dc.contributor.author | De Luca, Mario | |
dc.contributor.author | Žilionienė, Daiva | |
dc.contributor.author | Gadeikis, Saulius | |
dc.contributor.author | Dell’Acqua, Gianluca | |
dc.date.accessioned | 2023-09-18T16:43:13Z | |
dc.date.available | 2023-09-18T16:43:13Z | |
dc.date.issued | 2017 | |
dc.identifier.issn | 1822-427X | |
dc.identifier.uri | https://etalpykla.vilniustech.lt/handle/123456789/116315 | |
dc.description.abstract | The work addressed a study on pollution caused by traffic on the highway. In particular, it was considered the concentration of pollutant, resulting from the passage of vehicles on the freeway. Five different stations (sensors and samples) used to collect data. The data collection period around six months. Also, the following parameters were detected: wind speed and direction, temperature and traffic flow rate. Data processed with Multivariate Analysis and Artificial Neural Network approach. The best model it obtained with Artificial Neural Network approach. In fact, this model presented the best fit to the experimental data. | eng |
dc.description.abstract | Šiame darbe pateiktas kelių transporto priemonių keliamos taršos tyrimas. Ypatingas dėmesys skirtas teršalo C koncentracijai, transporto priemonėms važiuojant greitkeliu. Duomenys surinkti penkiose skirtingose stotyse (jutikliai ir bandiniai). Duomenų rinkimo laikotarpis – apie 6 mėnesiai. Nustatyti šie parametrai: vėjo greitis ir kryptis, temperatūra, transporto srauto greitis. Duomenys apdoroti remiantis daugiakritere analize ir dirbtiniu neuroniniu tinklu. Geriausias modelis gautas naudojant dirbtinį neuroninį tinklą, nes šio modelio rezultatai geriausiai atitiko eksperimentinius duomenis. | lit |
dc.description.abstract | Raksts veltīts autoceļu satiksmes radītā piesārņojuma izpētei. Īpaša uzmanība veltīta C koncentrācijas izpētei, kas rodas transportlīdzekļiem braucot pa autoceļu. Datu (devēji un paraugi) ieguvei izmantoja piecas dažādas stacijas. Datus vāca aptuveni sešus mēnešus. Tika noteikti sekojoši parametri: vēja ātrums un virziens, temperatūra un satiksmes intensitāte. Iegūtos datus apstrādāja ar mākslīgo neironu tīkla metodi un daudzdimensiju statistisko analīzi. Vislabāko modeli ieguva ar mākslīgo neironu tīkla metodi. Būtībā minētais modelis vislabāk atbilda eksperimentālajiem datiem. | lav |
dc.format | PDF | |
dc.format.extent | p. 57-63 | |
dc.format.medium | tekstas / txt | |
dc.language.iso | eng | |
dc.relation.isreferencedby | Index Copernicus | |
dc.relation.isreferencedby | INSPEC | |
dc.relation.isreferencedby | Central & Eastern European Academic Source (CEEAS) | |
dc.relation.isreferencedby | Computers & Applied Sciences Complete | |
dc.relation.isreferencedby | Science Citation Index Expanded (Web of Science) | |
dc.relation.isreferencedby | Scopus | |
dc.source.uri | https://doi.org/10.3846/bjrbe.2017.07 | |
dc.subject | Mākslīgo neironu tīkls | |
dc.subject | Daudzdimensiju statistiskā analīze | |
dc.subject | Satiksmes intensitāte | |
dc.subject | Vēja ātrums un virziens | |
dc.subject | Temperatūra. | |
dc.subject | TD03 - Transporto sistemų ir eismo modeliavimas, optimizavimas, sauga ir valdymas / Transport systems and traffic modeling, optimization, safety and management | |
dc.title | Traffic pollution assessment using artificial neural network and multivariate analysis | |
dc.title.alternative | Kelių transporto priemonių keliamos taršos vertinimas naudojant dirbtinį neuroninį tinklą ir daugiakriterę analizę | |
dc.title.alternative | Satiksmes radītā piesārņojuma novērtējums ar mākslīgo neironu tīklu un daudzdimensiju statistisko analīzi | |
dc.type | Straipsnis Web of Science DB / Article in Web of Science DB | |
dcterms.references | 16 | |
dc.type.pubtype | S1 - Straipsnis Web of Science DB / Web of Science DB article | |
dc.contributor.institution | University of Naples Federico II | |
dc.contributor.institution | Vilniaus Gedimino technikos universitetas | |
dc.contributor.institution | Vilniaus universitetas | |
dc.contributor.faculty | Aplinkos inžinerijos fakultetas / Faculty of Environmental Engineering | |
dc.subject.researchfield | T 002 - Statybos inžinerija / Construction and engineering | |
dc.subject.researchfield | T 003 - Transporto inžinerija / Transport engineering | |
dc.subject.researchfield | N 006 - Fizinė geografija / Physical geography | |
dc.subject.ltspecializations | L106 - Transportas, logistika ir informacinės ir ryšių technologijos (IRT) / Transport, logistic and information and communication technologies | |
dc.subject.lt | Dirbtinis neuroninis tinklas | |
dc.subject.lt | Daugiakriterė analizė | |
dc.subject.lt | Transporto srauto greitis | |
dc.subject.lt | Vėjo greitis ir kryptis | |
dc.subject.lt | Temperatūra. | |
dc.subject.en | Artificial Neural Network | |
dc.subject.en | Concentration of pollutant | |
dc.subject.en | Multivariate Analysis | |
dc.subject.en | Traffic flow rate | |
dc.subject.en | Wind speed and direction | |
dc.subject.en | Temperature. | |
dcterms.sourcetitle | The Baltic journal of road and bridge engineering | |
dc.description.issue | no. 1 | |
dc.description.volume | Vol. 12 | |
dc.publisher.name | VGTU | |
dc.publisher.city | Vilnius | |
dc.identifier.doi | 000398246400007 | |
dc.identifier.doi | 10.3846/bjrbe.2017.07 | |
dc.identifier.elaba | 21089365 | |