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
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:
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.
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/