FR3128276A1 - Mesures de polluant augmentées par réseau de neurones - Google Patents
Mesures de polluant augmentées par réseau de neurones Download PDFInfo
- Publication number
- FR3128276A1 FR3128276A1 FR2110983A FR2110983A FR3128276A1 FR 3128276 A1 FR3128276 A1 FR 3128276A1 FR 2110983 A FR2110983 A FR 2110983A FR 2110983 A FR2110983 A FR 2110983A FR 3128276 A1 FR3128276 A1 FR 3128276A1
- Authority
- FR
- France
- Prior art keywords
- measurement sensor
- measurement
- calibration
- concentration
- pollutant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 130
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 35
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000003190 augmentative effect Effects 0.000 title description 7
- 230000001537 neural effect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 16
- 230000013016 learning Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003570 air Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/48—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring prior to normal operation, e.g. pre-heating or pre-cooling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Dispersion Chemistry (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
Procédé d’augmentation de mesures d’un capteur de mesure (1) de polluant, le capteur de mesure (1) étant connecté à un serveur distant spécialisé (3) comprenant un réseau de neurones, le procédé comprenant les étapes suivantes : - création d’un modèle neuronal entrainé à partir du réseau de neurones, et - pour chaque mesure réalisée par le capteur de mesure (1) : - mesure d’au moins une donnée brute par le capteur de mesure (1), - envoi de l’au moins une donnée brute vers le serveur distant spécialisé (3), - augmentation de l’au moins une donnée brute par le modèle neuronal entrainé permettant d’obtenir la mesure de la concentration du polluant. Figure pour l’abrégé : Fig. 2
Description
La présente invention concerne un procédé d’augmentation de mesures d’un capteur de mesure de polluant.
Etat de la technique antérieure
On peut observer depuis la COP21 un essor rapide des systèmes de mesures de polluants atmosphériques qui permettent, combinés avec, par exemple, le « crowd-sourcing » ou approvisionnement de masse, de représenter spatialement la qualité de l'air. Cette cartographie à l'initiative des acteurs traditionnels de la surveillance pour les collectivités locales, en est à ses débuts.
Elle pose néanmoins la question de l'incertitude sur les données, de leur exploitation et des possibilités offertes par les nouvelles technologies issues de l'intelligence artificielle.
Elle questionne aussi la dérive des capteurs de mesure entre la calibration en laboratoire et leur utilisation sur le terrain. In fine, la précision de ces capteurs est relative et les incertitudes de mesure sont encore mal connues.
On connaît de l’état de l’art des calibrations linéaires en laboratoire de capteurs de mesure de polluant. En effet, il existe des modèles linéaires de calibration classique sur deux points de référence permettant d’obtenir de bons résultats. Une première mesure du point zéro du capteur est réalisée en appliquant une concentration de gaz ou particules nulle puis une deuxième mesure de point de fonctionnement du capteur est réalisée en appliquant une concentration connue. A partir des mesures du point zéro et du point à concentration connue, on obtient l’équation de la droite de calibration permettant de déterminer les concentrations en fonction des mesures du capteur. Ce modèle étant linéaire, l’hypothèse est faite que la courbe de fonctionnement du capteur l’est aussi alors que ce n’est pas le cas.
De plus, une calibration effectuée en laboratoire permet de caler les mesures au départ, mais on constate une dérive dans le temps de ses dernières. Les conditions de laboratoire ne représentent que partiellement les conditions réelles du terrain. Un tel modèle ne permet pas de compenser les dérives non linéaires constatées sur site après la sortie du capteur du laboratoire ou après plusieurs mois d’utilisation de celui-ci.
Un tel modèle linéaire ne permet également pas de prendre en compte les sensibilités croisées entre les polluants, les capteurs étant sensibles à un gaz principal pouvant par exemple aussi être sensibles à d’autres gaz. Par exemple, le capteur de SO2 est sensible au NO2 ce qui fausse la mesure de SO2 dans le cas de présence de NO2.
