Search academic texts

Information × Registration Number 0825U003473, PhD dissertation Status Доктор філософії Date 21-08-2025 popup.evolution o Title Methods and tools for modeling and intellectual analysis of quantitative characteristics of air pollution. Author Volodymyr T. Hura, popup.head Liubomyr S. Monastyrskii popup.opponent Lidiia O. Shtaier popup.opponent Mykhailo L. Petryshyn popup.review Sergiy A. Sveleba popup.review Vasyl Y. Lyashkevych Description У дисертації основна увага приділена розробці та дослідженню комплексу методів та засобів для моделювання та інтелектуального аналізу кількісних характеристик забруднення повітря від локальних джерел. Проведений аналіз наукових публікацій продемонстрував, що існує потреба у створенні інтегрованих рішень, які б поєднували переваги фізико-математичного моделювання та методів машинного навчання для підвищення точності прогнозів в умовах неповноти даних від державних мереж моніторингу. У першому розділі дисертаційної роботи розглянуто проблематику моделювання дисперсії забруднюючих речовин, проаналізовано класичні моделі Гауса та чисельні моделі, а також сучасні підходи до прогнозування на основі ансамблевих методів та глибоких нейронних мереж. У другому розділі описано розробку програмно-апаратного комплексу моніторингу на базі мікроконтролера ESP32, мікрокомп'ютера Nvidia Jetson Nano та хмарної інфраструктури Azure. Представлено методику збору річного набору даних та проведено його поглиблений статистичний аналіз, що виявив сезонні та добові закономірності забруднення від локального джерела. Третій розділ дисертації присвячений розробці та адаптації математичних моделей. Удосконалено модель Гауса шляхом інтеграції системи нечіткої логіки для динамічного визначення класу стійкості атмосфери та розрахунку підйому факела. Проведено порівняльний аналіз широкого спектру моделей машинного навчання та нейронних мереж для прогнозування концентрації РМ2.5. Описано постановку та реалізацію задачі інверсного моделювання для оцінки інтенсивності викидів. У четвертому розділі представлено результати експериментальних досліджень. Продемонстровано, що використання розрахованого класу стійкості як додаткової ознаки підвищує точність прогностичних моделей. Проведено оцінку важливості вхідних ознак, що дозволило скоротити їх кількість, підвищивши точність моделей та зменшивши час їх навчання. У п'ятому розділі запропоновано інтегровані рішення. Розроблено гібридний метод прогнозування, що поєднує удосконалену модель Гаусса та модель XGBoost, яка навчається на залишках фізичної моделі. Створено метод діагностики впливу локального джерела та реалізовано програмний прототип з графічним інтерфейсом користувача, що дозволяє проводити експрес-оцінку рівня шкідливості та видавати категорійний висновок. Registration Date 2025-08-18 popup.nrat_date 2025-08-18 Close