<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Розробка моделі з використанням регресії опорних векторів для системи вимірювання концентрації вуглекислого газу на основі бездротового оптико-електронного сенсора

Вантажиться...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

DOI

Альтернативна назва

Анотація

В роботі запропоновано модель з використанням регресії опорних векторів для системи вимірювання концентрації вуглекислого газу на основі бездротового оптико-електронного сенсора. В середовищі, що може бути небезпечним для людини, розташовується сенсор, який дистанційно передає дані про концентрацію газу на комп’ютер, де за допомогою машинного навчання проводиться обробка отриманої інформації. В якості такого сенсора запропоновано використати оптико-електронний сенсор концентрації вуглекислого газу завдяки високій точності, чутливості, стабільності та надійності, а також швидкій реакції, стійкості до завад, безконтактності вимірювань, мінімальному технічному обслуговуванню та можливості дистанційного моніторингу. Також в роботі запропоновано використовувати модель регресії опорних векторів для обробки даних бездротового оптико-електронного сенсора концентрації вуглекислого газу. Регресія опорних векторів добре працює з нелінійними даними та, порівняно з іншими методами, демонструє високу точність при малій та середній кількості вхідних даних. Такі системи можуть виявляти вуглекислий газ завдяки вимірюванню його концентрації з високою точністю внаслідок збору даних в режимі реального часу оптико-електронним сенсором, що в поєднанні з обробкою зібраних даних за допомогою машинного навчання демонструє великий потенціал у вимірюванні концентрації вуглекислого газу, а, отже, і раннього попередження про його появу. Основними показниками ефективності запропонованої моделі вимірювання концентрації вуглекислого газу з використанням регресії опорних векторів, що визначалися в процесі дослідження, було обрано такі характеристики як середньоквадратична похибка (MSE), середня абсолютна похибка (MAE) та коефіцієнт детермінації (R2 ). Для аналізу цих показників була проведена оцінка зміни MSE, MAE та точності за метрикою R2 під час навчання та перевірки моделі, порівняння даних з оптичного сенсора та з моделі, а також оцінки зміни MSE та MAE в процесі вимірювання.

Опис

Мова

ISSN

Посилання на публікацію

Серія, номер

ISBN

2307-5376

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Книш Б. П., Кулик Я. А. Розробка моделі з використанням регресії опорних векторів для системи вимірювання концентрації вуглекислого газу на основі бездротового оптико-електронного сенсора // Наукові праці ВНТУ. Електрон. текст. дані. 2025. № 4. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/883.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (15)

  1. Вуглекислий газ. URL: https://gastech.com.ua/UA/vuglekyslyj-gaz-co2. (дата звернення: 28.07.2025).
  2. Qilong P., Fouzi H., Ying S. A comparison of machine learning methods for ozone pollution prediction. Journal of Big Data. 2023. Volume 10. Р. 1–31. https://doi.org/10.1186/s40537-023-00748-x.
  3. Quantitative and Qualitative Analysis of Multicomponent Gas Using Sensor Array / F. Shurui et al. Sensors. 2019. Volume 19. Р. 1–12. https://doi.org/10.3390/s19183917.
  4. Оптичний сенсор концентрації газу : пат. 68725 Україна : МПК G01N 21/01. № u201110898 ; заявл. 12.09.2011 ; опубл. 10.04.2012, Бюл. № 7.
  5. Білинський Й. Й., Книш Б. П., Іоніна К. Ю. Інфрачервоний триканальний сенсор концентрації газу. Вісник Хмельницького національного університету. 2011. №6. С. 41–49.
  6. ДСТУ 4817: 2007. Діоксид вуглецю газоподібний і скраплений. Технічні умови. [Чинний від 2009-01-01]. Київ : УкрНДНЦ, 2007. 39 с.
  7. Machine Learning in Wireless Sensor Networks: Algorithms, Strategies, and Applications / M. A. Alsheikh et al. IEEE Communications Surveys & Tutorials. 2014. №16. Р. 1–23. DOI: 10.1109/COMST.2014.2320099.
  8. Machine-Learning-Based Emission Models in Gasoline Powertrains – Part 2: Virtual Carbon Monoxide / N. Kempema et al. SAE International Journal of Engines. 2023. Volume 16. Р. 799–807. https://doi.org/10.4271/03-16- 06-0045.
  9. Probabilistic Machine Learning with Low-Cost Sensor Networks for Occupational Exposure Assessment and Industrial Hygiene Decision Making / A. Patton et al. Annals of Work Exposures and Health. 2022. Volume 66. Р. 580–590. https://doi.org/10.1093/annweh/wxab105.
  10. Chowdhury M. A. Z., Oehlschlaeger M. A. Artificial Intelligence in Gas Sensing: A Review. ACS Sensors. 2025. Volume 10. Р. 1538–1563. https://doi.org/10.1021/acssensors.4c02272.