Le but de la présente invention est de résoudre au moins un de ces problèmes par un nouveau procédé d’augmentation des mesures d’un capteur de mesure de polluant. Un des buts de la présente invention est donc d’améliorer la précision des mesures du capteur de mesure de polluant.
Un autre but de la présente invention est d’améliorer la calibration du capteur de mesure de polluant.
Cet objectif est atteint avec un procédé d’augmentation de mesures d’un capteur de mesure de polluant, le capteur de mesure étant connecté à un serveur distant spécialisé comprenant un réseau de neurones, le procédé comprenant les étapes suivantes :
- création d’un modèle neuronal entrainé à partir du réseau de neurones, et
- pour chaque mesure réalisée par le capteur de mesure :
- mesure d’au moins une donnée brute par le capteur de mesure,
- envoi de l’au moins une donnée brute vers le serveur distant spécialisé,
- augmentation de l’au moins une donnée brute par le modèle neuronal entrainé permettant d’obtenir la mesure de la concentration du polluant.
Le polluant peut par exemple être un gaz ou une particule.
Par augmentation de donnée brute on entend un ajustement de la valeur de la donnée brute après application du modèle neuronal entraîné.
Le procédé selon l’invention consiste en la modélisation du comportement de la mesure des polluants par réseau de neurones adapté afin de permettre une calibration non linéaire du capteur de mesure.
Le procédé permet de faire tendre la précision de mesure des capteurs de polluants vers la référence et permet également une amélioration de la précision chimique et électronique des mesures.
Le procédé selon l’invention permet d’améliorer la précision des mesures en utilisant les technologies d’intelligence artificielle telles que les réseaux de neurones. Le modèle neuronal de l’invention est adapté au domaine de la mesure des polluants, gazeux ou particulaires.
Avantageusement, l’étape de création d’un modèle neuronal entrainé peut se décomposer en trois sous étapes :
- génération d’un scénario de calibration du capteur de mesure, le scénario de calibration étant généré à partir d’une consigne de mesure de paramètres en fonction du temps, lesdits paramètres comprenant au moins un paramètre environnemental,
- création d’un modèle neuronal en alimentant le réseau de neurones avec le scénario de calibration dudit capteur de mesure,
- entrainement du modèle neuronal en faisant varier l’au moins un paramètre environnemental.
L’entrainement du modèle neuronal selon l’invention permet de prendre en compte la particularité de l’endroit où est utilisé le capteur, comme par exemple, un environnement urbain, un bord de périphérique, une autoroute, une campagne ou encore un milieu industriel. Cela permet alors d’ajuster les mesures en tenant compte du milieu dans lequel est placé le capteur. Chaque capteur de mesure possède son propre modèle neuronal avec ses propres paramètres issus de son entrainement. Le modèle neuronal peut être archivé sur le serveur distant spécialisé.
Le capteur de mesure peut être calibré une première fois à partir du scénario de calibration, la première calibration correspondant à une calibration multipoint. La première calibration du capteur est non linéaire. Elle permet d’améliorer sa précision et d’établir un premier modèle neuronal en alimentant le réseau de neurones avec son scénario de calibration.
Le capteur de mesure peut être associé à appareil de référence, le capteur de mesure étant calibré une deuxième fois après une période d’utilisation T par rapport à l’appareil de référence. Du fait de la non linéarité, le procédé permet de compenser les dérives non linéaires constatées sur site après la sortie du capteur de mesure du laboratoire ou après plusieurs mois d’utilisation. Le procédé selon l’invention permet alors d’améliorer les mesures du capteur de mesure via la calibration de celui-ci.
La consigne de mesure peut comprendre au moins dix paliers partant d’une concentration nulle à une concentration correspondant au maximum du capteur de mesure.
Avantageusement, pour chaque pallier de la consigne de mesure, au moins une des mesures des paramètres suivants peut être relevée automatiquement :
- concentration de la consigne,
- concentration d’un appareil de référence,
- concentration brute mesurée du polluant,
- concentration mesurée d’au moins un autre polluant pouvant agir en termes de sensibilité croisée,
- une température,
- une humidité relative,
- une pression.
