Published January 1, 2022 | Version v1
Publication Open

Transmission Probability of SARS-CoV-2 in Office Environment Using Artificial Neural Network

Creators

  • 1. Academy of Scientific and Innovative Research
  • 2. Central Building Research Institute
  • 3. Dehradun Institute of Technology University
  • 4. Indian Institute of Technology Roorkee

Description

In this paper, curve-fitting and an artificial neural network (ANN) model were developed to predict R-Event.Expected number of new infections that arise in any event occurring over a total time in any space is termed as R-Event.Real-time data for the office environment was gathered in the spring of 2022 in a naturally ventilated office room in Roorkee, India, under composite climatic conditions.To ascertain the merit of the proposed ANN and curve-fitting models, the performances of the ANN approach were compared against the curve fitting model regarding conventional statistical indicators, i.e., correlation coefficient, root mean square error, mean absolute error, Nash-Sutcliffe efficiency index, mean absolute percentage error, and a20-index.Eleven input parameters namely indoor temperature (T In ), indoor relative humidity (RH In ), area of opening (A O ), number of occupants (O), area per person (A P ), volume per person (V P ), CO 2 concentration (CO 2 ), air quality index (AQI), outer wind speed (W S ), outdoor temperature (T Out ), outdoor humidity (RH Out ) were used in this study to predict the R-Event value as an output.The primary goal of this research is to establish the link between CO 2 concentration and R-Event value; eventually providing a model for prediction purposes.In this case study, the correlation coefficient of the ANN model and curve-fitting model were 0.9992 and 0.9557, respectively.It shows the ANN model's higher accuracy than the curvefitting model in R-Event prediction.Results indicate the proposed ANN prediction performance (R=0.9992,RMSE=0.0018708,MAE=0.0006675,MAPE=0.8643816,NS=0.9984365, and a20-index=0.9984300) is reliable and highly accurate to predict the R-event for offices.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

في هذه الورقة، تم تطوير نموذج تركيب المنحنى والشبكة العصبية الاصطناعية (ANN) للتنبؤ بـ R - Event. يُطلق على العدد المتوقع من الإصابات الجديدة التي تنشأ في أي حدث يحدث على مدار فترة زمنية إجمالية في أي مساحة اسم R - Event. تم جمع بيانات الوقت الفعلي لبيئة المكتب في ربيع عام 2022 في غرفة مكتب ذات تهوية طبيعية في روركي، الهند، في ظل ظروف مناخية مركبة. للتأكد من ميزة نماذج ANN المقترحة ونماذج تركيب المنحنى، تمت مقارنة أداء نهج ANN بنموذج تركيب المنحنى فيما يتعلق بالمؤشرات الإحصائية التقليدية، أي معامل الارتباط، خطأ مربع متوسط الجذر، يعني مطلق الخطأ، ومؤشر كفاءة ناش- ساتكليف، ومتوسط النسبة المئوية المطلقة للخطأ، ومؤشر a20. تم استخدام معلمات إدخال أحد عشر وهي درجة الحرارة الداخلية (T In )، والرطوبة النسبية الداخلية (RH In)، ومنطقة الفتح (A O)، وعدد الركاب (O)، والمساحة للشخص الواحد (A P )، والحجم للشخص الواحد (V P )، وتركيز ثاني أكسيد الكربون (CO 2 )، ومؤشر جودة الهواء (AQI)، وسرعة الرياح الخارجية (W S )، ودرجة الحرارة الخارجية (T Out )، والرطوبة الخارجية (RH Out ) في هذه الدراسة للتنبؤ بقيمة R - Event كناتج. الهدف الأساسي من هذا البحث هو إنشاء الرابط بين تركيز ثاني أكسيد الكربون وقيمة R - Event ؛ في نهاية المطاف توفير نموذج لأغراض التنبؤ. في دراسة الحالة هذه، كان معامل الارتباط لنموذج ANN ونموذج تركيب المنحنى 0.9992 و 0.9557، على التوالي. يوضح دقة نموذج ANN أعلى من نموذج تركيب المنحنى في تنبؤ R - Event. تشير النتائج إلى أن أداء تنبؤ ANN المقترح (R=0.9992،RMSE = 0.0018708، MAE = 0.0006675، MAPE = 0.8643816، NS = 0.9984365، ومؤشر 20 = 0.9984300) موثوق به ودقيق للغاية للتنبؤ بحدث R للمكاتب.

