Proceedings of Fifth International Conference on Computing and Communication Networks
ICCCN 2025, Volume 10
- 2026
- Buch
- Herausgegeben von
- Gia-Nhu Nguyen
- Abhishek Swaroop
- Pancham Shukla
- Buchreihe
- Lecture Notes in Networks and Systems
- Verlag
- Springer Nature Switzerland
Über dieses Buch
Dieses Buch enthält ausgewählte von Experten begutachtete Arbeiten, die auf der fünften Internationalen Konferenz über Computer- und Kommunikationsnetze (ICCCN 2025) präsentiert wurden, die vom 1. bis 2. August 2025 an der Manchester Metropolitan University in Großbritannien stattfand. Das Buch behandelt Themen wie Netzwerk- und Computertechnologien, künstliche Intelligenz und maschinelles Lernen, Sicherheit und Datenschutz, Kommunikationssysteme, virtuelle physische Systeme, Datenanalyse, Cyber-Sicherheit für Industrie 4.0 sowie intelligente und nachhaltige Umweltsysteme.
Mit KI übersetzt
Über dieses Buch
This book includes selected peer-reviewed papers presented at Fifth International Conference on Computing and Communication Networks (ICCCN 2025), held at Manchester Metropolitan University, UK, during 1–2 August 2025. The book covers topics of network and computing technologies, artificial intelligence and machine learning, security and privacy, communication systems, cyber physical systems, data analytics, cyber security for industry 4.0, and smart and sustainable environmental systems.
Anzeige
Inhaltsverzeichnis
-
Frontmatter
-
Explainable Machine Learning Based BioDiesel Synthesis from Used Frying Oil
Thi Thu Ha Nguyen, Dao Nam Cao, Thanh Hai Truong, Anh Quan Nguyen, Viet Dung TranDieses Kapitel befasst sich mit der Synthese von Biodiesel aus gebrauchtem Frittieröl und betont die Herausforderungen und Lösungen bei der Optimierung des Umesterifizierungsprozesses. Darin werden die entscheidenden Faktoren untersucht, die die Biodieselausbeute beeinflussen, wie Reaktionstemperatur, Katalysatorbeladung und molares Verhältnis, und ihre komplizierten Wechselwirkungen. Die Studie verwendet verschiedene Modelle des maschinellen Lernens, darunter Lasso-Regression, Decision Tree und XGBoost, um den Biodieselertrag präzise vorherzusagen. Ein wesentlicher Schwerpunkt liegt auf der Anwendung von SHAP (SHapley Additive exPlanations) für die Interpretierbarkeit von Modellen, wobei die einflussreichsten Prozessparameter und ihre Beiträge aufgezeigt werden. Die Ergebnisse zeigen die überlegene Leistung des XGBoost-Modells mit hoher Vorhersagegenauigkeit und Verallgemeinerbarkeit. Das Kapitel schließt mit der Hervorhebung des Potenzials erklärbaren maschinellen Lernens bei der Förderung nachhaltiger Biodieselproduktion und bietet wertvolle Erkenntnisse zur Prozessoptimierung und Skalierbarkeit.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe biodiesel is an attractive option to substitute higher higher-emission diesel. However, the transesterification process used for biodiesel making is complex and nonlinear. Hence, optimization becomes important for improving yield and reducing the costly resources. One-Factor-at-a-Time (OFAT) and Response Surface Methodology (RSM) are two common ways to improve biodiesel production; however, they typically have trouble with complicated nonlinear relationships and don’t work well with new data. As the manufacture of biodiesel from used frying oil on a big scale picks up speed, there is an urgent need for modelling methods that are more precise, understandable. This study uses an Explainable Machine Learning (EML) framework that combines predictive algorithms and SHapley Additive exPlanations (SHAP) to model and interpret the transesterification process and its predictive modeling. In this study, three supervised ML models: LASSO regression, Decision Tree (DT), and Extreme Gradient Boosting (XGBoost) were developed. XGBoost stood out from the others with almost flawless training accuracy (R2 = 0.9999) and strong generalization (test R2 = 0.7850). The SHAP analysis was used to interpret the interpretation of XGBoost-based model. The most important factor was reaction temperature. The SHAP bee-swarm and comparison plots showed both the relevance of global features and the influence of particular features, making the model clearer. This EML framework not only makes predictions more accurate, but it also offers useful information on how to optimize your processes. This makes it possible to produce biodiesel from waste feedstocks in a more efficient, reliable, and scalable way. -
AI-Based Model-Prediction of the Emissions from Biodiesel-Powered Diesel Engines
Thi Bich Thuy Hoang, Minh Thai Duong, Thanh Hai Truong, Lan Huong Nguyen, Huu Cuong Le, Dao Nam CaoDieses Kapitel befasst sich mit der Anwendung von KI-basierten Modellen, insbesondere der Random Forest Regression, um die Emissionen von Biodiesel-Dieselmotoren vorherzusagen. Die Studie befasst sich mit den Herausforderungen traditioneller experimenteller Methoden, die häufig ressourcenintensiv und weniger effektiv bei der Erfassung nichtlinearer Interaktionen sind. Durch die Nutzung maschinellen Lernens zielt die Forschung darauf ab, die Motorleistung zu optimieren und die Umweltauswirkungen zu verringern. Das Kapitel behandelt den Versuchsaufbau, einschließlich des Einsatzes eines Einzylinder-Dieselmotors und der Herstellung von Biodiesel aus gebrauchtem Speiseöl. Sie beschreibt auch die Implementierung des Random Forest-Modells und unterstreicht seine Fähigkeit, komplexe nichtlineare Beziehungen zu erfassen. Die Ergebnisse zeigen die hohe Genauigkeit des Modells bei der Vorhersage von CO-, HC, NO² - und CO ₂ -Emissionen mit beeindruckenden R ² -Werten und niedrigen Fehlerquoten. Die Restanalyse bestätigt die Zuverlässigkeit des Modells weiter und zeigt keine systematische Voreingenommenheit. Die Schlussfolgerung betont das Potenzial von KI-basierten Modellen zur Förderung saubererer Verbrennungstechnologien und ebnet den Weg für zukünftige Forschungen im Bereich nachhaltiger Energielösungen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractBiodiesel has emerged as a sustainable alternative fuel, particularly for compression ignition diesel engines, due to its renewable nature and reduced environmental footprint. Biodiesel