Arquitectura de IoT para el monitoreo y validación de emisiones de gases contaminantes de vehículos mediante aprendizaje automático
Fuente:
Redalyc
Saved in:
| Main Author: | |
|---|---|
| Format: | Artículo científico |
| Language: | es |
| Published: |
Universidad Politécnica Salesiana
2024
|
| Subjects: | |
| Online Access: | |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1876422576630136832 |
|---|---|
| author | Washington Torres Guin |
| author_facet | Washington Torres Guin |
| contents | Arquitectura de IoT para el monitoreo y validación de emisiones de gases contaminantes de vehículos mediante aprendizaje automático Washington Torres Guin José Sánchez Aquino Samuel Bustos Gaibor Marjorie Coronel Suárez Ingeniería IoT LTE sensores gases contaminantes Contaminación vehicular 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 neuronal 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. 2024 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505576382001 https://www.redalyc.org/journal/5055/505576382001/ https://www.redalyc.org/journal/5055/505576382001/html/ https://www.redalyc.org/journal/5055/505576382001/505576382001.epub https://www.redalyc.org/journal/5055/505576382001/movil https://doi.org/10.17163/ings.n32.2024.01 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Vol.32 |
| format | Artículo científico |
| id | redalyc_505576382001 |
| institution | Redalyc |
| language | es |
| publishDate | 2024 |
| publisher | Universidad Politécnica Salesiana |
| spellingShingle | Arquitectura de IoT para el monitoreo y validación de emisiones de gases contaminantes de vehículos mediante aprendizaje automático Washington Torres Guin Ingeniería IoT LTE sensores gases contaminantes Contaminación vehicular Arquitectura de IoT para el monitoreo y validación de emisiones de gases contaminantes de vehículos mediante aprendizaje automático Washington Torres Guin José Sánchez Aquino Samuel Bustos Gaibor Marjorie Coronel Suárez Ingeniería IoT LTE sensores gases contaminantes Contaminación vehicular 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 neuronal 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. 2024 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505576382001 https://www.redalyc.org/journal/5055/505576382001/ https://www.redalyc.org/journal/5055/505576382001/html/ https://www.redalyc.org/journal/5055/505576382001/505576382001.epub https://www.redalyc.org/journal/5055/505576382001/movil https://doi.org/10.17163/ings.n32.2024.01 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Vol.32 |
| title | Arquitectura de IoT para el monitoreo y validación de emisiones de gases contaminantes de vehículos mediante aprendizaje automático |
| topic | Ingeniería IoT LTE sensores gases contaminantes Contaminación vehicular |
| url | https://www.redalyc.org/articulo.oa?id=505576382001 https://www.redalyc.org/journal/5055/505576382001/ https://www.redalyc.org/journal/5055/505576382001/html/ https://www.redalyc.org/journal/5055/505576382001/505576382001.epub https://www.redalyc.org/journal/5055/505576382001/movil https://doi.org/10.17163/ings.n32.2024.01 |