Σχεδιασμός και υλοποίηση φορέσιμης συσκευής για τον χαρακτηρισμό εστιών ρύπων εσωτερικού χώρου
Loading...
Date
2024-10-08
Authors
Μέντου, Μαρίνα
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Στην παρούσα εργασία, έγινε υλοποίηση μίας συσκευής για τη μέτρηση συγκεντρώσεων αερίων, που συναντώνται σε εσωτερικούς χώρους, με τελικό στόχο τον χαρακτηρισμό των εστιών που δημιουργούν. Οι ρύποι που μελετήθηκαν είναι αυτοί στους οποίους εκτίθεται το άτομο όταν βρίσκεται σε ένα οικιακό περιβάλλον και οι οποίοι μπορούν σε βάθος χρόνου μπορούν να του προκαλέσουν σοβαρά προβλήματα υγείας. Συγκεκριμένα, είναι οι πτητικές οργανικές ενώσεις (VOCs), το διοξείδιο του άνθρακα (CO2), τα οξείδια του αζώτου (NOx) και τα αιωρούμενα σωματίδια (PM).
Το καθάρισμα και το μαγείρεμα είναι από τις πιο συνήθεις πηγές αυτών των ρύπων στους εσωτερικούς χώρους,. Γι’ αυτό το λόγο, οι εστίες αερίων, στις οποίες εστιάζει αυτή η εργασία, είναι συγκεκριμένες δραστηριότητες τέτοιου τύπου. Επιλέχθηκαν τρεις δραστηριότητες καθαρίσματος και τρείς μαγειρικής. Διαμορφώθηκε πρωτόκολλο πειράματος για την συλλογή δεδομένων κατά τη διάρκεια της κάθε δραστηριότητας. Η πειραματική διαδικασία έγινε με την υλοποιημένη φορέσιμη συσκευή, της οποίας η λειτουργία επικυρώθηκε από πρωτότυπη εργαστηριακή συσκευή.
Από τις μετρήσεις που συλλέχθηκαν βγήκαν συμπεράσματα για ποια αέρια παράγονται και σε ποιο βαθμό κατά τη διάρκεια της κάθε δραστηριότητας. Επιπλέον, τα μισά πειράματα έγιναν με κάποιου είδους εξαερισμό, οπότε έγινε σύγκριση ανάμεσα στα αποτελέσματα τους, με σκοπό να φανεί η επίδραση που έχει η χρήση του. Κατά τη διάρκεια των πειραμάτων, χρησιμοποιήθηκε δεύτερη ίδια συσκευή για την συλλογή δεδομένων από σταθερό σημείο σε καθορισμένη απόσταση από την πηγή, με τη χρήση της διαπιστώθηκε και η περεταίρω εξάπλωση τους στο χώρο.
Με βάση τις μετρήσεις που συλλέχθηκαν τέθηκε πρόβλημα κατηγοριοποίησης των δεδομένων σε τάξεις που αντιπροσωπεύουν τη δραστηριότητα. Δοκιμάστηκαν οι αλγόριθμοι μηχανικής μάθησης Random Forest, GRU, LSTM και CNN από τους οποίους αναλύθηκαν οι GRU και LSTM επειδή ανταποκρίνονταν καλύτερα στον τύπο των ακολουθιακών δεδομένων. Για τα μοντέλα GRU και LSTM που προέκυψαν ακολούθησε διαδικασία βελτιστοποίησης, για αύξηση της απόδοσης, η οποία επιτεύχθηκε με κατάλληλο συντονισμό των υπερπαραμέτρων τους.
Description
Keywords
Arduino, Ανάλυση δεδομένων, Μηχανική μάθηση