combustion can raise NOₓ emissions, thus engine characteristics must be carefully optimized to meet emissions standards. Traditional approaches for predicting emissions are restricted since they are expensive, take a long time, and can’t accurately capture complicated nonlinear relationships. Machine Learning (ML) is a strong way to anticipate engine emissions in a variety of situations. This paper suggests employing a Random Forest (RF)-based regression framework to use experimental data to forecast important emission parameters including CO, HC, NOₓ, and CO₂ from biodiesel-powered engines. The RF model did a good job of showing how engine characteristics and emissions were related in a nonlinear way. The performance evaluation indicated that all types of emissions had strong R2 values (≥0.77), low Mean Squared Error (MSE), and acceptable Mean Absolute Percentage Error (MAPE). The residual plots shows that most of the data points on comparative scatter plots were within ±10% error margins. This study backs the use of ML to provide accurate, cheap, and scalable predictions about emissions in biodiesel engine applications. -
Explainable Artificial Intelligence Driven Modeling of Syngas Yield in Biomass Gasification
Thi Thu Ha Nguyen, Minh Thai Duong, Van Quy Nguyen, Thanh Nam Dang, Phu Nguu Do, Thanh Hieu ChauDieses Kapitel befasst sich mit der Anwendung erklärbarer maschineller Lerntechniken zur Modellierung und Optimierung der Synthesegasausbeute in Biomassevergasungsprozessen. Es untersucht den Einsatz verschiedener maschineller Lernalgorithmen, einschließlich Random Forest, Linear Regression und Decision Tree, um die Produktion von Synthesegas auf der Grundlage unterschiedlicher Biomassearten und Vergasungsparameter vorherzusagen. Die Studie betont die Bedeutung der Transparenz und Interpretierbarkeit von Modellen und nutzt SHAP (Shapley Additive Explanations), um Schlüsselfaktoren zu identifizieren, die den Synthesegasertrag beeinflussen. Die Ergebnisse unterstreichen die erheblichen Auswirkungen des Kohlenstoffgehalts, der Reaktortemperatur und des Dampf-Biomasse-Verhältnisses auf die Synthesegasproduktion. Das Kapitel diskutiert auch die Vorteile des erklärbaren maschinellen Lernens bei der Verbesserung des Verständnisses komplexer Wechselwirkungen innerhalb von Biomasse-Vergasungssystemen und unterstützt letztlich die Entwicklung effizienterer und nachhaltiger Energielösungen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe present study is a hybrid approach of machine learning (ML) based prediction and explainable machine learning (XML). Three different ML approaches like Linear Regression (LR), Decision Tree (DT), and Random Forest (RF), were used. An array of statistical and graphical methods was used for model evaluation and comparison. RF-based prediction model offered superior results, with an R2 score of 0.9650 for training data and 0.8525 for testing data. For the RF model, the mean squared error (MSE) values were 0.0181 and 0.0677, which means that the predictions were accurate and the models were able to generalize well. The combined error distribution plots illustrated a Gaussian shape and most of the data points centred around zero, suggesting the model was resilient and sans any systemic deviation. Parity plots showed that most of the predicted points are within 10% of the experimental values, which shows that the model is very accurate. The residuals were spread out at random, with no trend or bias, which proved that there was no underfitting or overfitting. SHapley Additive exPlanations (SHAP) analysis was used to make the model more transparent by finding the most important process factors that affect syngas yield and allowing for feature-level interpretability. The study found that the carbon content and steam-to-biomass ratio were the most important factors for higher syngas yield. The results show that explainable ML-based frameworks have a lot of potential for helping the switch to renewable energy by using strong and understandable modelling methods. -
Adaptive Polynomial Modeling for Temperature-Induced Error Mitigation in Fiber Bragg Grating Sensors
Satyapriya Satapathy, Ambarish G. Mohapatra, Jaideep Talukdar, Narayan Nayak, Ahmed Ali Hussein, Omar M. HusseinDieses Kapitel untersucht die Herausforderungen und Lösungen im Zusammenhang mit temperaturbedingten Fehlern bei Fiber Bragg Grating (FBG) -Sensoren, die für präzise Messungen in verschiedenen Bereichen von entscheidender Bedeutung sind. Die Studie konzentriert sich auf adaptive polynomale Modellierung als Methode, um diese Fehler abzumildern, und vergleicht sie mit traditionellen linearen Regressionstechniken. Experimentelle Daten aus kontrollierten Umgebungen zeigen die überlegene Genauigkeit der polynomalen Modellierung unter nichtlinearen thermischen Bedingungen. Die Ergebnisse unterstreichen die Bedeutung der Auswahl der geeigneten Kompensationsmethode auf Grundlage der spezifischen thermischen Eigenschaften der Sensorumgebung. In diesem Kapitel wird auch das Potenzial zukünftiger Fortschritte diskutiert, wie etwa die Integration künstlicher Intelligenz und die Erweiterung des Rahmenwerks zur Multiparameterkompensation. Insgesamt liefert die Forschung wertvolle Erkenntnisse zur Verbesserung der Zuverlässigkeit und Genauigkeit von FBG-Sensoren in realen Anwendungen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractFiber Bragg Grating (FBG) sensors are widely applied in aerospace engineering, structural health monitoring (SHM), biomedical instrumentation, and industrial process control due to their compact form, immunity to electromagnetic interference, and ability to function in extreme conditions. However, their precision is often compromised by temperature-induced Bragg wavelength shifts, resulting in cross-sensitivity between strain and temperature. This paper introduces an adaptive temperature compensation framework that integrates linear regression and polynomial modeling to address this challenge. Linear regression gives a simple solution to situations of near-linear temperature dependency whereas polynomial modeling includes the more complex nonlinear variation for a higher degree of precision. Through statistical verification with controlled laboratory readings, it is understood that the overall mean absolute error can be reduced by as high as 32% using polynomial fit to that of a linear regression. The possibility of implementing such models in the field through dynamic conditions is further indicated by implementing a simulation that simulates real sensing situations. The proposed approach is cost effective, little calibration is involved, and it is not complex in terms of hardware as traditional dual - FBG or reference sensor techniques. These results point to its promise to be highly accurate and stable in sensing over applications that vary in temperature. -
Distributed FBG Sensor Network with Edge Graph Neural Networks for Multi-patient Cardiac Health Monitoring Over URLLC in Healthcare 4.0
Abhimanyu Jena, Ambarish G. Mohapatra, Anita Mohanty, Mohammed Abdul Jaleel Maktoof, Aqeel Al-HilaliDieses Kapitel untersucht ein bahnbrechendes Rahmenwerk für die Überwachung der Herzgesundheit mehrerer Patienten in intelligenten Krankenhäusern. Es befasst sich mit der Integration verteilter Fiber Bragg Grating (FBG) -Sensoren, kantenbasierter Graph Neural Network (GNN) -Analysen und 5G-Konnektivität, um ein robustes und skalierbares Überwachungssystem zu schaffen. Der Text diskutiert die Vorteile von FBG-Sensoren gegenüber herkömmlichen EKG- und PPG-Geräten und hebt deren Immunität gegenüber elektromagnetischen Störungen und hohe Empfindlichkeit hervor. Sie erklärt auch die Rolle von GNNs bei der Verbesserung der Anomalieerkennung und der Unterdrückung von Bewegungsartefakten. Das Kapitel geht weiter auf die 5G-Netzwerkschnittstrategie ein, die eine extrem zuverlässige Kommunikation mit geringer Latenz für kritische Alarme sicherstellt. Das vorgeschlagene System wird durch Simulationen bewertet, die seine Wirksamkeit in realistischen Krankenhausszenarien demonstrieren. Die Schlussfolgerung unterstreicht das Potenzial dieses Rahmenwerks, die Herzüberwachung im Gesundheitswesen 4.0 zu revolutionieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractHealthcare 4.0 envisions intelligent hospital environments where continuous, non-invasive, and scalable patient monitoring is seamlessly integrated with advanced analytics and ultra-reliable communication. Traditional wearable cardiac monitors often suffer from performance degradation due to motion artifacts, electromagnetic interference (EMI) from nearby medical equipment, and limitations in monitoring multiple patients simultaneously. Fiber Bragg Grating (FBG) sensors, with their immunity to EMI, high multiplexing capacity, and mechanical sensitivity, offer an effective platform for distributed physiological signal acquisition. This paper presents a distributed FBG sensor network deployed across multiple patients and an edge-based Graph Neural Network (GNN) framework for robust cardiac health monitoring. The GNN leverages both temporal features of individual ballistocardiogram (BCG) signals and spatial correlations among patients to suppress artifacts and improve anomaly detection accuracy. A 5G architecture with Ultra-Reliable Low-Latency Communication (URLLC) slices is used for critical alert transmission, while enhanced Mobile Broadband (eMBB) handles periodic waveform uploads. Simulation results show that the proposed system achieves heart rate estimation with a Root Mean Square Error (RMSE) of 2.15 bpm, anomaly detection F1-score of 0.97, and end-to-end alert latency under 4 ms with 99.999% packet delivery reliability. These findings highlight the potential of combining distributed FBG sensing, edge GNN analytics, and 5G URLLC for next-generation, multi-patient cardiac monitoring in smart hospital settings. -
Sarcasm Detection in Text and Videos Using Deep Learning Techniques
R. Deepthi, T. Nutna Sowmya, V. Bhavya Sai, M. MadhaviDieses Kapitel vertieft sich in die Feinheiten der Erkennung von Sarkasmus mittels tiefer Lerntechniken, wobei der Schwerpunkt auf der Integration von textlichen und visuellen Hinweisen liegt. Die Methodik verwendet ein multimodales Rahmenwerk, das Gesichtsausdrücke, Körpersprache und kontextuelles Verständnis analysiert, um Sarkasmus in Videos und Texten zu erkennen. Das Kapitel beleuchtet den Einsatz von vorausgebildeten Transformatorenmodellen, konvolutionalen neuronalen Netzwerken (CNNs) und rekursiven neuronalen Netzwerken (RNNs), um diese vielfältigen Datenquellen zu verarbeiten und zu verschmelzen. Die Ergebnisse zeigen die Wirksamkeit dieses Ansatzes, wobei das Modell einen ausgewogenen Zielkonflikt zwischen Präzision und Rückruf erreicht. In diesem Kapitel werden auch die potenziellen Anwendungen dieser Technologie in der Markenbewertung, Kundenfeedback-Analyse und Echtzeit-Stimmungsanalyse auf Social-Media-Plattformen diskutiert. Durch die Überbrückung der Kluft zwischen textlichen und visuellen Daten bietet diese Forschung tiefere Einblicke in die Emotionen und Gefühle der Nutzer und ebnet den Weg für fundiertere Entscheidungsfindung und verbesserte Kundenbeziehungen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractBy combining picture and video feature extraction, the sentiment and sarcasm analysis method aims to transform social media analytics. Conventional sentiment analysis mostly concentrates on text, frequently ignoring the important contextual and emotional information found in visual and aural material. In sarcasm detection, which is essential for precisely comprehending consumer pleasure, brand impression, and product awareness, this difference is particularly troublesome. Deep Learning techniques are used in the suggested approach to address these constraints and provide a thorough multimodal analysis. Our technology combines contextual analysis from photos and videos, facial expressions and body language to capture the underlying emotions of user attitudes that text-only systems frequently overlook. This multimodal approach gives a more accurate and perceptive sentiment analysis that captures the genuine emotional undertones. -
An IoT-Enabled Smart Farming System Using LoRa: Integrating Meteorological and Sensor Data for Optimized Irrigation and Crop Health Monitoring
Raji Pandurangan, J. Swetha, M. K. Vishnuu PriyaDieses Kapitel untersucht die Entwicklung und Implementierung eines IoT-fähigen Smart-Farming-Systems, das meteorologische Daten mit feldspezifischen Sensoren integriert, um die Bewässerung zu optimieren und die Pflanzengesundheit zu überwachen. Das System nutzt ESP32 und LoRa-Technologie für eine langreichweitige, stromsparende Datenübertragung, wodurch auch in abgelegenen landwirtschaftlichen Gebieten eine zuverlässige Konnektivität gewährleistet ist. Zu den Schlüsselthemen zählen die Erfassung und Übertragung von Echtzeit-Daten, die Optimierung der Bewässerung auf Grundlage von Bodenfeuchtigkeit und Wettervorhersagen sowie die Überwachung der Pflanzengesundheit mittels Bildverarbeitung und maschinellem Lernen. Das System hat eine Verringerung des Wasserverbrauchs um 25% bei gleichzeitiger Aufrechterhaltung oder Verbesserung der Ernteerträge gezeigt und damit sein Potenzial für nachhaltige und effiziente landwirtschaftliche Praktiken unterstrichen. Darüber hinaus werden in dem Kapitel die Herausforderungen und der zukünftige Umfang der Einführung von IoT in der Landwirtschaft diskutiert und die Notwendigkeit weiterer Forschung und Entwicklung betont, um die Fähigkeiten und Zugänglichkeit des Systems für Kleinbauern zu verbessern.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractData-driven decision-making presents new prospects to boost agricultural output as a result of the Internet of Things’ (IoT) rapid progress. An IoT- enabled smart farming system that combines sensor networks and meteorological data to optimize irrigation and track crop health is presented in this study. The meteorological department gathers weather information, such as temperature and humidity, at hourly and daily intervals, with a focus on the area a few kilometers from the farmer’s field. With the use of ESP32 and LoRa modules, this data is sent to a central Raspberry Pi device, which can travel up to 15 km. Furthermore, the Raspberry Pi stores locally collected field data from the farmer, such as crop kind and soil properties. Temperature, humidity, and soil moisture sensors are used to track field conditions in real time. The solution helps farmers make well-informed irrigation decisions by combining this data. Additionally, crop health and growth are tracked using image processing tools, which allow for the early identification of possible problems. The goal of this smart farming solution is to give farmers useful information that will help them manage crops more effectively, use water more efficiently, and eventually produce better agricultural results. -
Quantum Based Gharial Search Optimization: A Novel Bio-inspired Algorithm
Lenin KanagasabaiDas Kapitel stellt den Quantum Based Gharial Search Optimization (QGSO) Algorithmus vor, einen neuartigen, bioinspirierten Ansatz, der das Stalking und das Klingeln von Garials imitiert. Dieser Algorithmus integriert Quantencomputer, um sowohl globale als auch lokale Untersuchungsprozesse zu verbessern, was ihn für Optimierungsaufgaben hocheffektiv macht. Der Text vertieft sich in das mathematische und wissenschaftliche Design der Beringungs- und Stalking-Segmente und erklärt, wie sie zur Leistung des Algorithmus beitragen. Die Validierung von QGSO wird anhand von sieben Benchmark-Funktionen und ihrer Anwendung in IEEE-30- und 57-Bussystemen demonstriert und zeigt signifikante Verbesserungen bei der Reduzierung von Verlusten und der Spannungsstabilität. Die Ergebnisse deuten darauf hin, dass QGSO andere bestehende Methoden übertrifft, was es zu einem vielversprechenden Werkzeug für die Optimierung in verschiedenen technischen und technologischen Anwendungen macht.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractStalking performances of Gharial is formulated in the Quantum based Gharial search optimization (QGSO) algorithm. In the algorithm design; ringing and stalking segments are defined mathematically. Gharial walking performances are defined scientifically in the ringing segment. Cooperative mode of Gharial stalking is mathematically defined in the stalking segment. The ringing segment is engaged to achieve the global optima through exploration and stalking segment is engaged to execute the local examination by means of exploitation. A fresh vibrant evolutionary intelligence is premeditated and engaged in the procedure of QGSO procedure in walking and stalking synchronization to augment the global and local examination. The victim impending stratagem is utilized to swap the stomach utilized walking period - it progresses the exploration capacity of the procedure and global, local examination is enhanced. Cauchy transformation stratagem is engaged in the scientific design of the stalking process. Validity of the Quantum based Gharial search optimization (QGSO) algorithm is verified in 7 benchmark functions and IEEE 30, 57 bus systems. -
Deep Learning-Driven Water Body Mapping Using Yolo Framework
Mayank Maiti, Sita Devi Bharatula, B. Naresh Kumar ReddyDieses Kapitel untersucht den Einsatz von Deep-Learning-Modellen, insbesondere YOLOv8, YOLOv9 und YOLOv10, zur Segmentierung von Gewässern aus Satellitenbildern. Die Studie konzentriert sich auf Seen und Stauseen in Tamil Nadu, Indien, wobei hochauflösende Bilder von Google Earth Pro und Sentinel-2 verwendet werden. Die Methodik umfasst Datenerhebung, Vorverarbeitung, Anmerkungen mittels CVAT und Modellschulungen. Die Ergebnisse unterstreichen die Präzision und den Rückruf jedes Modells, wobei YOLOv10 die beste Leistung zeigt. Das Kapitel behandelt auch die Beurteilung der Wasserqualität anhand von Pixelwerten und die Berechnung geometrischer Eigenschaften wie Fläche und Umfang. Die Schlussfolgerung betont das Potenzial künstlicher Raumfahrt für das Management von Wasserressourcen und zukünftige Forschungsrichtungen, einschließlich Echtzeitüberwachung und vorausschauender Analysen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis project is designed to tackle the most important and perennial problem of tracking water bodies especially in cities such as Chennai where issues of urban development coupled with climate change impacts pose severe water stress. The existing approaches to monitoring water bodies are not effective, can be extremely expensive, and typically do not offer the timely information required for control and management. This study is here targeted to automate the detection and assessment of lakes and reservoirs using satellite images from Sentinel-1 and Sentinel-2 together with AI model YOLO. Here attention is focused on the method of segmentation for water bodies from the satellite images, uses an advanced YOLO segmentation models for its high speed and accurate results, as works for measuring areas of the segmented water bodies by its pixel values and aspect ratios of the satellite images. This paper presents a novel technique that is reusable and relatively inexpensive for providing continuous water quality monitoring, which is essential in decision-making and future resource allocation. This work can enhance real-time monitoring of environment with the view of helping governments and all other stakeholders in the area of water scarcity and its associated risks. -
Optimizing Engine Settings Using Response Surface Methodology for Better Efficiency
Lan Huong Nguyen, Duc Chuan Nguyen, Van Quy Nguyen, Huu Cuong Le, Dao Nam CaoDieses Kapitel untersucht die Optimierung der Einstellungen von Dieselmotoren unter Verwendung von Biodieselmischungen aus Altbratöl und Response Surface Methodology (RSM). Die Studie zielt darauf ab, den thermischen Wirkungsgrad der Bremse (BTE) und den bremsspezifischen Kraftstoffverbrauch (BSFC) in Einklang zu bringen, um die Motorleistung zu verbessern und die Emissionen zu verringern. Wichtige Themen sind die Herstellung und Eigenschaften von Biodieselmischungen, der Versuchsaufbau mit einem Einzylinder-Dieselmotor und die Anwendung von RSM zur Datenanalyse und -optimierung. Die Ergebnisse zeigen den signifikanten Einfluss von Motorlast und Biodieselmischungsverhältnissen auf die Leistungskennzahlen, wobei sich RSM als wirksames Werkzeug zur Modellierung und Optimierung der Motoreinstellungen erwiesen hat. Die Studie kommt zu dem Schluss, dass Biodieselmischungen die Effizienz der Motoren steigern und gleichzeitig die Emissionen senken können, was eine nachhaltige Alternative zu herkömmlichen Dieselkraftstoffen darstellt.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis research explores the utilization of waste cooking oil (WCO) biodiesel as a substitute fuel in a diesel engine. The study investigated the use of different biodiesel-diesel blends having different Lower Calorific Values (LCV). The Engine was tested at different Engine Load (EL) to assess its Brake Specific Fuel Consumption (BSFC) and Brake Thermal Efficiency (BTE). To find an optimal balance between BTE and BSFC, the Response Surface Methodology (RSM) was used for modeling and establishing the link between the control factors (EL and LCV) and the response variables (BTE and BSFC). The results demonstrate that both higher EL and higher LCV make BTE better and BSFC lower. The best EL was 94.57%, the best LCV was 41558.29 kJ/kg, the best BTE was 30.10%, and the best BSFC was 0.191 kg/kW-hr. The desirability score was 0.989. The study backs up the idea that WCO biodiesel is an effective alternative fuel that helps achieve SDG 7 and net-zero targets. RSM worked efficiently find the best engine settings for the best performance, therefore this approach may be used with a lot of other types of engines and alternate fuels. -
Data-Driven Prediction of Coal and Biomass Co-gasification
Thi Thu Ha Nguyen, Thanh Hieu Chau, Duc Chuan Nguyen, Van Quy Nguyen, Anh Quan Nguyen, Tran Ngoc Anh Ho, Huu Cuong LeDieses Kapitel geht dem nachhaltigen Energiepotenzial der Co-Vergasung von Kohle und Biomasse nach und konzentriert sich auf die Vorhersage des Synthesegasertrags mittels maschineller Lernmodelle. Die Studie vergleicht die Leistung der Modelle Linear Regression, Decision Tree und XGBoost bei der Vorhersage der Synthesegasproduktion, wobei sich XGBoost als das genaueste und zuverlässigste herauskristallisiert hat. Die Analyse umfasst die Sammlung von Daten aus seriösen Quellen, Modellschulungen und Leistungsbewertungen anhand von Metriken wie R-squared, Mean Squared Error und Mean Absolute Percentage Error. Die Ergebnisse unterstreichen die überlegenen Vorhersagefähigkeiten von XGBoost und machen es zu einem wertvollen Werkzeug zur Optimierung von Vergasungsprozessen. Das Kapitel diskutiert auch die Auswirkungen dieser Erkenntnisse auf das Erreichen der globalen Netto-Null-Ziele und der Ziele für nachhaltige Entwicklung, insbesondere im Zusammenhang mit der Reduzierung der Kohlenstoffemissionen und der Umstellung auf umweltfreundlichere Energiesysteme.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractGasification is a complex process characterized by nonlinear physicochemical interactions and variable operating conditions, rendering conventional modelling tools, which rely on simplistic assumptions, inadequate for precise predictions. This study addresses these issues by developing and accessing three machine learning models—Linear Regression, Decision Tree, and XGBoost—to forecast the syngas yield from the co-gasification of coal and biomass. The parity plots, residual density analysis, and fundamental statistical metrics were employed to assess performance. The Linear Regression model achieved training and testing R2 values of 0.8719 and 0.8119, respectively. Nonetheless, it exhibited a substantial testing mean absolute percentage error (MAPE) of 127.90%, indicating difficulty in capturing nonlinearities. The Decision Tree model significantly improved performance, with a training R2 of 0.9890, a testing R2 of 0.8912, and a testing MAPE that was reduced by 67.23%. The XGBoost model demonstrated optimal performance, with a testing R2 of 0.9844 and a testing MAPE of 64.09%, indicating a nearly perfect match. The results indicate that advanced machine learning techniques, particularly XGBoost, enhance the reliability and accuracy of gasification process modelling, hence facilitating data-driven process optimization. -
Improving Ship Fuel Consumption Estimates with Tuned XGBoost Models
