用物联网和机器学习技术为地表矿场集成的智能尘埃监测和预测系统
Abhishek Kumar Tripathi1, Mangalpady Aruna2, Satyajeet Parida3
1Department of Mining Engineering, Aditya Engineering College, Surampalem, Andhra Pradesh, 53347, India. abhishekkumar@aec.edu.in.
Scientific reports
|March 30, 2024
概括
这项研究开发了一个物联网系统,用于实时监测矿山中的颗粒物 (PM). 随机森林模型准确预测了PM污染,有助于可持续的采矿和工人安全.
科学领域:
- 环境科学 环境科学
- 采矿工程 采矿工程 采矿工程
- 计算机科学 计算机科学
背景情况:
- 采矿业务产生大量空气中的颗粒物 (PM) 污染,对工人健康和环境构成风险.
- 现有的监测方法往往缺乏实时功能和预测准确性,用于各种PM大小.
- 创新解决方案对于有效管理地表采矿环境中的PM污染至关重要.
研究的目的:
- 设计和开发基于物联网 (IoT) 的系统,用于实时监测地表矿中的PM 1.0,PM 2.5,PM 4.0和PM 10.0.
- 应用机器学习 (ML) 技术,使用收集的数据准确预测PM污染物度.
- 评估不同ML模型在预测PM水平方面的性能,并确定最有效的方法.
主要方法:
- 开发一个物联网系统,集成传感器,实时测量各种PM大小.
- 从地表矿场收集尘埃污染物数据,特别是球形粘土矿.
- 实施和比较四个ML模型:决策树 (DT),梯度增强回归 (GBR),随机森林 (RF) 和线性回归 (LR).
主要成果:
- 在研究的圆形粘土表面矿场中,PM 1.0度最高.
- 仓库现场记录了最大的PM污染物水平 (例如,PM 1.0在28.45μg/m3),这是由于粘土材料的干燥性.
- 随机森林模型实现了最好的预测性能,平均绝对误差 (MAE) 最低的1.079和根平均平方误差 (RMSE) 最低的1.497.
结论:
- 集成的物联网和机器学习方法为采矿中实时的PM监测和预测提供了强大的解决方案.
- 准确的PM预测,特别是随机森林模型,支持积极的环境管理和工人安全.
- 这项技术通过更好地控制空气中的颗粒物污染,为更可持续的采矿实践做出了贡献.
