Arquitectura de IoT para el Monitoreo de Emisiones de Gases Contaminantes de Vehículos y su Validación a través de Machine Learning
Este estudio propone una arquitectura IoT para el monitoreo de emisiones de gases contaminantes en vehículos, en respuesta a la creciente preocupación por la contaminación del aire y el calentamiento global. La arquitectura se basa en un nodo equipado con sensores DHT22, MQ9 y MQ135 para capturar l...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad Politécnica Salesiana
2024-10-01
|
| Series: | Ingenius: Revista de Ciencia y Tecnología |
| Subjects: | |
| Online Access: | https://revistas.ups.edu.ec/index.php/ingenius/article/view/8054 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Este estudio propone una arquitectura IoT para el monitoreo de emisiones de gases contaminantes en vehículos, en respuesta a la creciente preocupación por la contaminación del aire y el calentamiento global. La arquitectura se basa en un nodo equipado con sensores DHT22, MQ9 y MQ135 para capturar la temperatura, humedad y emisiones de gases, mismo que se comunica de manera efectiva a través de la red LTE para enviar los datos a la plataforma ThingSpeak. Se lleva a cabo un análisis de los niveles de contaminación de CO2, CO y CH4 mediante los datos recopilados. Estos datos se validan mediante la revisión técnica de un vehículo de prueba. Posterior, se entrena una red neural artificial (ANN) utilizando una base de datos específica de emisiones de CO2 de vehículos en Canadá, como resultado se obtiene un R2 alto de 99.2% y los valores de RMSE y MSE bajos, esto indican que el modelo está haciendo predicciones precisas y se ajusta bien a los datos de entrenamiento. La ANN tiene como objetivo predecir las emisiones de CO2 y verificar los datos de CO2 provenientes de la red IoT. La arquitectura demuestra su capacidad para el monitoreo en tiempo real y su potencial para contribuir a la reducción de la contaminación.
|
|---|---|
| ISSN: | 1390-650X 1390-860X |