基于惯性传感器与机器学习模型的施工设备排放自动估算
机器学习
2022-03-01 v1 信号处理
摘要
建筑业是温室气体（GHG）的主要排放源之一。在世界许多地区，量化施工项目期间包括温室气体排放在内的空气污染物数量，已成为传统指标（如时间、成本和安全性）之外的额外项目目标。施工期间空气污染的一个主要来源是重型设备的使用，因此其高效操作与管理可大幅减少对环境的危害。尽管道路车辆排放预测是一个被广泛研究的课题，施工设备排放的测算与削减却极少受到关注。本文描述了一个新颖框架的开发与部署，该框架使用机器学习（ML）方法，通过由加速度计和陀螺仪传感器组成的物联网（IoT）系统监测重型施工设备并预测其排放水平。所开发的框架通过使用执行真实世界施工作业的挖掘机进行了验证。便携式排放测量系统（PEMS）与惯性传感器一并用于记录数据，包括设备排放的CO、NOX、CO2、SO2和CH4污染物量。开发并比较了不同的ML算法，以从惯性传感器数据中识别预测排放水平的最佳模型。结果表明，在本文评估的不同模型中，随机森林（Random Forest）对CO、NOX、CO2的决定系数（R2）分别为0.94、0.91和0.94，为最佳算法。
引用
@article{arxiv.2109.13375,
title = {Automated Estimation of Construction Equipment Emission using Inertial Sensors and Machine Learning Models},
author = {Farid Shahnavaz and Reza Akhavian},
journal= {arXiv preprint arXiv:2109.13375},
year = {2022}
}