Thi Bich Thuy Hoang, Thanh Hai Truong, Van Quy Nguyen, Phuoc Quy Phong Nguyen, Viet Dung Tran, Nguyen Dang Khoa PhamDas Kapitel geht der entscheidenden Rolle genauer Schätzungen des Schiffskraftstoffverbrauchs (SFC) bei der Reduzierung von Kosten und Emissionen in der maritimen Industrie nach. Es untersucht die Anwendung von Extreme Gradient Boosting (XGBoost) Modellen, die durch Hyperparameteroptimierung verbessert werden, um SFC-Vorhersagen zu verbessern. Die Studie vergleicht drei Optimierungsmethoden - Netzsuche, zufällige Suche und bayesianische Optimierung - und hebt deren Auswirkungen auf die Modellleistung hervor. Die Ergebnisse deuten darauf hin, dass die bayesianische Optimierung die genauesten und zuverlässigsten Vorhersagen liefert und die anderen Methoden sowohl in der Trainings- als auch in der Testphase übertrifft. In diesem Kapitel wird auch die Bedeutung der Berücksichtigung domänenspezifischer Faktoren, wie etwa maritimen Betriebsbedingungen, in der maschinellen Lernpipeline diskutiert. Durch die Integration dieser Faktoren zielt der vorgeschlagene Rahmen darauf ab, einen effizienteren und umweltfreundlicheren Seeverkehr zu unterstützen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThis study looks at how several hyperparameter optimization (HPO) methods—Grid Search Optimization (GSO), Random Search, and Bayesian Optimization helps in improving ship fuel consumption employing Extreme Gradient Boosting. The framework combines machine learning (XGBoost) with smart optimization to improve marine operations. The scatter plots and time-series comparisons were employed to compare each optimization approach. The statistical evaluation measures like R2, Mean Squared Error (MSE), and Mean Absolute Error (MAE) were employed to measure performance. GSO has a modest level of predictive alignment, considerable dispersion, and a greater MSE, which means there is space for improvement. Random Search shows tighter clustering and improved consistency, which leads to superior performance in both the training and testing stages. Bayesian Optimization does better than both, giving the greatest R2 values and the lowest error metrics. Its predictions are also closer to the real values. The study also looks at how well each method balances exploration and exploitation in the hyperparameter space. These results are useful for ship operators and policymakers who want to cut down on fuel expenditures and pollution. The suggested method adds to the increasing area of data-driven maritime analytics and offers a flexible and effective way to use machine learning models for operational forecasting tasks. -
Design and Performance Evaluation of a Hybrid Renewable Energy System for Sustainable Mechanical Operations in Industrial Applications
Abhimanyu Jena, Prashanta Kumar Nayak, Bishnupriya Sahoo, Ambarish G. Mohapatra, Anita Mohanty, Mohammed I. HabelalmateenDieses Kapitel befasst sich mit der Konzeption und Leistungsbewertung eines speziell auf industrielle mechanische Vorgänge zugeschnittenen hybriden Systems für erneuerbare Energien (HRES). Das System integriert Solar-, Wind- und Biomasse-Energiequellen mit intelligenten Regelalgorithmen, um die Energieverteilung zu optimieren und die Systemstabilität zu verbessern. Der Text untersucht die Vorteile des Einsatzes von Fuzzy Logic Controllern (FLC) gegenüber herkömmlichen regelbasierten Controllern (RBC) und zeigt, wie FLCs das Energiemanagement verbessern und Betriebskosten senken können. Das Kapitel präsentiert auch eine vergleichende Analyse verschiedener Regelungsstrategien und hebt die Vorteile intelligenter Regelalgorithmen in industriellen Anwendungen hervor. Darüber hinaus diskutiert der Text die wirtschaftlichen und ökologischen Vorteile des vorgeschlagenen Hybridsystems, einschließlich einer Reduzierung der Nettogegenstandskosten (NPC) und der nivellierten Energiekosten (LCOE). Das Kapitel schließt mit Empfehlungen für zukünftige Forschung und praktische Umsetzungsstrategien, was es zu einer wertvollen Ressource für Fachleute macht, die versuchen, Lösungen für erneuerbare Energien in Industriebetriebe zu integrieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractHybrid Renewable Energy Systems (HRES) are gaining significant attention for their potential to offer a sustainable and uninterrupted power supply in industrial environments. These systems integrate multiple renewable energy sources such as photovoltaic panels, wind turbines, and biomass converters, which collectively enhance reliability, reduce carbon footprint, and optimize energy costs. This paper investigates the design, simulation, and performance evaluation of an HRES tailored for sustainable mechanical operations in industrial settings. The system integrates three core components: photovoltaic arrays (Monocrystalline silicon panels), horizontal-axis wind turbines (HAWT), and a biomass gasifier-based generator. Each unit is interfaced with a power-conditioning unit and connected to a hybrid controller for energy management. Sensors, including pyranometers, anemometers, and thermocouples, are incorporated to monitor real-time environmental parameters. This paper proposes a framework that evaluates energy efficiency, power reliability, and cost optimization under varying load and weather conditions. A performance comparison is conducted between two different controller strategies: Rule-Based Control (RBC) and Fuzzy Logic Control (FLC). Key performance indicators such as Levelized Cost of Energy (LCOE), Renewable Energy Fraction (REF), and Net Present Cost (NPC) are analyzed. Simulation outcomes confirm that the proposed hybrid configuration can significantly enhance energy stability and operational sustainability in mechanical industries. The incorporation of biomass energy as a supplementary source enables system resilience during low solar and wind periods. The findings offer valuable insights into future integration strategies of renewable systems in industrial contexts and establish a basis for intelligent energy policy design aimed at industrial decarbonization. -
Thermo-Mechanical Optimization of Energy Storage Materials for Smart Grid and Environmental Applications