Translated Description (French)

Dans cet article, l'ajustement des courbes et un modèle de réseau neuronal artificiel (RNA) ont été développés pour prédire R-Event.Le nombre attendu de nouvelles infections qui surviennent en tout état de cause sur une période totale dans n'importe quel espace est appelé R-Event.Les données en temps réel pour l'environnement de bureau ont été recueillies au printemps 2022 dans un bureau naturellement ventilé à Roorkee, en Inde, dans des conditions climatiques composites.Pour déterminer le mérite des modèles RNA et d'ajustement des courbes proposés, les performances de l'approche RNA ont été comparées au modèle d'ajustement des courbes concernant les indicateurs statistiques conventionnels, c'est-à-dire le coefficient de corrélation, l'erreur quadratique moyenne, l'absolu moyen erreur, indice d'efficacité de Nash-Sutcliffe, pourcentage d'erreur absolu moyen et un indice de 20. Onze paramètres d'entrée à savoir la température intérieure (T In ), l'humidité relative intérieure (RH In ), la zone d'ouverture (A O ), le nombre d'occupants (O), la zone par personne (A P ), le volume par personne (V P ), la concentration de CO 2 (CO 2 ), l'indice de qualité de l'air (IQA), la vitesse du vent extérieur (W S ), la température extérieure (T Out ), l'humidité extérieure (RH Out ) ont été utilisés dans cette étude pour prédire la valeur R-Event en tant que résultat. L'objectif principal de cette recherche est d'établir le lien entre la concentration de CO 2 et la valeur de l'événement R ; éventuellement fournir un modèle à des fins de prédiction. Dans cette étude de cas, le coefficient de corrélation du modèle ANN et du modèle d'ajustement de courbe était de 0,9992 et 0,9557, respectivement. Il montre la précision plus élevée du modèle ANN que le modèle d'ajustement de courbe dans la prédiction de l'événement R. Les résultats indiquent que la performance de prédiction ANN proposée (R=0,9992,RMSE = 0,0018708, MAE = 0,0006675, MAPE = 0,8643816, NS = 0,9984365 et a20-index = 0,9984300) est fiable et très précise pour prédire l'événement R pour les bureaux.

Translated Description (Spanish)

En este documento, el ajuste de curvas y un modelo de red neuronal artificial (ANN) se desarrollaron para predecir R-Event. El número esperado de nuevas infecciones que surgen en cualquier evento que ocurre durante un tiempo total en cualquier espacio se denomina R-Event. Los datos en tiempo real para el entorno de la oficina se recopilaron en la primavera de 2022 en una sala de oficinas con ventilación natural en Roorkee, India, en condiciones climáticas compuestas. Para determinar el mérito de los modelos propuestos de ANN y de ajuste de curvas, los rendimientos del enfoque de ANN se compararon con el modelo de ajuste de curvas con respecto a los indicadores estadísticos convencionales, es decir, coeficiente de correlación, error cuadrático medio, promedio absoluto error, índice de eficiencia de Nash-Sutcliffe, error porcentual absoluto medio y a20-index. En este estudio se utilizaron once parámetros de entrada, a saber, temperatura interior (T In ), humedad relativa interior (RH In), área de apertura (A O), número de ocupantes (O), área por persona (AP ), volumen por persona (V P), concentración de CO 2 (CO 2), índice de calidad del aire (AQI), velocidad del viento exterior (W S), temperatura exterior (T Out ), humedad exterior (RH Out ) para predecir el valor R-Event como resultado. El objetivo principal de esta investigación es establecer el vínculo entre la concentración de CO 2 y el valor de R-Evento; proporcionando finalmente un modelo para fines de predicción. En este estudio de caso, el coeficiente de correlación del modelo ANN y el modelo de ajuste de curva fueron 0,9992 y 0,9557, respectivamente. Muestra la mayor precisión del modelo ANN que el modelo de ajuste de curva en la predicción de R-Evento. Los resultados indican que el rendimiento de predicción ANN propuesto (R=0,9992,RMSE = 0,0018708, MAE = 0,0006675, MAPE = 0,8643816, NS = 0,9984365 y a20-index = 0,9984300) es confiable y altamente preciso para predecir el R-evento para oficinas.

