The Internet of Things (IoT) has the potential to revolutionize the way we work by incorporating essential end devices (ED) into connected all smart devices. Low-power wide-area networks (LPWANs) determine the maximum number of end devices (EDs) supported by the network and distribute data through these EDs. However, the delay and action of space are inefficient. However, implementing and training a Double Deep Q Learning (DDQL) network can be computationally intensive and involve a significant amount of data transmission, posing a risk to network security. While DDQL can optimize resource allocation based on the network, the proposed technique is essential for significantly improving actions and reducing the risk of transmitted data in LoRaWAN. It supports EDs while ensuring lower power consumption, thereby increasing network capacity. Although the proposed DDQL technique exhibits high performance compared to existing methods such as Hybrid Adaptive Data Rate (HADR), Low-Power Multi-Armed Bandit (LP-MAB) and non-destructive adaptive data rate (ND-ADR, it achieves outstanding results. The outcomes include an Energy Consumption of 0.02J, Packet Delivery Ratio (PDR) of 0.56 and a Packet Loss Ratio (PLR) of 0.72, surpassing existing methods in the context of IoT.

Detection of plant disease is the most important aspect in agriculture, aimed at identifying and diagnosing disease that affect plants. If the plant disease detected earlier, that helps to avoid risk from damaging plants and the soil. However, there is a difficulty to differentiate the diseased and healthy leaves due to similarity of disease symptoms. To solve this problem, an effective Wavelet Kernel Extreme Learning Machine (WKELM) classifier is proposed for distinguishing diseased and healthy plants. Images from the PlantVillage dataset are preprocessed using Bilateral filter and then segmented by Adaptive Gaussian Threshold (AGT) to separate the diseased portion from leaf. MobileNetV3 a Convolutional Neural Network (CNN) used for effective feature extraction with the hyper parameters which are tuned using effective Emperor Penguin Optimizer (EPO) and classification is done by the WKELM for accurate results of plant disease. The experimental results of the proposed model performed by the evaluation metrics achieved accuracy of 99.7 % , recall of 99.6%, precision of 99.6%, F1-score of 99.7% which is greater than other existing deep learning models like CNN, Transfer learning with Deep CNN models, CNN - Visual Geometry Group (VGG).

This study emphasises how crucial it is to implement clean energy technology, especially electro-chemical systems, in order to reduce the emission of green-house and fulfil the world's growing energy needs. The study highlights the significance of sustainable resources such as wind and solar electricity. It also examines the difficulties associated with their intermittent nature and proposes changes to consumer behaviour and power producing practices. It talks about current research on candidate materials at the fundamental level and emphasises the crucial role customised materials play in electro-chemical systems. The paper explores the several uses of electro-chemical energy technology, explaining the classifications and operation of fuel cells, batteries, and capacitors, among other devices. The paper concludes by arguing that further advancements in materials and technology are essential to securing a reliable and efficient energy supply in the future.

Quality drinking water is of prime importance for human need. Potable water comes from surface water and groundwater sources and it is acceptable for human consumption. The method of storing water plays a crucial role in maintaining its purity and safety for human consumption. Due to lack of continuous water supply, storage tanks are necessary to store water and storage tank material may affect the quality of potable water. The objective of this study is to investigate the variation in water quality during storage for some particular time period in different types of storage containers. 40 days (six weeks) is considered to determine potable water quality variation during storage in different container materials and materials used for containers are plastic tanks, clay pot and Reinforced Cement Concrete. To find the water quality parameters, samples are to be collected at five days interval. During the period of storage, physical, chemical and biological water quality parameters are to be determined. Parameters obtained from above tests are analyzed to understand the effect of age and container material on the quality of potable water. This analysis is useful to choose the material of storage container to store water for a particular period of time.

With the proliferation of surveillance cameras, managing and analyzing vast amounts of video data have become challenging. This paper introduces a sustainable automated approach to detect abnormal events in surveillance footage. Leveraging Convolutional Neural Networks (CNNs) and deep learning techniques, our system identifies unusual activities by analyzing video frames. By automating this process, we reduce the burden of manual monitoring and enable timely responses to security threats. This sustainable solution has broad applications in public safety, security, and crime prevention.