論文の概要: Automated Estimation of Construction Equipment Emission using Inertial
Sensors and Machine Learning Models
- arxiv url: http://arxiv.org/abs/2109.13375v1
- Date: Mon, 27 Sep 2021 22:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 14:35:44.018394
- Title: Automated Estimation of Construction Equipment Emission using Inertial
Sensors and Machine Learning Models
- Title（参考訳）: 慣性センサと機械学習モデルを用いた建設設備排出の自動推定
- Authors: Farid Shahnavaz and Reza Akhavian
- Abstract要約: 建設産業は温室効果ガス(GHG)の主要な生産国の一つである
本稿では,IoT(Internet of Things,モノのインターネット)を介して監視される重建設機器からの排出量を予測するために,機械学習(ML)手法を用いた新しいフレームワークの開発と展開について述べる。
異なるMLアルゴリズムを開発し、慣性センサデータから放射レベルを予測する最良のモデルを特定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The construction industry is one of the main producers of greenhouse gasses
(GHG). Quantifying the amount of air pollutants including GHG emissions during
a construction project has become an additional project objective to
traditional metrics such as time, cost, and safety in many parts of the world.
A major contributor to air pollution during construction is the use of heavy
equipment and thus their efficient operation and management can substantially
reduce the harm to the environment. Although the on-road vehicle emission
prediction is a widely researched topic, construction equipment emission
measurement and reduction have received very little attention. This paper
describes the development and deployment of a novel framework that uses machine
learning (ML) methods to predict the level of emissions from heavy construction
equipment monitored via an Internet of Things (IoT) system comprised of
accelerometer and gyroscope sensors. The developed framework was validated
using an excavator performing real-world construction work. A portable emission
measurement system (PEMS) was employed along with the inertial sensors to
record data including the amount of CO, NOX, CO2, SO2, and CH4 pollutions
emitted by the equipment. Different ML algorithms were developed and compared
to identify the best model to predict emission levels from inertial sensors
data. The results showed that Random Forest with the coefficient of
determination (R2) of 0.94, 0.91 and 0.94 for CO, NOX, CO2, respectively was
the best algorithm among different models evaluated in this study.
- Abstract（参考訳）: 建設産業は温室効果ガス(GHG)の主要な生産国の一つである。
建設プロジェクト中のghg排出を含む大気汚染物質量の定量化は、世界中の多くの地域で、時間、コスト、安全性といった従来の指標に対する追加のプロジェクト目標となっている。
建設中の大気汚染の主な要因は重機の使用であり、その効率的な運用と管理は環境への害を大幅に減らすことができる。
路上車両の排出予測は広く研究されているトピックであるが、建設機器の排出測定と削減は注目されていない。
本稿では,加速度センサとジャイロセンサからなるモノのインターネット(IoT)システムを用いて監視される重機からの排出量を予測するために,機械学習(ML)手法を用いた新しいフレームワークの開発と展開について述べる。
実際の施工作業を行う掘削機を用いて, 開発フレームワークの検証を行った。
装置から排出されるCO、NOX、CO2、SO2、CH4の汚染量を含むデータを記録するため、慣性センサーとともにポータブルエミッション計測システム(PEMS)が使用された。
異なるMLアルゴリズムを開発し、慣性センサデータから放射レベルを予測する最良のモデルを特定した。
その結果,CO,NOX,CO2に対する決定係数0.94,0.91,0.94のランダムフォレスト(R2)は,それぞれ異なるモデルの中で最高のアルゴリズムであった。
関連論文リスト
- Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - Fault Detection for Non-Condensing Boilers using Simulated Building
Automation System Sensor Data [0.0]
建設性能はコミッショニング後に著しく低下し、エネルギー消費が増加し、温室効果ガスが排出される。
既存のセンサネットワークとIoTデバイスを使用した継続的なコミッショニングは、この無駄を最小限にする可能性がある。
ボイラ性能研究のレビューは, 共通の欠陥と劣化した性能条件のセットの開発に用いられている。
このデータは、K-アネレスト、決定木、ランダムフォレスト、サポートベクトルマシンを用いた断層分類のトレーニングとテストに使用される。
論文 参考訳（メタデータ） (2022-05-13T18:47:16Z) - Using Statistical Models to Detect Occupancy in Buildings through
Monitoring VOC, CO$_2$, and other Environmental Factors [2.1485350418225244]
これまでの研究は、CO$$のセンサーと視覚に基づく技術を使って、占有パターンを判定していた。
揮発性有機化合物(VOCs、Volatile Organic Compounds)は、別の汚染物質である。
揮発性有機化合物(VOCs、Volatile Organic Compounds)は、別の汚染物質である。
論文 参考訳（メタデータ） (2022-03-07T22:25:11Z) - Anomaly Detection through Transfer Learning in Agriculture and
Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。
これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文 参考訳（メタデータ） (2021-02-11T02:37:27Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - DeepPlume: Very High Resolution Real-Time Air Quality Mapping [0.0]
本稿では, 窒素ジオキシド (NO2) , オゾン (O3) , 粒子状物質 (PM2.5, PM10) などの汚染物質のリアルタイム濃度を同時予測できるエンジンについて述べる。
エンジンは世界の大部分をカバーし、リアルタイムの官庁の測度、大気モデル予測、土地被覆データ、道路網、交通量推定で供給され、数十mの範囲で非常に高解像度の予測を生成する。
論文 参考訳（メタデータ） (2020-02-14T14:05:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。