Prediction of chemical composition concentration in an urban area by Artificial Neural Networks
-
-
[1] Iran University of Science and Technology
Iran University of Science and Technology
Irán
-
[2] Tafresh University
Tafresh University
Irán
-
- Localización: Afinidad: Revista de química teórica y aplicada, ISSN 0001-9704, Vol. 79, Nº. 597, 2022, págs. 485-493
- Idioma: inglés
- Títulos paralelos:
- Predicció de la concentració de composició química en una àrea urbana mitjançant xarxes neuronals artificials
- Predicción de la concentración de la composición química en un área urbana mediante Redes Neuronales Artificiales
- Enlaces
-
Resumen
- español
Una red neuronal artificial (ANN) es uno de los mé-todos computacionales que, a través del proceso de aprendizaje y utilizando procesadores simples llamados neuronas, intenta dar un mapeo entre las variables de entrada y las variables de salida. En este artículo, se proponen seis modelos ANN dinámicos recurrentes diferentes para predecir las concentraciones de con-taminantes del aire en la ciudad de Teherán, Irán. No es necesario conocer los detalles de los fenómenos que gobiernan para desarrollar los modelos ANN. La composición química de los contaminantes del aire consiste en NO2, SO2, CO, O3, PM10 y PM2.5. Los modelos propuestos están diseñados con una capa de entrada formada por variables meteorológicas y tiempos de muestreo previos de cada variable de salida. Los modelos tienen la capacidad de predecir la concentra-ción de contaminantes del aire 24 horas después. Los resultados muestran que los modelos desarrollados para NO2, SO2, CO, O3, PM10 y PM2.5 tienen valores de coeficiente de determinación (R2) iguales a 0.91, 0.95, 0.94, 0.97, 0.94 y 0.93. Además, el error cuadrático medio normalizado (NRMSE) es equivalente a 0,0355, 0,2577, 0,047, 0,0397, 0,0270 y 0,0445 para los modelos de NO2, SO2, CO, O3, PM10 y PM2,5, respectivamente. Los resultados muestran que todos los modelos tienen una alta precisión y un bajo valor de error. Los resultados pueden deberse a que el modelo utiliza un conjunto casi completo de variables de entrada. Además, el modelo utilizó tres tiempos de muestreo como variables de entrada a través de una estructura recurrente para capturar el comportamiento dinámico. El número de tiempos de muestreo utilizados como variables de entrada a través de una estructura recurrente que se relaciona con las condiciones dinámicas del modelo.
- català
Una xarxa neuronal artificial (ANN) és un dels mètodes computacionals que, mitjançant el procés d'aprenentatge i utilitzant processadors senzills anomenats neurones, intenta donar un mapa-ping entre les variables d'entrada i les variables de sortida. En aquest article, es proposen sis models d'ANN dinàmics recurrents diferents per predir les concentracions de contaminants atmosfèrics a la ciutat de Teheran, Iran. No cal conèixer els detalls dels fenòmens que governen per desenvolupar els models ANN. La composició química com a contaminants atmosfèrics consisteix en NO2, SO2, CO, O3, PM10 i PM2,5. Els models proposats estan dissenyats amb una capa d'entrada formada per variables meteorològiques i temps de mostreig previs de cada variable de sortida. Els models tenen la capacitat de predir la concentració de contaminants atmosfèrics durant 24 hores després. Els resultats mostren que els models desenvolupats per a NO2, SO2, CO, O3, PM10 i PM2,5 tenen els valors del coeficient de determinació (R2) iguals a 0,91, 0,95, 0,94, 0,97, 0,94 i 0,93. A més, l'error quadrat mitjà normalitzat (NRMSE) és equivalent a 0,0355, 0,2577, 0,047, 0,0397, 0,0270 i 0,0445 per als models NO2, SO2, CO, O3, PM10 i PM2,5, respectivament.Els resultats mostren que tots aquests models tenen una alta precisió i un valor d'error baix. Els resultats poden ser perquè el model utilitza un conjunt gairebé complet de variables d'entrada. També el model va utilitzar tres temps de mostreig com a variables d'entrada mitjançant una estructura recurrent per capturar el comportament dinàmic. El nombre de temps de mostreig utilitzats com a variables d'entrada mitjançant una estructura recurrent que està relacionada amb les condicions dinàmiques del model.
- English
An artificial neural network (ANN) is one of the com-putational methods that, through the learning process and using simple processors called neurons, tries to give a mapping between the input variables and the output variables. In this paper, six different recurrent dynamic ANN models are proposed to predict the air pollutant concentrations in city of Tehran, Iran. There is no need to know the details of the governing phenomena to develop the ANN models.The chemical composition as the air pollutants are consisting of NO2, SO2, CO, O3, PM10 and PM2.5. The proposed models are designed with an input layer consisting of meteorological variables and previous sampling times of each output variable. The models have the capability for air pollutant concentration prediction for 24 hours later. The results show that the developed models for NO2, SO2, CO, O3, PM10 and PM2.5 have the values of coefficient of determination ( R2) equal to 0.91, 0.95, 0.94, 0.97, 0.94 and 0.93. Also, the Normalized Root Mean Square Error (NRMSE) is equivalent to 0.0355, 0.2577, 0.047, 0.0397, 0.0270 and 0.0445 for NO2, SO2, CO, O3, PM10 and PM2.5 models, respectively. The results show that they all models have high ac-curacy and a low error value. The results may be be-cause the model uses an almost complete set of input variables. Also the model used three sampling times as input variables through a recurrent structure to capture the dynamic behavior. The number of sampling times used as input variables through a recurrent structure that is related to the dynamic conditions of the model.
- español
