MACHINE LEARNING BASED INDOOR AIR POLLUTANT SOURCE RECOGNITION WITH GAS RESISTANCE AND MULTI-SENSOR ARRAY ELECTRONIC NOSES

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Mimarlık Fakültesi, Mimarlık Bölümü, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: MEHMET YİĞİTCAN YEŞİLATA

Danışman: Mehmet Koray Pekeriçli

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

İç mekan hava kalitesi (IAQ), sağlık ve konfor ile yakından ilişkilidir. İnsanlar zamanlarının çoğunu iç mekanlarda geçirirler. Zararlı kirleticiler içermeyen solunabilir hava, yaşam kalitesinin iyileşmesini, solunum yolu enfeksiyonu riskinin azalmasını ve kronik rahatsızlıkların gelişme riskinin azalmasını sağlayabilir. Temizlik kimyasalları, inşaat işlemleri, sigara, parfüm, yapı malzemeleri ve dış ortam kirleticilerinin tümü iç mekan hava kirliliğine katkıda bulunabilir. İç hava kalitesini iyileştirmek için kirlilik kaynaklarının tespiti esastır. Elektronik burun olarak bilinen bir algılama cihazı, kokuları veya tatları algılamak için çeşitli sensör verilerini toplar. Bu araştırmada veri toplamak için iki farklı tipte elektronik burun kullanılmıştır. İlki, MOX katmanındaki gaz direncine duyarlı olarak çalışan sekiz VOC sensörüne sahiptir. Her sensör eş zamanlı olarak farklı bir ısıtıcı profili tarafından ısıtılır ve sensörlerin gaza tepkileri, her sensörün o sıcaklıktaki gaz direnciyle orantılı olarak sekiz boyutlu bir veri üretir. İkincisi, çoklu sensör dizisi ile PM2.5, PM1 0, CO2, formaldehit, etanol, H2, TVOC, sıcaklık ve nem gibi iç hava kalitesini etkileyen farklı türde parametreleri ölçer. Deney gerçekleştirilirken 130lt kapasiteli bir kutu kullanıldı. Deney boyunca ofis havası, sigara, temizlik malzemeleri, alkol-dezenfektan, köri, kahve, boyalı kiremit, taş yünü ve vernikli ahşap olmak üzere iki farklı elektronik burun ile dokuz farklı malzeme ölçülmüştür. Kutudaki kirletici kaynakları tahmin etmek için veriler Naive Bayes, kNN ve Random Forest sınıflandırıcıları ile modellenmiştir. Çok sensörlü elektronik burundan toplanan verilerle 10 ağaçlı Random Forest algoritması en iyi sonucu verir. Algoritma, sensör verileri üzerinde 0.95 doğruluk ile 0.94 kesinlik vermektedir. Saha deneyleri, karmaşık bir altyapı gerektirmeden çok sensörlü dizi tabanlı bir elektronik burun kullanarak kirletici kaynaklarının tespit edilmesinin mümkün olduğunu göstermiştir.