Machine learning based indoor air pollutant source recognition with gas resistance and multi-sensor array electronic noses
Gaz dirençli ve çoklu sensör dizili elektronik burunlarla makine öğrenimine dayalı iç hava kirletici kaynağı tanıma
- Tez No: 724602
- Danışmanlar: YRD. DOÇ. DR. MEHMET KORAY PEKERİÇLİ
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Architecture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapı Ana Bilim Dalı
- Bilim Dalı: Yapı Bilim Dalı
- Sayfa Sayısı: 122
Özet
İç mekan hava kalitesi (IAQ), sağlık ve konfor ile yakından ilişkilidir. İnsanlar zamanlarının çoğunu iç mekanlarda geçirirler. Zararlı kirleticiler içermeyen solunabilir hava, yaşam kalitesinin iyileşmesini, solunum yolu enfeksiyonu riskinin azalmasını ve kronik rahatsızlıkların gelişme riskinin azalmasını sağlayabilir. Temizlik kimyasalları, inşaat işlemleri, sigara, parfüm, yapı malzemeleri ve dış ortam kirleticilerinin tümü iç mekan hava kirliliğine katkıda bulunabilir. İç hava kalitesini iyileştirmek için kirlilik kaynaklarının tespiti esastır. Elektronik burun olarak bilinen bir algılama cihazı, kokuları veya tatları algılamak için çeşitli sensör verilerini toplar. Bu araştırmada veri toplamak için iki farklı tipte elektronik burun kullanılmıştır. İlki, MOX katmanındaki gaz direncine duyarlı olarak çalışan sekiz VOC sensörüne sahiptir. Her sensör eş zamanlı olarak farklı bir ısıtıcı profili tarafından ısıtılır ve sensörlerin gaza tepkileri, her sensörün o sıcaklıktaki gaz direnciyle orantılı olarak sekiz boyutlu bir veri üretir. İkincisi, çoklu sensör dizisi ile PM2.5, PM1 0, CO2, formaldehit, etanol, H2, TVOC, sıcaklık ve nem gibi iç hava kalitesini etkileyen farklı türde parametreleri ölçer. Deney gerçekleştirilirken 130lt kapasiteli bir kutu kullanıldı. Deney boyunca ofis havası, sigara, temizlik malzemeleri, alkol-dezenfektan, köri, kahve, boyalı kiremit, taş yünü ve vernikli ahşap olmak üzere iki farklı elektronik burun ile dokuz farklı malzeme ölçülmüştür. Kutudaki kirletici kaynakları tahmin etmek için veriler Naive Bayes, kNN ve Random Forest sınıflandırıcıları ile modellenmiştir. Çok sensörlü elektronik burundan toplanan verilerle 10 ağaçlı Random Forest algoritması en iyi sonucu verir. Algoritma, sensör verileri üzerinde 0.95 doğruluk ile 0.94 kesinlik vermektedir. Saha deneyleri, karmaşık bir altyapı gerektirmeden çok sensörlü dizi tabanlı bir elektronik burun kullanarak kirletici kaynaklarının tespit edilmesinin mümkün olduğunu göstermiştir.
Özet (Çeviri)
Indoor Air Quality (IAQ) is closely linked to health and well-being. Humans spend the majority of their time indoors. Breathable air that is free of harmful pollutants can result in an improved quality of life, a decreased risk of respiratory infections, and a decreased risk of developing chronic conditions. Cleaning chemicals, construction operations, smoking, perfumes, building materials and outdoor pollutants can all contribute to indoor air pollution. Detecting the sources of pollution is essential in order to improve interior air quality. A sensing device known as an electronic nose collects various sensor data to detect scents or flavors. Two different types of electronic nose are used in this research to collect data. The first one has 8 VOC sensors that operate in response to the gas resistance of the MOX layer. Each sensor is simultaneously heated by a different heater profile, and their reaction to the gas produces an 8 dimensional sensitivity that is proportional to the sensors gas resistance at that temperature. The second one collects different types of parameters that affect indoor air quality like PM2.5, PM10, CO2, Formaldehyde, Ethanol, H2, TVOC, Temperature and Humidity with a multi sensor array. The experiment was conducted in a 130-liter box. Throughout the experiment, nine different materials were measured, including office air, smoking, cleaning materials, alcohol-sanitizer, curry, coffee, painted tile, stone wool, and varnished wood with two different electronic noses. Data has been modelled with Naive Bayes, kNN, Random Forest Classifiers to predict pollutant sources in the box. Random Forest algorithm with 10 trees gives the best result with data collected from multi sensor array based electronic nose. The algorithm gives 0.95 accuracy with 0.94 precision on the sensor data.
Benzer Tezler
- Nesnelerin interneti tabanlı hava kalitesi ölçüm sistemi
IoT based air quality measurement system
BERRİN CENGİZ
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiSakarya ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ
- Estimation of PM10 variations in the Southeastern and Eastern Anatolia regions of Türkiye using remote sensing and statistical models
Türkiye'nin Güneydoğu ve Doğu Anadolu bölgelerindeki PM10 değişimlerinin uzaktan algılama ve ı̇statistiksel modeller kullanılarak tahmini
SULTANAY MURZAEVA
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. ALPER ÜNAL
- Makine öğrenmesi tabanlı iç ortam sıcaklık kontrolü için bir simülatör yazılımı tasarımı
Design of a simulator software for machine learning-based indoor temperature control
AYDIN BOSTANCI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Machine learning-based energy consumption forecastingfor stores in a shopping center - A case study
Alışveriş merkezindeki dükkânların enerji tüketimininmakine öğrenmesiyle tahmini - Vaka çalışması
NADIA AHBAB
Yüksek Lisans
İngilizce
2023
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
ÖĞR. GÖR. MUSTAFA BERKER YURTSEVEN
- Sensor platform based on environmental sensing and data fusion
Çevresesel etmenleri algılayan sensör platformu ve verianalizi
MUHAMMAD ALI NAGARIA
Yüksek Lisans
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN