Прогнозування викидів діоксиду вуглецю (CO₂) з газотурбінних установок за допомогою моделей машинного навчання

Abstract

У роботі розглядається застосування методів машинного навчання, зокрема моделей XGBoost та Random Forest, для прогнозування рівня викидів вуглецю оксиду (CO₂) з газотурбінного обладнання. Точне передбачення рівня шкідливих викидів є критично важливим завданням у контексті забезпечення енергетичної безпеки та досягнення екологічної стійкості. У дослідженні використано реальний набір даних, зібраний у Туреччині упродовж 2011–2015 років, що містить понад 36 тисяч записів щогодинного моніторингу технічних та атмосферних параметрів газотурбінної установки. З метою покращення якості моделювання було проведено попередню обробку даних, що включала очищення, аналіз кореляції ознак та стандартизацію числових значень. На основі обраних параметрів побудовано дві регресійні моделі: XGBRegressor та RandomForestRegressor, які продемонстрували високу точність при оцінюванні результатів. Найкраще значення коефіцієнта детермінації склало 0,742 для моделі Random Forest, що вказує на її ефективність у відтворенні залежностей між технічними параметрами установки та рівнем викидів CO₂. This study explores the application of machine learning methods, specifically XGBoost and Random Forest models, for predicting carbon dioxide (CO₂) emissions from gas turbine equipment. Accurate forecasting of harmful emissions is a critical task in the context of ensuring energy security and achieving environmental sustainability. The research utilizes a real-world dataset collected in Turkey between 2011 and 2015, containing over 36,000 hourly monitoring records of technical and atmospheric parameters from a gas turbine installation.To enhance model performance, data preprocessing was conducted, including cleaning, feature correlation analysis, and standardization of numerical values. Based on the selected parameters, two regression models were developed: XGBRegressor and RandomForestRegressor, both demonstrating high accuracy in evaluation. The highest coefficient of determination (R²) achieved was 0.742 for the Random Forest model, indicating its effectiveness in capturing the relationships between technical parameters and CO₂ emission levels.