1993), propone que existe una función f : X → ℜ , que asigna a cada estado x ∈ X el valor f (x) ∈ ℜ y que puede ser registrado o medido cuando el sistema está en el estado x . Así, para el estado inicial x 0 se obtiene la serie de tiempo {y n = f (ϕ n (x 0 ))} (Takens, 1993). La secuencia de estados sucesivos {ϕ n (x 0 )} se conoce como la evolución del sistema dinámico. Los diferentes tipos de evolución se mencionan a continuación: evoluciones estacionarias, evoluciones periódicas, evoluciones cuasiperiódicas y evoluciones caóticas (en donde los atractores extraños son distintivos de éste caso). Generalmente, el tipo de evolución es el mismo que corresponde a la serie de tiempo. Esto es consecuencia de un resultado más general, a menudo referido como el teorema de reconstrucción (Packard, 1980) (Sauer, 1991) (Sauer, 1993) (Takens, 1985) (Takens, 1993). Retomando lo anterior, puede decirse que para un sistema dinámico en un espacio de estado X , el cual se asume que sea un espacio vectorial de dimensión finita, dado por un operador en al evolución ϕ : X → X y una función se definen los mapas de reconstrucción por f : X → ℜ; Mrk : X → ℜ k ( ( )) Mrk (x ) = f (x ), f (ϕ ( x )), L , f ϕ k −1 (x ) ∈ ℜ k . Además, el teorema establece que pares genéricos (ϕ , f ) , Mrk define una inserción de X en ℜ en donde k > 2 ⋅ dim( X ) . Esto significa que para una k el estado x se determina completamente por Mrk (Sauer, 1993). Entonces, esto nos ayuda a inferir la información del espacio de estado k original. Ruelle también consideró de forma similar el método propuesto por Takens (Roux, 1981) (Sauer, 1993). El asume que una cantidad x del proceso puede ser medida en tiempos igualmente espaciados, arrojando en consecuencia una serie de tiempo escalar x t . La sugerencia que plantea es representar el espacio desconocido E en el tiempo t [ ] por el vector de coordenadas de retardo: b = x t , x t −τ , K , x t − (m −1)τ ; y que posee la misma característica que el anterior: encontrar la dinámica del sistema estudiando el atractor reconstruido. Él propone lo siguiente: si m es la dimensión de inserción y n la dimensión del atractor reconstruido, entonces m ≥2n+1. Así sobre la base del vector de retardo, pueden formarse los vectores del espacio de fase del atractor reconstruido: x(t) = [x(t), x(t − τ), x(t − (m − 1)τ ] ecuación (9) donde m es la dimensión de inserción y τ es el tiempo de retardo. Es de sobra decir, que la selección de los mismos es de capital importancia para los resultados obtenidos. Aquí m equivale a k en la sintaxis matemática anterior, y significa el número de ejes ortogonales en los cuales se graficará el espacio de fase a partir de la variable observada, que en éste caso es la concentración en aire del bióxido de azufre. Por otra parte, el cálculo de la dimensión es de fundamental interés, debido a que nos indica de una forma cualitativa si la dinámica del sistema bajo estudio obedece a un comportamiento caótico; en donde lo anterior se justifica si la dimensión obtenida es fraccionaria. Existen métodos para estimar aquella tales como la dimensión de Haussdorf, la dimensión de información, o la dimensión de Lyapunov entre otros (Grassberger y Procaccia, 1983). Sin embargo, existe un método relativamente sencillo conocido como el algoritmo de Grassberger y Procaccia. Este último se obtiene de la correlación entre puntos aleatorios del atractor, los cuales pueden obtenerse de una serie de tiempo. Se establece que debido a la divergencia exponencial de trayectorias, muchos pares de puntos xi , x j ( ) con i ≠ j , serán dinámicamente pares de puntos aleatorios no correlacionados. Los puntos recaen en el atractor, sin embargo son espacialmente correlacionados, y ésta propiedad puede medirse con la siguiente expresión: 1 C (r ) = lim 2 × número de pares (i, j ) cuya dis tan cia xi − x j es menor que r N →∞ N { } 3 la cual corresponde a la integral de correlación y que se relaciona con la