Kampüs İçi Kapalı Alanlarda Hava Kalitesinin Modellenmesi ve Karar Destek Sistemi Geliştirilmesi

Zeki Kampüs kapsamı içerisinde üniversite kampüslerinin kapalı alanlarında hava kalitesinin tahmin edilmesi, virüs bulaş riskini en aza indirilmesi açısından çok önemlidir. Buna bağlı olarak sınıflarda, idari ofislerde ve toplantı salonlarında hava ölçümlerinin kontrol limitleri dışına çıkması durumunda uyarılar vererek kararlar almasını sağlayacak bir karar destek sistemin kurulması, bu riski kontrol altında tutmayı sağlayabilecektir. Bu çalışmada öncelikle karbondioksit, sıcaklık, nem, basınç ve hava kalitesi (MQ135) sensörleri insan giriş ve çıkışının yoğun olduğu bir sınıfa kurulmuş ve düzenli olarak veri alınması sağlanmıştır. Çalışmanın ikinci aşamasında veri madenciliği teknikleri ile bu sensör verilerinin veri önişleme teknikleri ile analizleri yapılmıştır. Çalışmanın ana amacı yapay sinir ağları, karar ağacı ve destek vektör makine teknikleri ile sensör verilerinin modellenmesi ve kişi sayısı artışı, cam veya kapının açılması, ve ders arası süresinin uzatılması gibi nedenlerden kaynaklı olarak havada gerçekleşen ani değişikliklerin model tarafından yakalanmasını sağlamaktır. Çalışmanın sonucu, kabul edilebilir aralıkların dışına çıkan hava kalitesi durumlarının tespiti sonucunda odanın ne zaman havalandırılacağına karar vermektir. Bu araştırmada kurduğumuz modeller kampüs dışında da örneğin toplu taşıma araçlarının, işyerlerinin, ofislerin, restoranların, kafelerin ve özel araçların havalandırma sistemlerinde kullanılabilecek özelliktedir.

Anahtar Kelimeler:

Makine Öğrenmesi, Zeki Kampüs, Karar Destek Sistemleri

Modeling of Indoor Air Quality in Campus and Developing a Decision Support System

Estimating the air quality in the indoor areas of university campuses within the scope of İntelligent Campus is very important in terms of minimizing the risk of virus transmission. In order to reduce this threat, it will be possible to develop a decision support system that will allow it to make decisions by issuing alerts in the event that air measurements exceed the control limits in the classrooms, executive offices, and meeting rooms. In this investigation, carbon dioxide, temperature, humidity, pressure, and air quality (MQ135) sensors were first installed in a classroom where there was a significant amount of human input and output, and regular data were collected. In the second stage of the study, data mining techniques and data preprocessing techniques were used to analyze these sensor data. The main purpose of the study is to model sensor data with artificial neural networks, decision tree and support vector machine techniques, and to ensure that sudden changes in the air due to reasons such as increasing the number of people, opening the window or door, and extending the time between classes are captured by the model. The result of the study is to decide when to ventilate the room as a result of the detection of air quality conditions that fall outside the acceptable ranges.

Keywords:

Machine Learning Algorithms, Intelligent Campus, Decision Support Systems Makine Öğrenmesi, Zeki Kampüs, Karar Destek Sistemleri,

PDF

___

Aksangür, İ. et al. (2022) Evaluation of data preprocessing and feature selection process for prediction of hourly PM10 concentration using long short-term memory models. Environmental Pollution. [Online] 311119973.
Balta, D. (2019) Dağıtık Sensör Sistemleri Mimarisi ile Bulanık Mantık Temelli ve Çevrimiçi Kapalı Ortam Hava Kalitesi İzleme Sistemi Geliştirilmesi.
Burges, C. J. C. (1998) A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery. [Online] 2 (2), .
Chang, C. C. & Lin, C. J. (2011) LIBSVM: A Library for support vector machines. ACM Transactions on Intelligent Systems and Technology. [Online] 2 (3), .
Dokuz, Y. et al. (2020) Hava Kalitesi Parametrelerinin Tahmini ve Mekansal Dağılımı İçin Makine Öğrenmesi Yöntemlerinin Kullanılması. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi. [Online]
Elibol, H. (2021) Kapalı Mekanlarda Sosyal Mesafe Kuralı Ne Kadar Önemli [online]. Available from: https://www.hurriyet.com.tr/gundem/kapali-mekanlarda-sosyal-mesafe-kurali-ne-kadar-onemli-41801992 (Accessed 2 February 2022).
Eren, B. et al. (2023) Predicting next hour fine particulate matter (PM2.5) in the Istanbul Metropolitan City using deep learning algorithms with time windowing strategy. Urban Climate. [Online] 48101418.
Gültepe, Y. (2019) Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme. European Journal of Science and Technology. [Online] 8–15.
Gupta, Y. et al. (2021) Impact of Weather Predictions on COVID-19 Infection Rate by Using Deep Learning Models. Complexity. [Online] 2021.
Irmak, M. E. & Aydilek, İ. B. (2019) Hava Kalite İndeksinin Tahmin Başarısının Artırılması için Topluluk Regresyon Algoritmalarının Kullanılması. Academic Platform Journal of Engineering and Science. [Online] 507–514.
Karakuş, C. B. & Yıldız, S. (2019) Hava Kalite İndeksi İle Meterolojik Parametreler Arasındaki İlişkinin Çoklu Regresyon Yöntemi İle Belirlenmesi. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi. [Online]
Kulkarni, P. S. et al. (2017) Artificial Neural Networks for Construction Management: A Review. Journal of Soft Computing in Civil Engineering. [Online] 1 (2), .
Lelieveld, J. et al. (2020) Model calculations of aerosol transmission and infection risk of covid-19 in indoor environments. International Journal of Environmental Research and Public Health. [Online] 17 (21), 1–18.
Mo, X. et al. (2019) A novel air quality early-warning system based on artificial intelligence. International Journal of Environmental Research and Public Health. [Online] 16 (19), .
Sakhıdad Faızı (2021) Kabil’in Hava Kalitesi Tahmininde Makine Öğrenmesi Algoritmalarının Kullanılması.
Santos, A. F. et al. (2020) Best Practices on HVAC Design to Minimize the Risk of COVID-19 Infection within Indoor Environments. Brazilian Archives of Biology and Technology. [Online] 631–11.
Zhang, C. et al. (2021) The role of weather conditions in COVID-19 transmission: A study of a global panel of 1236 regions. Journal of Cleaner Production. [Online] 292.