IoT-Based Smart Waste Management System: A Solution for Urban Sustainability
Notice bibliographique
Résumé
Abstract: Environmental waste is still a debacle in our daily lives as well as for the world. Most waste management systems do not have monitoring functionalities, which results in inefficient collection routes, higher processing costs, and environmental damage. These figures only continue to grow. In modern metropolises that are home to most population growth, people are increasingly turning to outdated systems that can no longer handle the amount of waste being produced. These systems then turn out to be too costly, which becomes a major and unsolved problem in the long run. This paper presents a secure, low-cost IoT smart waste system that integrates five sensors, HC-SR04 ultrasonic (fill-level), HX711 load-cell (weight), DHT22 (temperature/-humidity), MQ-135 gas (air quality) and Ublox NEO-6M GPS, around an Arduino-ESP8266 core and Firebase cloud analytics. A 30-day field trial on 12 municipal bins achieved 85% fill-level accuracy, < 3% mean absolute error in weight, and 100% detection of hazardous temperature (≥ 40°C) or humidity (≥ 70% RH). GPS-guided routing cut truck mileage by 20 % and CO₂ emissions by 18% versus fixed schedules (p < 0.01, paired-sample t-test). These results confirm that multi-sensor IoT retrofits can reduce operational costs while improving public-health safeguards, providing a replicable blueprint for sustainable smart-city waste infrastructure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».