función de correlación l 1 N c(l ) = lim 2 ∑i , j =1δ F (xi − x j − l ) ∀i ≠ j , por C (r ) = ∫ d F lc(l ) . Para efecto de éste escrito se considerará la N →∞ N 0 expresión que resulta de simplificar las anteriores, debido a que el análisis matemático es extenso y rebasa el propósito de éste artículo. Así, se tiene (Grassberger y Procaccia, 1983) (Kantz, 1997): ( ) N N ecuación (10) 2 Θ r − xi − x j ∑ ∑ N(N − 1) i =1 j=i +1 donde Θ es la función paso de Heaviside: Θ(x)=0 si x es menor o igual a cero y Θ(x)=1 si x es mayor que cero C(r) = OBJETIVOS i. ii. iii. Definir un área de estudio para obtener una serie de tiempo de concentración representativa usando la base de datos de la Red Automática de Monitoreo Atmosférico. Reconstruir el atractor para la serie de tiempo representativa por el método de coordenadas de retardo. Calcular la dimensión del atractor por el algoritmo de Grassberger y Procaccia. METODOLOGÍA Los datos se obtuvieron de la base de datos de 15 estaciones de la Red Automática de Monitoreo Atmosférico (RAMA), y se procesaron numéricamente en formatos usando el software MATLAB: el de todos los datos registrados; en el intervalo de las 6 a las 16 horas; y aquellos ignorando los días en que no hubo registro, con lo que se logra establecer la reconstrucción del espacio de fase en donde se obtiene el atractor de las 3 estaciones más representativas que conforman el área de estudio aplicando el método de coordenadas de retardo. El algoritmo de Grassberger y Procaccia se empleó para estimar la dimensión del atractor de la serie de tiempo de concentración del bióxido de azufre en la ZMCM para la década 1990-2000. ACTIVIDADES Las estaciones consideradas para éste artículo fueron: Vallejo, Tacuba, ENEP-Acatlán, Azcapotzalco, Tlalnepantla, Los Laureles, La Presa, La Villa, San Agustín, Xalostoc, Merced, Hangares, Santa Ursula, Pedregal y Cerro de la Estrella. Las estaciones I.M.P, Cuitlahuac, Chapingo, Insurgentes, Cuajimalpa y Tlalpan no registran datos de bióxido de azufre, Compendio SEMARNAP (2000), y las estaciones restantes no tuvieron registro por varios años. Los datos para el intervalo de las 6-16 horas se tomaron debido a que son las horas con mayor actividad del contaminante, Informe SEMARNAP (2000), y los datos sin tomar en cuenta los días sin registro se obtuvieron con la elaboración de un programa numérico. Es conveniente aclarar que un dato sin registro aparece como cero en los registros de la RAMA, y de aquí en adelante se continuará considerándolo de ese modo. Proponemos el empleo de 3 estaciones de monitoreo para definir un área de estudio; las cuales deben poseer una similitud entre la media aritmética de la serie de tiempo, para suponer que es la concentración representativa de esa área, y por lo tanto obtener una serie de tiempo representativa de las tres estaciones. RESULTADOS Se elaboraron los programas computacionales y se aplicaron a series de tiempo de sistemas característicos: el de Lorenz y Rossler, Peitgen (2000), con el objeto de obtener resultados que nos aseguren la confiabilidad de los algoritmos y poder aplicarlos a la serie de tiempo del bióxido de azufre. La siguiente figura ilustra éstos resultados: 4 a) b) c) d) Figura 1: a) y b) Atractor de Lorenz con τ = 0.05 y 0.5; c) y d) Atractor de Rossler con τ = 0.5 y 0.1 Estos resultados son satisfactorios, puesto que se observó el stretching (los puntos tienden a quedar en una diagonal) y el folding (los puntos degeneran en una estructura doblada en si misma) del atractor para valores de τ muy pequeños y muy grandes, comprobándose lo establecido por Grassberger (1983) y Lorenz (1963), acerca de éstos comportamientos característicos de sistemas caóticos: la sensibilidad a las condiciones iniciales. Después se obtuvo el área de estudio de acuerdo a las tres formas planteadas desde un principio. Respecto a la serie de datos excluyendo los días sin registro, tuvieron que usarse solamente 74478 datos de los 96432 datos originales, esto implica ignorar 21954 datos. Este número de datos fue el número obtenido para la estación Los Laureles. En la tabla 1 se presentan los resultados de las tres alternativas mediante programas computacionales para las estaciones de la RAMA. TABLA 1. Estaciones que presentaron concentración semejante DATOS ORIGINALES Vallejo 0.0223 ENEP-Acatlán 0.0192 Vallejo 0.0250 La Presa 0.0202 Vallejo 0.0263 Vallejo 0.0263 Los Laureles 0.0201 Tacuba 0.0235 Azcapotzalco Tlalnepantla 0.0225 0.0231 Hangares Santa Ursula 0.02 0.019 DATOS DE 6-16 hrs Azcapotzalco Tlalnepantla 0.0243 0.0248 Hangares Santa Ursula 0.0210 0.0206 DATOS EXCLUYENDO LOS DIAS SIN REGISTRO Tlalnepantla 0.0264 Azcapotzalco 0.0271 Pedregal 0.0203 Hangares 0.0241 La Villa 0.0272 Tlalnepantla 0.0264 Cerro de la Estrella 0.02 Santa Ursula 0.0224 Diferencia 0.0008 0.001 Diferencia 0.0007 0.0008 Diferencia 0.0009 0.0008 0.0003 0.0017 5 En base a lo anterior se eligieron las estaciones: Los Laureles, Pedregal y Cerro de la Estrella, para representar el área de estudio. Se efectuó un promedio para las tres, para poder obtener la serie promedio de concentración del bióxido de azufre. Se uso la serie en cuestión para reconstruir el atractor usando (9) eligiendo un retardo de ¾ y una dimensión de inserción de 3; así como el uso de (10) para obtener la dimensión del atractor que resultó ser 1.48±0.07. En La figura 2 se muestra el atractor reconstruido para la serie de tiempo empleada, la figura 3 es un acercamiento del espacio de fase con el objeto de discernir un comportamiento no visible a primera instancia y la figura 4 muestra el mapeo de Zaslavski. Figura 2: Atractor reconstruido de la serie de tiempo promedio Figura 3: Acercamiento del atractor Figura 4 : Mapeo de Zaslavski Se puede observar de éstas figuras la similitud con el mapeo de Zaslavski: las líneas que indican el comportamiento caótico, (Grassberger, 1983) (Zaslavski, 1978). No obstante, el mapeo anterior se obtuvo con las ecuaciones que lo describen. Por razones obligatorias, se reconstruyó el mismo a partir de una serie de tiempo generada con otro programa computacional. Esto se muestra a continuación: a) b) Figura 5: Reconstrucción del mapeo de Zaslavski, a) con τ = 0.02 y b) con τ = 3/4 Se aprecia una dinámica aceptable con parámetros similares a los experimentales. Sin embargo, como se estableció en líneas anteriores, la dimensión del atractor nos permite establecer de una manera más certera “lo caótico de un atractor”. Las gráficas de la figura 6 ilustran los resultados del algoritmo: 6 a) b) c) d) Figura 6: a), b) y c) Dimensión para las estaciones Laureles, Pedregal y C. Estrella; d) Dimensión promedio En las primeras se calculó la dimensión para cada estación del área de estudio, en donde los resultados difieren de la obtenida para el área como conjunto: Para la estación Los Laureles y Pedregal, se obtuvieron dimensiones similares: 1.6966 y 1.6982 respectivamente, y para cerro de la Estrella 1.8703. Lo anterior puede ser un indicio de un resultado aún más interesante: que el comportamiento del bióxido de azufre tenga características de multifractalidad. Lo anterior requiere de análisis tales como el concerniente a los exponentes de Higuchi, pero por cuestiones contextuales no se ahondará en el mismo. Sin embargo, el resultado para la serie promedio, no implica que se haya errado, ya que el algoritmo de Grassberger arroja resultados globales, en donde el que se obtuvo es aceptable y confiable debido a que el mismo se aplicó a las series de sistemas anteriormente expuestos para obtener dimensiones confiables. CONCLUSIONES Y RECOMENDACIONES Un enfoque dinámico ha sido efectuado en éste artículo para la serie de tiempo del bióxido de azufre en la ZMCM para el período en cuestión. Las tres estaciones elegidas representan un área considerable, debido a que engloba la zona noreste, sureste y suroeste, respectivamente, de la ZMCM. La reconstrucción del