Le procédé prend donc en compte des « cross sensitivity » ou sensibilités croisées entre polluants, par exemple : SO2 avec NO2, CO avec CO2, NO2 avec O3.
La deuxième calibration du capteur de mesure peut générer de nouvelles mesures de paramètres, les nouvelles mesures de paramètres alimentant le réseau de neurones pour mettre à jour le modèle neuronal entrainé.
Un deuxième modèle neuronal entrainé peut être créé à partir de la mise à jour du modèle neuronal entrainé, le modèle neuronal final entrainé du capteur de mesure correspondant au produit des deux modèles neuronaux entrainés. La mesure augmentée finale est donc issue de l’application cumulée (analogie avec un produit de matrices neuronales) des N modèles neuronaux entrainés. De cette façon un nouveau modèle neuronal ne détruit pas le précédent, mais agit en complément d’ajustement du modèle neuronal précédent. Cette méthode s’apparente à du « transfert learning » ou apprentissage par transfert et permet un apprentissage résultant de plusieurs apprentissages précédents.
L’étape de création du modèle neuronal entrainé peut être réalisée en laboratoire. La première calibration du capteur de mesure peut également être réalisée en laboratoire.
A titre d’exemple non limitatif et en complément de ce qui précède, le modèle neuronal peut être obtenu en :
- appliquant un algorithme à couches et entrées multiples tenant compte de la physique du capteur, alternativement de type « classification » et « régression », aux données brutes mesurées ;
- prenant en compte des « lags », c’est-à-dire des données de mesure précédente ;
- utilisant des fonctions d’activations « sigmoïdales » ; et
- intégrant des données d’entrée complémentaires, telles que par exemple température T, pression P, humidité relative HR, mesures d’autres polluants….
La deuxième calibration du capteur de mesure peut être réalisée à distance. En effet, une calibration non linéaire comme présentée par l’invention permet de réaliser la calibration du capteur de mesure à distance et d’améliorer les mesures si elles dérivent.
La mesure de la concentration du polluant peut être obtenue en temps réel.
Description des figures et modes de réalisation
D’autres avantages et particularités de l’invention apparaîtront à la lecture de la description détaillée de mises en œuvre et de modes de réalisation nullement limitatifs, et des dessins annexés suivants :
Ces modes de réalisation étant nullement limitatifs, on pourra notamment considérer des variantes de l’invention ne comprenant qu’une sélection de caractéristiques décrites ou illustrées par la suite isolées des autres caractéristiques décrites ou illustrées (même si cette sélection est isolée au sein d’une phrase comprenant ces autres caractéristiques), si cette sélection de caractéristiques est suffisante pour conférer un avantage technique ou pour différencier l’invention par rapport à l’état de la technique antérieure. Cette sélection comprend au moins une caractéristique de préférence fonctionnelle sans détails structurels, et/ou avec seulement une partie des détails structurels si cette partie uniquement est suffisante pour conférer un avantage technique ou à différencier l’invention par rapport à l’état de la technique antérieure.
On va tout d’abord décrire, en référence à la , un système de mesure de polluant par un capteur selon un mode de réalisation de l’invention. Le système comprend un capteur de mesure de polluant 1, un réseau 2 de type Internet, un serveur distant spécialisé 3 et un appareil de référence 4. Le capteur de mesure 1, le serveur distant spécialisé 3 ainsi que l’appareil de référence 4 sont connectés via le réseau 2. Le serveur distant spécialisé 3 comprend un réseau de neurones (non représenté sur la figure). Une plateforme 21, accessibles aux terminaux client 23 et au serveur client 24 via le réseau 2, est associée à un serveur Big Data 22 disposant de plus de 100 milliards de données environnementales.
Le procédé de la présente invention est associé au capteur de mesure 1.
D’après la , qui illustre le principe général du procédé, le capteur de mesure 1 est calibré une première fois en laboratoire. Le capteur de mesure 1 est placé dans une chambre de calibration à concentration contrôlée dans le laboratoire sur un banc d’essai dont le fonctionnement est illustré à la .
