가스 혼합물에서 가스 성분의 농도 수준을 추정하는 것은 산업 시설, 도시 지역 및 가스 누출이나 축적이 중대한 건강 및 안전 위험을 초래할 수 있는 밀폐 공간을 포함한 다양한 환경에서 예방 조치를 취하고 공공 안전을 보장하는 데 필수적이다. 이는 표적 오염물질에 대한 일반적인 가스 센서가 다른 가스의 영향을 쉽게 받기 때문이다. 본 연구에서는 데이터 분할, 특징 추출 및 정규화의 결합이 두 가지 조합의 가스 수준을 예측하는 데 있어 세 가지 딥러닝 모델—1차원 합성곱 신경망(1-dimensional Convolutional Neural Network, CNN-1D), 장단기 메모리(Long Short-term Memory, LSTM), 게이트 순환 단위(Gated Recurrent Unit, GRU)—의 성능에 미치는 효과를 평가하였다. 우리는 평균 절대 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE), 그리고 R-제곱(R-squared) (R²)을 사용하여 성능을 평가하였다. 평가된 모델 중 GRU 네트워크는 평균 MAE(0.1578), RMSE(0.0481) 및 R²(0.96375) 측면에서 CNN-1D와 LSTM보다 우수한 성능을 보였다. 기존 연구와의 비교 분석을 통해 제안한 GRU 모델이 다른 모델들보다 우수함이 확인되었으며, 이에 가스 농도 추정 과제에 이를 사용할 것을 제안한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.