Szénmonoxid szivárgással járó események előrejelzése
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.
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)
Copyright (c) 2025 Védelem Tudomány a Katasztrófavédelem online szakmai, tudományos folyóirata

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.