Le banc d’essai comprend un instrument de calibration multi gaz 6 et un ordinateur 5. L’ordinateur 5 permet de piloter les concentrations de gaz en sortie du capteur de mesure 1 et permet également la lecture des concentrations effectives. Chaque gaz est envoyé à l’instrument de calibration 6 à un niveau de concentration précis défini par l’ordinateur 5. L’instrument de calibration multi gaz 6 le transfère ensuite vers le capteur de mesure 1. Les différents gaz sont par exemple : CO, CO2, NO, NO2, O3, NH3, H2S. Le gaz envoyé est dilué avec de l’air 0. Des instruments de référence sont utilisés pour mesurer les concentrations en gaz qui constituent les valeurs cibles pour la calibration.
Le banc d’essai permet alors de générer un scénario de calibration. Le scénario de calibration correspond à une consigne de mesure de concentrations ou de paramètres en fonction du temps. La consigne de mesure est lancée par l’ordinateur 5, par exemple, dix paliers partant d’une concentration nulle à une concentration correspondant au maximum du capteur de mesure 1 en fonction du temps. Le nombre de paliers peut être compris entre 10 et 100. Pour chaque palier, au moins une des concentrations suivantes est relevée automatiquement par le banc :
- Concentration de la consigne,
- Concentration de l’appareil de référence,
- Concentration brute en gaz mesuré du capteur,
- Concentration des autres gaz pouvant agir en terme de sensibilité croisée.
Pour chaque pallier, au moins un des paramètres suivants est également automatiquement relevé par le banc : mesure de température, d’humidité relative et de pression. D’autres concentrations ou paramètres environnementaux peuvent être également relevés.
Les différentes mesures de concentrations et de paramètres permettent de calibrer une première fois le capteur. Il s’agit d’une calibration multipoint.
Lorsque le capteur de mesure est calibré, le procédé envoie le scénario de calibration qui est constitué par la matrice de mesures précédentes, sur le serveur distant spécialisé 3 afin de nourrir le réseau de neurones. Un modèle neuronal est créé. Ce réseau « nourri » constitue la matrice de calibration en laboratoire du capteur.
Le procédé lance ensuite un apprentissage du modèle neuronal en faisant varier certains paramètres qui sont considérés stables dans la chambre de calibration comme par exemple, les paramètres environnementaux (T, P, RH). Les variations de paramètres apportent de nouvelles données qui viennent nourrir à nouveau le réseau de neurones qui met à jour le modèle neuronal. Le modèle neuronal correspond alors à un modèle neuronal entrainé (1ercomplément d’apprentissage). Un deuxième modèle neuronal est créé, ce deuxième modèle neuronal correspondant au premier modèle neuronal avec le premier complément d’apprentissage. Le modèle neuronal entrainé final correspond au produit du premier modèle neuronal avec le deuxième modèle neuronal. La mesure augmentée finale du capteur de mesure 1 est donc issue de l’application cumulée (analogie avec un produit de matrices neuronales) des N modèles entrainés. De cette façon un nouveau modèle ne détruit pas le précédent, mais agit en complément d’ajustement du modèle précédent.
Le capteur de mesure 1 est ensuite déployé sur le site du client. D’après la , le capteur de mesure 1 est connecté à un appareil de référence 4 via le réseau 2. Le capteur de mesure 1 est connecté au réseau 2 via une connexion sans fil. Le capteur de mesure 1 réalise des mesures de l’air ambiant sur le site client. Les mesures réalisées sont envoyées sous forme de données brutes au serveur distant spécialisé 3 via le réseau 2 et la plateforme 21. Le serveur big data 22 stocke l’ensemble des mesures brutes réalisées par le capteur de mesure 1.
Une fois que le serveur distant spécialisé 3 reçoit les données brutes, celles-ci sont traitées et envoyées vers le modèle neuronal entrainé final qui va augmenter lesdites mesures réalisées par le capteur de mesure 1 afin de fournir la concentration du polluant mesurée. Les mesures augmentées sont disponibles en temps réel sur la plateforme 21 via le réseau 2.
