Avaliação de algoritmos de aprendizado de máquina na previsão de nível de ruído e emissões de geradores de backup doméstico movidos a gasolina

Resumo O aprendizado de máquina está recebendo grande atenção atualmente. No entanto, as aplicações de aprendizado de máquina na pesquisa de motores a gasolina são limitadas. Este artigo investigou a implementação de vários modelos de aprendizado de máquina na previsão das emissões (CO 2, CO e PM 2.5) e níveis de ruído de geradores domésticos movidos a gasolina pela primeira vez. Dados de capacidade operacional e instalada, eficiência (entrada) e emissões, e nível de ruído (saída) obtidos a partir de 166 geradores foram usados nos algoritmos de aumento extremo de gradiente, rede neural artificial (RNA), árvore de decisão (AD), floresta aleatória (FA) e regressão polinomial (RP) para desenvolver modelos preditivos. Os resultados revelaram alto desempenho na previsão (R 2 = 0.9377–1.0000) desses algoritmos, marcados por erros muito baixos. A implementação da RP seguida pela FA exibiu os melhores modelos para prever CO 2, CO, PM 2.5 e o nível de ruído dos geradores. R 2 de 1.000 e 0.9979–0.9994, erro quadrático médio de < 10 −6 e 2 × 10 −5 –8.6 × 10 −5, erro percentual absoluto médio de 9.15 × 10 −16 –1.3 × 10 −15 e 7.1 × 10 −3 –8.1 × 10 −2, e erro quadrático médio da raiz de 3.3 × 10 −16 –5.4 × 10 −16 e 4.4 × 10 −3 –9.3 × 10 −2 foram registrados para todos os parâmetros de saída usando RP e FA, respectivamente. Os modelos de AD tiveram a menor capacidade de previsão para CO, CO 2 e níveis de ruído (R 2 = 0.9493–0.9592), enquanto a RNA produziu o menor desempenho para PM 2.5 (R 2 = 0.9377). Este estudo fortalece ainda mais as aplicações de aprendizado de máquina na pesquisa de motores para a previsão de vários parâmetros de saída.