Share |
|
Please use this identifier to cite or link to this item:
https://tede.unioeste.br/handle/tede/7102
Tipo do documento: | Dissertação |
Title: | DustAI: Monitor de Material Particulado de Baixo Custo com Calibração via Aprendizado de Máquina |
Other Titles: | DustAI: Low Cost Monitor of Particulate Matter with Machine Learning Calibration |
Autor: | Pastório, André Francisco |
Primeiro orientador: | Camargo, Edson Tavares de |
Primeiro coorientador: | Spanhol, Fabio Alexandre |
Segundo coorientador: | Martins, Leila Droprinchinski |
Primeiro membro da banca: | Brun, André Luiz |
Segundo membro da banca: | Pfrimer, Felipe Walter Dafico |
Terceiro membro da banca: | Sousa Junior, Wilson Cabral de |
Resumo: | Sensores de Baixo Custo de Material Particulado (MP-BC) vêm sendo estudados ao redor do mundo como alternativa viável às custosas estações de referência para monitoramento de qualidade do ar. Porém, sensores MP-BC são imprecisos e sujeitos à incertezas, sofrendo com as condições do ambiente em que operam. A calibração destes sensores pode ser realizada por diferentes métodos, onde o sensor é colocado em um ambiente real sujeito as condições ambientais do local e sua medida comparada com um equipamento de referência. Este trabalho propõe o desenvolvimento do dispositivo DustAI, um monitor de baixo custo de material particulado com calibração na nuvem. A calibração é realizada utilizando modelos de Aprendizado de Máquina (AM). Hospedar o modelo de AM na nuvem oferece flexibilidade e escalabilidade. As medidas obtidas pelo DustAI são transmitidas para Internet em tempo real utilizando uma rede sem fio de longo alcance e baixa potência com a tecnologia LoRaWAN. A obtenção dos modelos de AM ocorreu após os sensores de MP-BC serem comparados com equipamentos de referência em três momentos distintos durante 4, 5, e 1 mês. Resultados obtidos através das coletas mostraram a necessidade de calibração e que temperatura e umidade afetam as leituras dos sensores. Os modelos de calibração obtidos foram capazes de aumentar a correlação linear (Pearson) e diminuir o erro médio absoluto (MAE) e o quadrático (MSE), com destaque para os seguintes algoritmos de AM: XGBoost, LGBM e CatBoost. Ao gerar um modelo de calibração com dados de duas semanas com medidas coletadas pelo DustAI, a correlação linear do MP10 aumentou de 0,48 para 0,74 e para o MP2,5 aumentou de 0,69 para 0,79. O MAE do MP10 baixou de 16,56 para 6,88 e o MSE de 472,25 para 126,66. E do MP2,5 de 3,39 para 2,25 (MAE) e 22,27 para 10,69 (MSE). |
Abstract: | Low-Cost Particulate Matter (LC-PM) sensors have been investigated worldwide as an alternative to expensive reference stations for air quality monitoring. However, LC-PM sensors are inaccurate and subject to uncertainties depending on the conditions of the environment in which they operate. Calibration of these sensors can be performed using different methods where the sensor is placed in a real environment exposed to local environmental conditions and its measurement is compared to a reference equipment. This work proposes the development of the DustAI device, a low-cost particulate matter monitor with calibration in the cloud. The calibration is performed using Machine Learning (ML) models. Hosting the ML model in the cloud provides flexibility and scalability. The measurements obtained by DustAI are transmitted to the Internet in real time via a long-range, low-power wireless network using LoRaWAN technology. The LM models were created after comparing the MP-BC sensors with reference devices at three different points in time over 4, 5 and 1 month. The results obtained from the collections showed that calibration is required and that temperature and humidity affect the sensor measurements. The models obtained were able to increase the linear correlation (Pearson) and decrease the mean absolute error (MAE) and the squared error (MSE), focusing on the following ML algorithms: XGBoost, LGBM and CatBoost. When creating a calibration model with two weeks of data collected by DustAI, the linear correlation for PM10 increased from 0.48 to 0.74 and for PM2.5 from 0.69 to 0.79. The MAE of PM10 decreased from 16.56 to 6.88 and the MSE from 472.25 to 126.66. And for PM2.5 from 3.39 to 2.25 (MAE) and from 22.27 to 10.69 (MSE) |
Keywords: | Material particulado Sensores de baixo custo Sensores Qualidade do ar Calibração Aprendizado de máquina Particulate matter Low-cost sensors Sensors Air quality Calibration Machine learning |
CNPq areas: | SISTEMAS DE COMPUTAÇÃO |
Idioma: | por |
País: | Brasil |
Publisher: | Universidade Estadual do Oeste do Paraná |
Sigla da instituição: | UNIOESTE |
Departamento: | Centro de Ciências Exatas e Tecnológicas |
Program: | Programa de Pós-Graduação em Ciência da Computação |
Campun: | Cascavel |
Citation: | Pastório, André Francisco. DustAI: Monitor de Material Particulado de Baixo Custo com Calibração via Aprendizado de Máquina. 2023. 84 f. Dissertação( Mestrado em Ciência da Computação) - Universidade Estadual do Oeste do Paraná, Cascavel. |
Tipo de acesso: | Acesso Aberto |
Endereço da licença: | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
URI: | https://tede.unioeste.br/handle/tede/7102 |
Issue Date: | 20-Dec-2023 |
Appears in Collections: | Mestrado em Ciência da Computação (CVL) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
André Francisco Pastório.pdf | Arquivo completo | 10.93 MB | Adobe PDF | View/Open Preview |
Items in TEDE are protected by copyright, with all rights reserved, unless otherwise indicated.