La illustre un exemple de mesures en temps réel de polluants de l’appareil de référence et des capteurs cibles. La illustre les courbes de mesures augmentées du capteur de gaz CO2 via le procédé de la présente invention. Les mesures du capteur de mesure 1 sont référencées sur la plateforme 21. La comprend trois courbes, une courbe A, B et C. La courbe A représente la courbe de référence, la courbe B représente la courbe cible obtenue selon la présente invention en appliquant le réseau de neurones, et la courbe C représente la courbe cible qui est calibrée linéairement. On constate que la courbe B est très proche de la courbe de référence A alors que la courbe C reste très éloignée de la courbe de référence.
Le capteur de mesure 1 est à nouveau calibré après une période de temps T d’utilisation ou lorsqu’une dérive des mesures de celui-ci est constatée. La période de temps est comprise entre 2 mois et 2 ans par exemple.
Le capteur de mesure 1 est recalibré par rapport à la machine de référence 4, le capteur se situant à distance contenue, quelques dizaines de mètres par exemple, de ladite machine 4. Lorsque le capteur de mesure 1 est recalibré, on constate une amélioration des mesures effectuées par le capteur de mesure 1. Cette deuxième calibration permet d’éviter la dérive des mesures réalisées par le capteur de mesure 1 au cours du temps.
La présente invention permet avantageusement de tenir compte de la sensibilité d’un polluant par rapport à un autre, c’est-à-dire l’interférence ou la perturbation d’un polluant sur un autre. Généralement, il s’agit d’une perturbation mutuelle. Sur la on distingue trois courbes de mesures. L’abscisse représente une échelle de temps. L’ordonnée représente la concentration du polluant en ppb, ppm ou ug/m3.
La courbe avec des triangles représente la concentration en NO2.
La courbe avec des carrés représente la concentration mesurée en SO2 par l’appareil de référence.
La courbe avec des cercles représente la concentration mesurée en SO2 avec la méthode linéaire, c’est à dire sans augmentation selon la présente invention.
La courbe avec des croix représente la concentration mesurée en SO2 avec augmentation selon la présente invention.
La courbe selon la méthode linéaire est proche de la courbe de mesure par l’appareil de référence en l’absence de NO2, mais passe en négatif dès la présence de NO2. Cela démontre l’influence du NO2 sur la détection du SO2.
La mesure selon l’invention permet de prendre en compte la sensibilité du SO2 au NO2 et d’obtenir une mesure augmentée très proche de la référence. En effet la courbe avec des croix suit la courbe de mesure de référence en gommant le plus possible l’influence du NO2.
Typiquement au moins un des moyens du dispositif selon l’invention précédemment décrits, de préférence chacun des moyens du dispositif selon l’invention précédemment décrit sont des moyens techniques.
Typiquement, chacun des moyens du dispositif selon l’invention précédemment décrits peuvent comprendre au moins un ordinateur, une unité centrale ou de calcul, un circuit électronique analogique (de préférence dédié), un circuit électronique numérique (de préférence dédié), et/ou un microprocesseur (de préférence dédié), et/ou des moyens logiciels.
Bien sûr, l’invention n’est pas limitée aux exemples qui viennent d’être décrits et de nombreux aménagements peuvent être apportés à ces exemples sans sortir du cadre de l’invention.
Bien entendu, les différentes caractéristiques, formes, variantes et modes de réalisation de l’invention peuvent être associées les unes avec les autres selon diverses combinaisons dans la mesure où elles ne sont pas incompatibles ou exclusives les unes des autres. En particulier toutes les variantes et modes de réalisation décrits précédemment sont combinables entre eux.
