机器学习增强的NDIR甲探测解决方案,用于强大的户外连续监测应用

科学领域:

• 环境科学 环境科学
• 传感器技术 传感器技术
• 机器学习 机器学习

背景情况:

• 准确的甲 (CH4) 监测对于环境保护和工业安全至关重要.
• 现有的气体检测仪器经常因环境波动而面临户外操作的挑战.
• 开发低成本,高性能和现场部署的传感器对于分布式监控网络至关重要.

研究的目的:

• 开发一个低成本,紧,高性能的多传感器气体检测仪器 (AIMNet传感器).
• 集成机器学习算法,用于准确的数据处理和环境补偿.
• 为了验证仪器在现实场景条件下的性能,用于甲泄漏检测.

主要方法:

• 该AIMNet传感器集成了一个非散射红外 (NDIR) 气体传感单元和一个BME280环境传感器.
• 机器学习回归模型,包括多层感知器 (MLP) 和弹性网,在13,125个校准数据点上进行了训练.
• 现场移动验证在废水管理设施附近进行,将结果与LI-COR参考测量进行比较.

主要成果:

• 在室内和室外场景中,MLP和弹性网模型实现了高精度 (R2>0.8).
• 在相同的仪器中,传感器间根平均平方误差 (RMSE) 在1.5ppm以内.
• 该AIMNet传感器显示可靠检测到18ppm的CH4泄漏,显示与参考测量有很强的相关性.

结论:

• 机器学习集成的NDIR传感解决方案 (AIMNet) 为甲监测提供了一种实用且可扩展的方法.
• 开发的仪器解决了由环境波动引起的户外操作挑战.
• 在现实世界的现场应用中,AIMNet为分布式CH4监测网络提供了强大的解决方案.