Szénmonoxid szivárgással járó események előrejelzése

Róbert Karsa

doi:10.61790/vt.2025.17681

Karsa Róbert Baranya Vármegyei Katasztrófavédelmi Igazgatóság https://orcid.org/0000-0003-0502-1508

DOI: https://doi.org/10.61790/vt.2025.17681

Kulcsszavak: szénmonoxid mérgezés, gépi tanulás, előrejelzés, mesterséges intelligencia

Absztrakt

Ebben a kutatásban a szénmonoxid mérgezéssel járó káresemények előre jelezhetőségét vizsgáljuk. A tüzeléstechnikai berendezések hibáiból fakadó szénmonoxid szivárgások fizikai okait feltárva feltételezéseket állítottunk fel, amit későbbiekben adat alapú elemzésekkel bizonyítunk. A kutatás során valós szénmonoxid szivárgással kapcsolatos adatokat használtunk fel és azt találtuk, hogy az adatokból gépi tanulási módszerek segítségével, az adatok belső összefüggései is megismerhetőek. A szivárgásos jelenségek a helyi meteorológiai előrejelzések figyelembevételével előre jelezhetőek. Az eredmények segítségével korai figyelmeztető rendszer kiépítését javasoljuk, amely terület specifikusan képes egy térképen érthető formában felhívni a figyelmet a kockázatokra.

Információk a szerzőről

Karsa Róbert, Baranya Vármegyei Katasztrófavédelmi Igazgatóság

igazgatóhelyettes

Hivatkozások

KAP, „Katasztrófavédelmi Adatszolgáltató Program,” Belügyminisztérium Országos Katasztrófavédelmi Főigazgatóság, 2024.

J. J. Rose, L. Wang, Q. Xu, F. C. McTiernan, S. Shiva, J. Tejero, T. M. Gladwin, „Carbon Monoxide Poisoning: Pathogenesis, Management, and Future Directions of Therapy.,” American journal of respiratory and critical care medicine, pp. 596–606, 2017. [Online]. Elérhetőség: https://pubmed.ncbi.nlm.nih.gov/27753502 (2025.03.16.)

BM OKF, „A szén-monoxid-mérgezés megelőzhető!” 2024. [Online]. Elérhetőség: https://katasztrofavedelem.hu/329/aszenmonoxidmergezesmegelozheto (2025.03.16.)

H. L. Ruan, W-S. Deng, Y. Wang, J-B. Chen, W-L. Hong, S-S. Ye, Z-J. Hu „Carbon monoxide poisoning: a prediction model using meteorological factors and air pollutant.,” BMC proceedings, 15(Suppl 1), 2021. [Online]. Elérhetőség: https://bmcproc.biomedcentral.com/articles/10.1186/s12919-021-00206-7 (2025.03.16.)

C-H. Wang, S-C. Shao, K-C. Chang, M-J. Hung, C-C. Yang, S-C. Liao „Quantifying the Effects of Climate Factors on Carbon Monoxide Poisoning: A Retrospective Study in Taiwan,” Frontiers in Public Health, 2021. [Online]. Elérhetőség: https://pubmed.ncbi.nlm.nih.gov/34722435/ (2025.03.16.)

Leikauf P., Tüzeléstechnikai elméleti ismeretek gyakorlati alkalmazása a kéményseprő-ipari tevékenységekben., 2021.

S. Sridharan, S. Mangalam „"Carbon monoxide risks and implications on maintenance-intensive fuel-burning appliances — A regulatory perspective,” Annual Reliability and Maintainability Symposium, 2017. [Online]. Elérhetőség: https://ieeexplore.ieee.org/document/7889726 (2025.03.16.)

R. Andrzejczyk, „Analysis of the Year-Round Operation of Enhanced Natural Ventilation Systems under Transient Weather Conditions in Europe.,” Energies, 2024. [Online]. Elérhetőség: https://www.mdpi.com/1996-1073/17/15/3795 (2025.03.16.)

Farkas J., Huszár T., Kocsis K., Leikauf T., Kéményseprő-ipari szakmai ismeret tansegédlet, Budapest: Katasztrófavédelmi Oktatási Központ, 2018. [Online]. Elérhetőség: https://bmkszf.hu (2025.03.18.)

G. V. Fracastoro &. M. Masoero, „Air Infiltration induced by Heating Appliances.” 1988. [Online]. Elérhetőség: https://www.aivc.org/sites/default/files/AIVC_1988_CP09_Vol1.pdf (2025.03.18.)

V. Leblanc &. M. A. A. Cox, „Interpretation of the point-biserial correlation coefficient in the context of a school examination.,” The Quantitative Methods for Psychology. 13., pp. 46-56., 2017. [Online]. Elérhetőség: https://www.tqmp.org/RegularArticles/vol13-1/p046/p046.pdf (2025.03.18.)

M. A. Nikitina. &. I. M. Chernuka, „Nonparametric statistics. Part 3. Correlation coefficients.,” Theory and practice of meat processing., 2023. [Online]. Elérhetőség: https://www.meatjournal.ru/jour/article/view/286article/view/286 (2025.03.18.)

L. Breiman, „Random Forests,” Machine Learning 45 ,, p. 5–32, 2001. [Online]. Elérhetőség: https://www.researchgate.net/publication/275342330_Random_Forests (2025.03.18.)

Z. He, D. Lin, T. Lau, M. Wu, „Gradient Boosting Machine: A Survey,” 2019. [Online]. Elérhetőség: https://arxiv.org/abs/1908.06951 (2025.03.18.)

T. Chen, C. Guestin, „XGBoost: A Scalable Tree Boosting System.,” In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, p. pp. 785–794, 2016. ” [Online]. Elérhetőség: https://arxiv.org/abs/1603.02754 (2025.03.18.)

J. Schmidhuber, „Deep learning in neural networks: An overview.,” Neural Networks , 61, p. pp. 85–117., 2015. [Online]. Elérhetőség: https://www.sciencedirect.com/science/article/abs/pii/S0893608014002135

(2025.03.18.)

S. Lundberg, S-I. Lee, „A Unified Approach to Interpreting Model Predictions.,” Advances in Neural Information Processing Systems 30, pp. pp. 4765--4774, 2017. [Online]. Elérhetőség: https://arxiv.org/abs/1705.07874 (2025.03.18.)

M. C. Iban, O. Aksu, „SHAP-Driven Explainable Artificial Intelligence Framework for Wildfire Susceptibility Mapping Using MODIS Active Fire Pixels: An In-Depth Interpretation of Contributing Factors in Izmir,” Türkiye. Remote. Sens., 16, 2842., 2024. [Online]. Elérhetőség: https://www.mdpi.com/2072-4292/16/15/2842 (2025.03.18.)

Szinell Cs., Merza Á., „Meteorológiai alapismeretek,” 1999. [Online]. Available: [Online]. Elérhetőség: https://www.muszeroldal.hu/measurenotes/meteor.pdf (2025.03.20)