Claims (11)
- Procédé d’augmentation de mesures d’un capteur de mesure (1) de polluant, le capteur de mesure (1) étant connecté à un serveur distant spécialisé (3) comprenant un réseau de neurones, le procédé comprenant les étapes suivantes :
- création d’un modèle neuronal entrainé à partir du réseau de neurones, et
- pour chaque mesure réalisée par le capteur de mesure (1) :
- mesure d’au moins une donnée brute par le capteur de mesure (1),
- envoi de l’au moins une donnée brute vers le serveur distant spécialisé (3),
- augmentation de l’au moins une donnée brute par le modèle neuronal entrainé permettant d’obtenir la mesure de la concentration du polluant. - Procédé selon la revendication 1, caractérisé en ce que l’étape de création d’un modèle neuronal entrainé se décompose en trois sous étapes :
- génération d’un scénario de calibration du capteur de mesure (1), le scénario de calibration étant généré à partir d’une consigne de mesure de paramètres en fonction du temps, lesdits paramètres comprenant au moins un paramètre environnemental,
- création d’un modèle neuronal en alimentant le réseau de neurones avec le scénario de calibration dudit capteur de mesure (1),
- entrainement du modèle neuronal en faisant varier l’au moins un paramètre environnemental. - Procédé selon la revendication 2, caractérisé en ce que le capteur de mesure est calibré une première fois à partir du scénario de calibration, la première calibration correspondant à une calibration multipoint.
- Procédé selon la revendication 3, caractérisé en ce que le capteur de mesure (1) est associé à un appareil de référence (4), le capteur de mesure (1) étant calibré une deuxième fois après une période d’utilisation T par rapport à l’appareil de référence (4).
- Procédé selon l’une quelconque des revendications 2 à 4, caractérisé en ce que la consigne de mesure comprend au moins dix paliers partant d’une concentration nulle à une concentration correspondant au maximum du capteur de mesure (1).
- Procédé selon la revendication 5, caractérisé en ce que pour chaque pallier de la consigne de mesure, au moins une des mesures des paramètres suivants est relevée automatiquement :
- concentration de la consigne,
- concentration d’un appareil de référence,
- concentration brute mesurée du polluant,
- concentration brute mesurée d’au moins un autre polluant pouvant agir en termes de sensibilité croisée,
- une température,
- une humidité relative,
- une pression. - Procédé selon l’une quelconque des revendications 4 à 6, caractérisé en ce que la deuxième calibration du capteur de mesure (1) génère de nouvelles mesures de paramètres, les nouvelles mesures de paramètres alimentant le réseau de neurones pour mettre à jour le modèle neuronal entrainé.
- Procédé selon la revendication 7, caractérisé en ce qu’un deuxième modèle neuronal entrainé est créé à partir de la mise à jour du modèle neuronal entrainé, le modèle neuronal final entrainé du capteur de mesure (1) correspondant au produit des deux modèles neuronaux entrainés.
- Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que l’étape de création du modèle neuronal entrainé est réalisée en laboratoire.
- Procédé selon l’une quelconque des revendications 4 à 9, caractérisé en ce que la deuxième calibration du capteur de mesure (1) est réalisée à distance.
- Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que la mesure de la concentration du polluant est obtenue en temps réel.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2110983A FR3128276B1 (fr) | 2021-10-15 | 2021-10-15 | Mesures de polluant augmentées par réseau de neurones |
| PCT/EP2022/078306 WO2023062036A1 (fr) | 2021-10-15 | 2022-10-11 | Mesures de polluant augmentées par réseau de neurones |
| EP22801767.9A EP4416498A1 (fr) | 2021-10-15 | 2022-10-11 | Mesures de polluant augmentées par réseau de neurones |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2110983 | 2021-10-15 | ||
| FR2110983A FR3128276B1 (fr) | 2021-10-15 | 2021-10-15 | Mesures de polluant augmentées par réseau de neurones |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3128276A1 true FR3128276A1 (fr) | 2023-04-21 |
| FR3128276B1 FR3128276B1 (fr) | 2024-01-12 |
Family
ID=80446277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2110983A Active FR3128276B1 (fr) | 2021-10-15 | 2021-10-15 | Mesures de polluant augmentées par réseau de neurones |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4416498A1 (fr) |