Files

09953986.pdf.pdf

Files (245 Bytes)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:d81a9ddfee929de07bc9904125000508
245 Bytes
Preview Download

Additional details

Additional titles

Translated title (Arabic)
احتمالية انتقال فيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة في البيئة المكتبية باستخدام الشبكة العصبية الاصطناعية
Translated title (French)
Probabilité de transmission du SRAS-CoV-2 dans un environnement de bureau utilisant un réseau neuronal artificiel
Translated title (Spanish)
Probabilidad de transmisión del SARS-CoV-2 en el entorno de la oficina utilizando una red neuronal artificial

Identifiers

Other
https://openalex.org/W4312949608
DOI
10.1109/access.2022.3222795

Is supplement to
https://openalex.org/W2544423928 (Other)
https://openalex.org/W2314720829 (Other)
https://openalex.org/W2187401768 (Other)
https://openalex.org/W2181743346 (Other)
https://openalex.org/W2181413294 (Other)
https://openalex.org/W2102148524 (Other)
https://openalex.org/W2073681303 (Other)
https://openalex.org/W2053286651 (Other)
https://openalex.org/W2052122378 (Other)
https://openalex.org/W2051487156 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
India

References

  • https://openalex.org/W1970363213
  • https://openalex.org/W1973838049
  • https://openalex.org/W1984982865
  • https://openalex.org/W1985976032
  • https://openalex.org/W2005374071
  • https://openalex.org/W2019398050
  • https://openalex.org/W2021019339
  • https://openalex.org/W2037481461
  • https://openalex.org/W2047372975
  • https://openalex.org/W2124776405
  • https://openalex.org/W2155482699
  • https://openalex.org/W2171127896
  • https://openalex.org/W2413990308
  • https://openalex.org/W2564667983
  • https://openalex.org/W2736115389
  • https://openalex.org/W2792873660
  • https://openalex.org/W2799524318
  • https://openalex.org/W2901312569
  • https://openalex.org/W3012099172
  • https://openalex.org/W3012501839
  • https://openalex.org/W3016529082
  • https://openalex.org/W3023638757
  • https://openalex.org/W3025773241
  • https://openalex.org/W3031297371
  • https://openalex.org/W3034510846
  • https://openalex.org/W3039563778
  • https://openalex.org/W3081625436
  • https://openalex.org/W3082726209
  • https://openalex.org/W3083500095
  • https://openalex.org/W3087558377
  • https://openalex.org/W3092519877
  • https://openalex.org/W3100559380
  • https://openalex.org/W3103543186
  • https://openalex.org/W3105224959
  • https://openalex.org/W3111440965
  • https://openalex.org/W3126546596
  • https://openalex.org/W3129372920
  • https://openalex.org/W3132480196
  • https://openalex.org/W3138600228
  • https://openalex.org/W3150212664
  • https://openalex.org/W3152912772
  • https://openalex.org/W3155096667
  • https://openalex.org/W3168749070
  • https://openalex.org/W3194080835
  • https://openalex.org/W3195875324
  • https://openalex.org/W3201483749
  • https://openalex.org/W3203616051
  • https://openalex.org/W3209900426
  • https://openalex.org/W3212892223
  • https://openalex.org/W4200448631
  • https://openalex.org/W4205285310
  • https://openalex.org/W4206239237
  • https://openalex.org/W4210596691
  • https://openalex.org/W4213059002
  • https://openalex.org/W4220699921
  • https://openalex.org/W4221018578
  • https://openalex.org/W4224084748
  • https://openalex.org/W4296120530
  • https://openalex.org/W4387578478