Bright Keswani, Sangita Gupta, Ashish Avasthi, Ranu Burad, Ambarish G. Mohapatra, Mohammed Al-FarouniDieses Kapitel untersucht die thermomechanische Optimierung von Energiespeichermaterialien, die für Smart-Grid- und Umweltanwendungen von entscheidender Bedeutung sind. Es untersucht die Bewertung zweier technischer Materialsysteme durch Simulationen intelligenter Stromnetze und konzentriert sich dabei auf deren Energiespeicherung, Wärmeübertragung und Zugverhalten. Die Studie unterstreicht die Bedeutung des Wärmemanagements und der mechanischen Stabilität bei der Verbesserung der Leistung und Haltbarkeit von Energiespeichern. Durch detaillierte Simulationen und vergleichende Analysen identifiziert das Kapitel die überlegene Leistung von Modell B, das im Vergleich zu Modell A eine bessere Wärmeleitfähigkeit, Energierückhaltung und Stresstoleranz aufweist. Die Ergebnisse unterstreichen die Bedeutung der Co-Optimierung thermischer und mechanischer Eigenschaften, um nachhaltige und effiziente Energiespeicherlösungen für moderne Energiesysteme zu erreichen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractBetter sustainable energy storage solutions demand strong materials development since the smart grid infrastructure needs them. The properties needed for stationary energy storage elements consist of robust mechanical elements and thermal management functionality, since these features control operational stability and grid functionality. The study investigates optimal thermal and mechanical functionalities that result from combining graphite-modified paraffin-based phase change materials within CNT-reinforced ceramic matrix composites. Energy control systems and environmental management applications were evaluated for feasibility through tests that combined equal heat treatments with mechanical tests. A research model analyzed heat storage by having mathematical heat conduction methods merge with stress-strain evaluations to monitor material deterioration effects and structural stability. Repeated loading caused material degradation of the paraffin-graphite material system (model A), leading to failure and stress-related damage because it accumulated minimal thermal stress. The CNT-ceramic material in model B performed heat conductance well within high-energy storage while sustaining its structural integrity through repeated operation cycles at a minimum elastic strain rate. Analysis of the CNT-reinforced structure system performs both thermal functionality assessment and material strength reinforcement evaluation by using graphical and numerical measurement methods during the evaluation process. The research data shows that grid architecture requires energy storage units with exceptional operational efficiency, together with optimal mechanical and thermal characteristics. Design procedures obtain optimized materials and intelligent selection strategies from these investigational studies. Extensive energy management needs additional method development, which requires simulation outcomes to serve as fundamental components. -
Edge-Enabled Intelligence: Leveraging Cloudless AI and AIOps Frameworks for Advanced Fraud Detection in Retail Transactions
Milankumar Rana, Monika Malik, Nandita GiriDieses Kapitel geht auf das transformative Potenzial von Edge Computing und KI bei der Betrugserkennung im Einzelhandel ein und präsentiert ein umfassendes Rahmenwerk, das wolkenlose KI und AIOps für mehr Sicherheit und Effizienz nutzt. Die Studie skizziert die Entwicklung von Betrugserkennungssystemen und zeigt die Grenzen traditioneller Cloud-basierter Ansätze auf, wie Latenzprobleme und datenschutzrechtliche Bedenken. Es führt eine neuartige Architektur ein, die Edge Processing Units, lokale Intelligenz-Engines und AIOps-Controller integriert, um Echtzeit-Betrugserkennung mit minimaler Latenz und hoher Genauigkeit zu ermöglichen. Die Forschung zeigt signifikante Verbesserungen bei der Erkennungsgenauigkeit, die Fehlalarme um 76,5% verringern und eine Erkennungsrate von 97,4% erreichen. Das Kapitel untersucht auch die strategischen Vorteile wolkenloser KI, einschließlich Datensouveränität, Einhaltung von Vorschriften und Kosteneffizienz. Durch die Untersuchung der Integration von AIOps-Rahmenwerken zeigt die Studie, wie autonome Optimierung die Erkennungsalgorithmen kontinuierlich verbessern und langfristige Effektivität gewährleisten kann. Die Ergebnisse unterstreichen die Praxistauglichkeit und Skalierbarkeit der kantenbasierten Betrugserkennung im realen Einzelhandelsumfeld und bieten eine robuste Lösung für moderne Betrugsprävention.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe rise in online shopping has made it much easier for criminals to commit fraud, so new ways to find and stop it are needed. This paper presents a new way to improve fraud detection in retail settings by combining cloudless AI solutions with AIOps (Artificial Intelligence for IT Operations) frameworks. Our method uses edge computing architectures to process transaction data on-site. This maintains a high level of detection accuracy while lowering latency and increasing privacy. The proposed system employs adaptive learning mechanisms, real-time anomaly detection, and machine learning algorithms to uncover fraud tendencies independently of cloud infrastructure [8]. We tested our strategy using a dataset consisting of 2.3 million retail transactions. It is 97.4% accurate and only gives a false positive 0.8% of the time. This one is 23% better than the usual cloud-based options. Using cloudless architecture, the average reaction time went down from 850 ms to 120 ms, all while still following data sovereignty regulations. This study contributes to the expanding body of research on how AI may be used on the edges of networks. It also allows organizations to improve their fraud prevention without sacrificing efficiency or compliance with the law. -
A Robust Decision Tree Framework for Lung Cancer Diagnosis Assessment
