CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

پیش بینی کمیت پسماند شهری با استفاده از مدل های هوشمند و آنالیز عدم قطعیت آن ها

عنوان مقاله: پیش بینی کمیت پسماند شهری با استفاده از مدل های هوشمند و آنالیز عدم قطعیت آن ها
شناسه ملی مقاله: JR_ESTJ-22-1_014
منتشر شده در در سال 1399
مشخصات نویسندگان مقاله:

مریم عباسی - استادیار گروه محیط زیست، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.
ملیحه فلاح نژاد - دکتری گروه مهندسی محیط زیست، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران.
روح الله نوری - استادیار گروه مهندسی محیط زیست، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران.
مریم میرابی - استادیار گروه محیط زیست، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.

خلاصه مقاله:
زمینه و هدف: اولین قدم برای طراحی سیستم های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می­باشد. پیش بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده ترین مسایل مهندسی می باشد. به همین خاطر، لزوم استفاده از مدل هایی که قابلیت مدل سازی پدیده های پیچیده را دارند، به­خوبی روشن می باشد. هدف از این مطالعه، پیش­بینی کمیت پسماند با استفاده از مدل­های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن­ها می­باشد روش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سال های ۱۳۸۰ تا ۱۳۹۰ برای پیش بینی هفتگی استفاده گردید. جهت مدل­سازی از مدل­های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک­ترین همسایه استفاده گردید. پس از بهینه­سازی پارامترهای هر مدل، با استفاده از از شاخص­های آماری، عملکرد مدل­ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل­سازی با کمک روش مونت کارلو انجام گرفت. یافته­ها: نتایج نشان داد که ضریب اطمینان (۲R) مدل های شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب ۶۷/۰، ۶۹/۰، ۷۲/۰ و ۶۴/۰ می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدل ها، عدم قطعیت کم‍تری داشته و نسبت به داده های ورودی کم‍ترین حساسیت را دارد. بحث و نتیجه گیری: مدل های هوشمند از توانایی رضایت بخشی برای پیش­بینی کمی پسماند برخوردارند و در بین مدل های هوشمند          مورد­­ مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدل ها، عدم قطعیت کم­تری برخوردار بود.

کلمات کلیدی:
پیش بینی کمی تولید پسماند, شبکه عصبی مصنوعی, ماشین بردار پشتیبان, کا نزدیک ترین همسایه, سیستم استنتاجی تطبیقی نروفازی, آنالیز عدم قطعیت

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1287576/