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 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.//This study proposes an IoT architecture for mon itoring emissions of polluting gases in vehicles, in response to the growing concern about air pollution and global warming. The architecture is based on a node equipped with DHT22, MQ9, and MQ135 sensors to capture temperature, humidity, and gas emissions, respectively. This node effectively commu nicates through the LTE network to send the data to the ThingSpeak platform. An analysis of CO2, CO, and CH4 pollution levels is conducted using the collected data. These data are validated through the technical review of a test vehicle. Subsequently, an Artificial Neural Network (ANN) is trained using a specific database of CO2 emissions from vehicles in Canada. As a result, a high R2 of 99.2 % is achieved, along with low values of RMSE and MSE, indicating that the model is making accurate predictions and fits well to the training data. The ANN aims to predict CO2 emissions and verify CO2 data from the IoT network. The architecture demonstrates its capability for real-time monitoring and its potential to contribute to pollution reduction.

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.