Regresinių modelių taikymas variklio emisijoms prognozuoti
Kačarovskaja, Evelina |
Chadyšas, Viktoras | Recenzentas / Rewiewer |
Šiaulys, Jonas | Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Transporto sektorius yra reikšmingas oro taršos šaltinis, o vidaus degimo variklių išmetami teršalai daro didelį poveikį aplinkai ir žmonių sveikatai. Šiame darbe nagrinėjamas vibracijos ir slėgio signalų taikymas emisijų prognozavimui, sudarant regresinius modelius, paremtus statistinėmis transformacijomis, pagrindinių komponenčių analize (PCA) ir LASSO regresija. Analizuojant eksperimentinius duomenis, suformuoti modeliai azoto oksidų (NOₓ), anglies monoksido (CO) ir anglies dioksido (CO₂) emisijų prognozavimui. Tyrimo rezultatai parodė, kad skirtingoms emisijų rūšims geriausią prognozavimo tikslumą pasiekė skirtingi metodai: PCA pagrindu sudaryti modeliai buvo efektyviausi prognozuojant NOₓ emisijas, o LASSO regresija geriausiai pasiteisino prognozuojant CO₂ emisijas bei padėjo atrinkti reikšmingus kintamuosius. CO emisijų prognozavimo tikslumas išliko ribotas. Tyrimas patvirtino, kad vibracijos duomenys gali būti naudingi emisijų prognozėse.
The transport sector is a major source of air pollution, with emissions from internal combustion engines-such as CO, CO₂, NOₓ, and particulate matter-posing significant risks to the environment and public health. This study investigates the use of vibration and pressure signal data for emission prediction by developing regression models based on statistical transformations, Principal Component Analysis (PCA), and LASSO regression. Experimental data were used to construct models for predicting nitrogen oxides (NOₓ), carbon monoxide (CO), and carbon dioxide (CO₂) emissions. The results showed that different methods yielded the best accuracy for different pollutants: PCA-based models were most effective in predicting NOₓ emissions, while LASSO regression performed best for CO₂ prediction and facilitated significant variable selection. The accuracy of CO emission prediction remained limited. The study confirms that vibration data can be effectively used for emission forecasting.