atractor per se muestra un comportamiento dinámico con una densidad de puntos mayor en valores de concentración reducidos. Este hecho coincide con estudios estadísticos para éste contaminante, Informe SEMARNAP (2000), en donde se reporta una tendencia decayente para el mismo. Sin embargo debe aclararse que éste es un enfoque dinámico y no estadístico, aunque se apoye en métodos de ese estilo. La coordenada de retardo se eligió de ¾, por ser la que mejor representaba el comportamiento, puesto que se probaron los valores en el intervalo 1/100-1/12. Se decidió hacer un acercamiento para una serie de puntos en la zona de mayor densidad de los mismos, arrojando un resultado curioso: se asemeja bastante al mapeo de Zaslavski reportado en literatura, lo que nos hace pensar que la serie de tiempo es caótica; pero no solamente éste hecho, sino también el concerniente a la elección de la coordenada de retardo, ya que el fenómeno de stretching exhibe dependencia en las condiciones iniciales, una característica de sistemas caóticos. Esto último se corrobora al obtener la dimensión del atractor mediante la pendiente de los puntos con tendencia más lineal, la cual es fraccionaria, o fractal como también se le conoce, arrojando un valor de 1.48, que es bastante similar al reportado para el mapeo de Zaslavski: 1.53. Lo anterior nos muestra la gran similitud entre el mapeo de Zaslavski y el atractor reconstruido que obtuvimos, y obliga a formularse la siguiente pregunta: ¿ Podría obtenerse una relación entre éstos resultados y el mapeo de Zaslavski ?; porque de ser así, nos mostraría un panorama totalmente distinto: tal vez la dinámica de la concentración del bióxido de azufre en éste período no sea tan complicada y pueda representarse mediante un mapeo sencillo. Esto implicaría obtener un modelo significativo y relativamente sencillo de elaborar, es decir, la capacidad de cómputo requerida sea la que está al alcance de la mayoría de las personas. Además podría complementar a estudios de dispersión al momento de elaborar inventarios 7 de emisiones. Finalmente, estudios de exponentes de Lyapunov y de Higuchi, ayudarían en una mejor caracterización del comportamiento, y poder establecer con base en ellos, métodos de predicción e incluso complementarlos con métodos de Redes Neurales, Lógica Difusa, Algoritmos Genéticos o combinaciones de ellos. REFERENCIAS BIBLIOGRAFICAS Baker G. (1998) Chaotic Dynamics: an introduction, Cambridge University Press, UK, 375 pp. Balacco H. (1998) Señal de caos en series de tiempo financieras, en FCE, Argentina. Compendio Estadístico de la Calidad del Aire 1986-1999. (2000) Secretaría del Medio Ambiente, México. Grassberger P., Procaccia I. (1983) Measuring the strangeness of strange attractors; Physica, vol. 9D, 189-208. Informe Anual de la Calidad del Aire en el Valle de México.(2000) Secretaría del Medio Ambiente, México. Kantz H. (1997) Nonlinear time series analysis, Cambridge University Press, UK, 304 pp. Lorenz E. (1963) Deterministic non-periodic flow; J. Atmos. Sci., vol. 20, 130-141. Ott, E. (1993) Chaos in Dynamical Systems, Cambridge University Press, UK, 457 pp. Packard, E. (1980) Geometry from a Time Series, Phys. Rev. Lett, vol. 45, 712-716. Peitgen H., Jürgens H. (1992) Chaos and fractals: New Frontiers of Science, Springer-Verlag, NY, 965 pp. Programa de Precipitación ácida en la ZMCM (2000). Secretaría del Medio Ambiente, México. Roux J. (1981) Observation Of A Strange Attractor Phys. Rev. Lett. Sauer T. (1993) How Many Delay Coordinates Do You Need, IJBC, vol. 3, 737. Sauer T. (1991) Embedology, J. Stat. Phys, vol. 65, 579. Takens F. (1985) Dynamical Systems and Bifurcations Lecture Notes in Math. Vol. 1125, Springer, Heidelberg. Takens F.(1993) Detecting Nonlinearities in Stationary time Series, IJBC, vol. 3, 3. Warck H. (1994) Contaminación Del Aire. Limusa. México. Zaslavski G. (1978) The simplest case of a strange attractor Phys. Lett, vol. 69A, 145-147. 8