| FR (1) | FR3128276B1 (fr) |
| WO (1) | WO2023062036A1 (fr) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190293619A1 (en) * | 2016-11-28 | 2019-09-26 | International Business Machines Corporation | Particulate matter monitoring |
| WO2020198388A1 (fr) * | 2019-03-25 | 2020-10-01 | White Lab Sal | Système et procédé de suivi de particules en suspension dans l'air |
| US20210190749A1 (en) * | 2019-12-19 | 2021-06-24 | X Development Llc | Machine olfaction system and method |
-
2021
- 2021-10-15 FR FR2110983A patent/FR3128276B1/fr active Active
-
2022
- 2022-10-11 EP EP22801767.9A patent/EP4416498A1/fr active Pending
- 2022-10-11 WO PCT/EP2022/078306 patent/WO2023062036A1/fr active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190293619A1 (en) * | 2016-11-28 | 2019-09-26 | International Business Machines Corporation | Particulate matter monitoring |
| WO2020198388A1 (fr) * | 2019-03-25 | 2020-10-01 | White Lab Sal | Système et procédé de suivi de particules en suspension dans l'air |
| US20210190749A1 (en) * | 2019-12-19 | 2021-06-24 | X Development Llc | Machine olfaction system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3128276B1 (fr) | 2024-01-12 |
| WO2023062036A1 (fr) | 2023-04-20 |
| EP4416498A1 (fr) | 2024-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Giordano et al. | From low-cost sensors to high-quality data: A summary of challenges and best practices for effectively calibrating low-cost particulate matter mass sensors | |
| Theys et al. | Global monitoring of volcanic SO2 degassing with unprecedented resolution from TROPOMI onboard Sentinel-5 Precursor | |
| Feinberg et al. | Long-term evaluation of air sensor technology under ambient conditions in Denver, Colorado | |
| SAN et al. | Evaluation of Different Atmospheric Correction Algorithms for EO 1 Hyperion Imagery | |
| Maag et al. | Pre-Deployment Testing, Augmentation and Calibration of Cross-Sensitive Sensors. | |
| Miskell et al. | Solution to the problem of calibration of low-cost air quality measurement sensors in networks | |
| Latimer et al. | Interpretation of measured aerosol mass scattering efficiency over North America using a chemical transport model | |
| Doherty et al. | Modeled and observed properties related to the direct aerosol radiative effect of biomass burning aerosol over the Southeast Atlantic | |
| Liu et al. | Comparison of AOD from CALIPSO, MODIS, and sun photometer under different conditions over central China | |
| Efremenko et al. | Volcanic SO2 plume height retrieval from UV sensors using a full-physics inverse learning machine algorithm | |
| EP3899527B1 (fr) | Procédé de calibration d'un capteur de gaz et dispositif associé | |
| WO2022049199A1 (fr) | Procédé de calibration d'un capteur de gaz | |
| Malings et al. | Application of low-cost fine particulate mass monitors to convert satellite aerosol optical depth to surface concentrations in North America and Africa | |
| Ford et al. | An A‐train and model perspective on the vertical distribution of aerosols and CO in the Northern Hemisphere | |
| Roberts et al. | Validation of a novel Multi-Gas sensor for volcanic HCl alongside H 2 S and SO 2 at Mt. Etna | |
| White et al. | A critical review of filter transmittance measurements for aerosol light absorption, and de novo calibration for a decade of monitoring on PTFE membranes | |
| WO2019042899A1 (fr) | Méthode d'audit de qualité en ligne en "temps reel" d'un processus numérique de fabrication de lentilles ophtalmiques | |
| Lertsinsrubtavee et al. | Detection of forest fires and pollutant plume dispersion using IoT air quality sensors | |
| Wilson et al. | Proxy measurement in paleoclimatology | |
| FR2977673A1 (fr) | Procede de determination des parametres hydrostructuraux d'un sol. | |
| WO2023062036A1 (fr) | Mesures de polluant augmentées par réseau de neurones | |
| EP3846047A1 (fr) | Procédé et système d'identification de variables pertinentes | |
| EP2430421A1 (fr) | Procede de caracterisation rheologique d'un milieu complexe | |
| EP3948229A1 (fr) | Procede pour configurer un dispositif de spectrometrie | |
| EP3644056A1 (fr) | Dispositif d'analyse de gaz et procede d'analyse |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230421 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |