DOI: https://doi.org/10.1038/s41598-025-87233-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39880869
تاريخ النشر: 2025-01-29
المؤلف: Gazi Mahabubul Alam وآخرون
الموضوع الرئيسي: انبعاثات المركبات والأداء
نظرة عامة
تقدم ورقة البحث دراسة شاملة حول توقع انبعاثات ثاني أكسيد الكربون (CO₂) من المركبات باستخدام نموذج تعلم عميق معزز بأساليب الذكاء الاصطناعي القابل للتفسير (XAI). استخدمت الدراسة مجموعة بيانات من بوابة البيانات المفتوحة للحكومة الكندية، تتكون من 7,385 إدخالًا تفصيلية عن خصائص المركبات مثل حجم المحرك، نوع الوقود، وتصنيفات استهلاك الوقود. النموذج المقترح، المسمى CarbonMLP، هو هيكل متعدد الطبقات (MLP) حقق قيمة R-squared عالية تبلغ 0.9938 وخطأ متوسط تربيعي (MSE) منخفض يبلغ 0.0002، مما يدل على دقة تنبؤية استثنائية. أبرز التحليل أن المحركات عالية الأداء واستهلاك الوقود تساهم بشكل كبير في انبعاثات CO₂، بينما تم استخدام SHapley Additive exPlanations (SHAP) لتوضيح أهمية الميزات المختلفة في تنبؤات النموذج.
تعترف الدراسة بالقيود، مثل خصوصية مجموعة البيانات الإقليمية والتركيز فقط على انبعاثات CO₂، مما يشير إلى أن الأبحاث المستقبلية يجب أن تشمل ملوثات إضافية مثل أكاسيد النيتروجين (NOx) والمواد الجسيمية (PM) لتقييم بيئي أكثر شمولاً. تشمل التوصيات للعمل المستقبلي توسيع مجموعة البيانات لتعزيز القابلية للتعميم، ودمج بيانات مستشعرات المركبات في الوقت الحقيقي لتحسين النموذج بشكل مستمر، واستكشاف هياكل تعلم عميق متقدمة. من خلال معالجة هذه المجالات، تهدف الدراسة إلى المساهمة في تطوير استراتيجيات فعالة لتقليل انبعاثات المركبات وتعزيز الاستدامة البيئية، مما يساعد في النهاية أصحاب المصلحة في خلق مستقبل نقل أنظف.
الطرق
تركز المنهجية المستخدمة في هذه الدراسة على تقنيات التعلم العميق لتوقع انبعاثات CO₂ من المركبات. تضمنت الخطوات الأولية جمع البيانات ومعالجتها، والتي كانت ضرورية للتطوير اللاحق لنموذج متعدد الطبقات (MLP). لتحسين قابلية تفسير وموثوقية التنبؤات، دمجت الدراسة أساليب الذكاء الاصطناعي القابل للتفسير (XAI)، وتحديداً SHAP.
يتم تمثيل نظرة عامة على المنهجية بصريًا في الشكل 2، موضحًا النهج المنهجي المتبع لتحقيق توقعات دقيقة لانبعاثات المركبات. لا تعزز تقنيات XAI فقط شفافية النموذج ولكنها تساعد أيضًا في فهم العوامل التي تؤثر على انبعاثات CO₂، مما يساهم في اتخاذ قرارات أكثر استنارة في السياسة البيئية وتصميم المركبات.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور المهم للذكاء الاصطناعي (AI) في تقليل انبعاثات ثاني أكسيد الكربون (CO₂) عبر مختلف القطاعات، بما في ذلك الطاقة، والكيماويات، والنقل. لقد أظهرت نماذج الذكاء الاصطناعي، وخاصة تلك التي تستخدم تقنيات التعلم الآلي (ML) مثل الانحدار المعزز بالتدرج (GBR) وشبكات الذاكرة الطويلة القصيرة (LSTM)، دقة عالية في توقع الانبعاثات وتحسين العمليات. على سبيل المثال، حققت تطبيقات الذكاء الاصطناعي في محطات الطاقة التي تعمل بالفحم دقة تزيد عن 99% في توقعات الانبعاثات، بينما دعمت التطبيقات على مستوى المدينة أهداف الحياد الكربوني. تختلف فعالية هذه الاستراتيجيات في الذكاء الاصطناعي حسب المنطقة، مع ملاحظات أكثر وضوحًا في البلدان ذات الانبعاثات الكربونية العالية والدخل المرتفع، مما يبرز الحاجة إلى استراتيجيات تقليل الانبعاثات المصممة وفقًا للسياقات الصناعية والديموغرافية.
علاوة على ذلك، تناقش الورقة التقدم في نماذج التعلم العميق، التي كانت فعالة في التقاط الأنماط المعقدة في مجموعات البيانات الكبيرة المتعلقة بانبعاثات المركبات. لقد حسنت تقنيات مثل التعلم الجماعي والذكاء الاصطناعي القابل للتفسير (XAI) من قابلية تفسير وموثوقية توقعات الانبعاثات، مما يوفر رؤى قيمة لصانعي السياسات. إن دمج بيانات المستشعرات في الوقت الحقيقي والأساليب النمذجة المتقدمة، بما في ذلك نموذج UWS-LSTM للمركبات الهجينة، يعرض إمكانيات الذكاء الاصطناعي لتعزيز قدرات المراقبة والتنبؤ في جهود تقليل الانبعاثات. بشكل عام، تؤكد النتائج على المساهمة الحاسمة للذكاء الاصطناعي في تحقيق الحياد الكربوني ومعالجة تغير المناخ على نطاق عالمي.
DOI: https://doi.org/10.1038/s41598-025-87233-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39880869
Publication Date: 2025-01-29
Author(s): Gazi Mahabubul Alam et al.
Primary Topic: Vehicle emissions and performance
Overview
The research paper presents a comprehensive study on predicting carbon dioxide (CO₂) emissions from vehicles using a deep learning model enhanced by eXplainable Artificial Intelligence (XAI) methods. The study utilized a dataset from the Canadian government’s open data portal, comprising 7,385 entries detailing vehicle characteristics such as engine size, fuel type, and fuel consumption ratings. The proposed model, named CarbonMLP, is a multilayer perceptron (MLP) architecture that achieved a high R-squared value of 0.9938 and a low Mean Squared Error (MSE) of 0.0002, indicating exceptional predictive accuracy. The analysis highlighted that high-performance engines and fuel consumption significantly contribute to CO₂ emissions, while SHapley Additive exPlanations (SHAP) were employed to elucidate the importance of various features in the model’s predictions.
The study acknowledges limitations, such as the dataset’s regional specificity and the focus solely on CO₂ emissions, suggesting that future research should incorporate additional pollutants like nitrogen oxides (NOx) and particulate matter (PM) for a more holistic environmental assessment. Recommendations for future work include expanding the dataset to enhance generalizability, integrating real-time vehicle sensor data for continuous model improvement, and exploring advanced deep learning architectures. By addressing these areas, the study aims to contribute to the development of effective strategies for reducing vehicle emissions and promoting environmental sustainability, ultimately aiding stakeholders in creating a cleaner transportation future.
Methods
The methodology employed in this study focuses on deep learning techniques to predict CO₂ emissions from vehicles. The initial steps involved data collection and preprocessing, which were essential for the subsequent development of a Multi-Layer Perceptron (MLP) model. To improve the interpretability and reliability of the predictions, the study incorporated explainable AI (XAI) methods, specifically Shapley Additive Explanations (SHAP).
An overview of the methodology is visually represented in Figure 2, illustrating the systematic approach taken to achieve accurate forecasting of vehicle emissions. The integration of XAI techniques not only enhances the model’s transparency but also aids in understanding the factors influencing CO₂ emissions, thereby contributing to more informed decision-making in environmental policy and vehicle design.
Discussion
The discussion section of the research paper highlights the significant role of artificial intelligence (AI) in reducing carbon dioxide (CO₂) emissions across various sectors, including energy, chemicals, and transportation. AI models, particularly those utilizing machine learning (ML) techniques such as Gradient Boosting Regression (GBR) and Long Short-Term Memory (LSTM) networks, have demonstrated high accuracy in predicting emissions and optimizing processes. For instance, AI applications in coal-fired power plants have achieved over 99% accuracy in emission predictions, while city-level implementations have supported carbon neutrality goals. The effectiveness of these AI strategies varies by region, with more pronounced impacts observed in high-carbon emission and high-income countries, emphasizing the need for tailored emission reduction strategies based on industrial and demographic contexts.
Furthermore, the paper discusses the advancements in deep learning models, which have been effective in capturing complex patterns in large datasets related to vehicle emissions. Techniques such as ensemble learning and explainable AI (XAI) have improved the interpretability and robustness of emission predictions, providing valuable insights for policymakers. The integration of real-time sensor data and advanced modeling approaches, including the UWS-LSTM model for hybrid vehicles, showcases the potential of AI to enhance monitoring and forecasting capabilities in emission reduction efforts. Overall, the findings underscore AI’s critical contribution to achieving carbon neutrality and addressing climate change on a global scale.