Tanay Changoiwala, Hrudaya Kumar Tripathy, Mariwan Jalal Tawfeek, Emad Hasan HusainDieses Kapitel untersucht die Entwicklung und Umsetzung eines Rahmenwerks für Entscheidungsbäume zur Lungenkrebsfrüherkennung, wobei der Schwerpunkt auf der Verwendung klinischer und demografischer Daten liegt, um Genauigkeit und Interpretierbarkeit zu verbessern. Das Rahmenwerk adressiert zentrale Herausforderungen bei der Erkennung von Lungenkrebs, einschließlich Datenungleichgewicht und Überanpassung, durch Techniken wie ADASYN zur Generierung synthetischer Daten und Beschneidung zur Modelloptimierung. Die Studie unterstreicht die Bedeutung der Merkmalsauswahl für die Verbesserung der Modellleistung und diskutiert die Genauigkeit, Präzision und Abrufkennzahlen des Modells. Darüber hinaus vergleicht das Kapitel das vorgeschlagene Modell mit bestehenden Forschungsergebnissen und demonstriert seine Wettbewerbsfähigkeit und sein Potenzial für die Anwendung in der realen Welt. Die Schlussfolgerung betont die Praktikabilität des Modells und schlägt zukünftige Verbesserungen durch die Integration zusätzlicher Datenquellen wie genetische Marker und bildgebende Daten vor.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractDespite the successful treatment of some forms of the disease, lung cancer continues to be the leading cause of mortality worldwide and occurs largely at an advanced stage because the disease is asymptomatic in its early development. This paper addresses this challenge by proposing a robust lung cancer diagnostic framework based on decision trees for early detection of lung cancer. First, they are more interpretability friendly for their interpretability in terms of the traceability of diagnostic pathways and usable insights. Preprocessing methods including ADASYN are used to overcome the class imbalances, along with a pruning technique to prevent overfitting while using demographic, clinical and symptomatic features to form the model. The decision tree was evaluated using accuracy, precision, recall and F1 score, the test data accuracy was 94%. The presented methodology is scalable, transparent and suitable for real world applications; as a result we present a solution for evaluating early lung cancer detection that is accessible and interpretable. The framework is then compared with related works for its reliability and adaptability, and challenges faced including imbalanced datasets, feature selection, clinical workflows integration. In this study we demonstrate the capacity for decision trees to democratize lung cancer diagnostics and enhance outcomes, particularly in underserved areas. -
MicroNMDNet: Deep Learning Driven Dimensionality Reduction and Classification for Neuromuscular Dystrophy
Aditya Khamparia, Chandan Singh, Deepak Gupta, Nirbhay TiwariDieses Kapitel untersucht die Herausforderungen und Lösungen bei der Diagnose der Facioscapulohumeralen Muskeldystrophie (FSHD) anhand von Genexpressionsdaten. Die Studie konzentriert sich auf die Anwendung von Wavelet-Transform Generative Adversarial Networks (WT-GAN), um begrenzte Datensätze zu erweitern und damit die Klassifizierungsleistung signifikant zu verbessern. Schlüsselthemen sind die Beschränkungen traditioneller Techniken zur Datenvermehrung, die Methodik von WT-GAN und die Bewertung verschiedener Klassifikatoren. Die Ergebnisse zeigen deutliche Verbesserungen bei Genauigkeit, F1-Score und ROC AUC, insbesondere bei schwächeren Modellen. Die Studie kommt zu dem Schluss, dass WT-GAN ein vielversprechender Ansatz zur Verbesserung der Diagnosegenauigkeit bei seltenen Krankheiten mit knappen Daten ist.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe diagnosis of rare muscular disorder such as Facioscapulohumeral Muscular Dystrophy (FSHD) using gene expression data through machine learning and deep learning presents a major challenge due to limited data availability. This leads to overfitting and poor generalization capability of the model. To address this problem our study presents a Wavelet transformation - generative adversarial network (WT-GAN) based data augmentation model (MicroNMDNet) for micro-array dataset.We used publicly available FSHD dataset (GEO accession GSE 39398) which contains gene expression data of 50 samples. Out of which 26 were FSHD affected samples and 24 were healthy samples. As the micro-array dataset has high dimensions(33,297) we applied wavelet transform to decompose each gene expression signal into approximation (cA) and detail (cD) coefficients. These components retain important aspects and pattern from original dataset.MicroNMDNet-GAN a WT-GAN architecture is used where generator tries to generate realistic approximation coefficients (cA) from random noise and discriminator tries to differentiate between real cA and generated cA. Detail coefficient (cD) is sampled from training data in a class balanced manner (25 FSHD + 25 normal) and combined with generated cA. After applying inverse wavelet transformation 50 new synthetic gene expression samples are created which are further merged with original dataset.The augmented data is used to train classifiers to differentiate between FSHD and healthy samples. The model was evaluated using metrics such as Accuracy, F1-score, ROC-AUC and confusion metrics. Results showed that performance of model improved when data augmentation is applied on the dataset using WT-GAN.In summary, our study demonstrates that data augmentation with WT-GAN can yield promising results which offers a promising approach for bio-informatics and precision medicine tasks.
- Titel
- Proceedings of Fifth International Conference on Computing and Communication Networks
- Herausgegeben von
-
Gia-Nhu Nguyen
Abhishek Swaroop
Pancham Shukla
- Copyright-Jahr
- 2026
- Verlag
- Springer Nature Switzerland
- Electronic ISBN
- 978-3-032-14194-1
- Print ISBN
- 978-3-032-14193-4
- DOI
- https://doi.org/10.1007/978-3-032-14194-1
Die PDF-Dateien dieses Buches wurden gemäß dem PDF/UA-1-Standard erstellt, um die Barrierefreiheit zu verbessern. Dazu gehören Bildschirmlesegeräte, beschriebene nicht-textuelle Inhalte (Bilder, Grafiken), Lesezeichen für eine einfache Navigation, tastaturfreundliche Links und Formulare sowie durchsuchbarer und auswählbarer Text. Wir sind uns der Bedeutung von Barrierefreiheit bewusst und freuen uns über Anfragen zur Barrierefreiheit unserer Produkte. Bei Fragen oder Bedarf an Barrierefreiheit kontaktieren Sie uns bitte unter accessibilitysupport@springernature.com.