مدلسازی و تخمین انتشار آلاینده های خودرو با استفاده از شبکه عصبی و رگرسیون بردار پشتیبان: مطالعه موردی در تبریز و خوزستان

در این مقاله مسئله مورد مطالعه و هدف، مدلسازی پیش بینی غلظت آلاینده های منوکسیدکربن (CO)، ترکیبات آلی فرار (VOC) و هیدروکربن ها (HC) می باشد. بدین منظور، داده های به دست آمده از دو مرکز معاینه فنی، به عنوان ورودیهای مدل پرسپترون چندلایه (MLP) و رگرسیون بردار پشتیبان (SVR) در نظر گرفته شد. با توجه به تاثیر پارامترهای متعدد بر میزان انتشار آلاینده، در این پژوهش پارامترهایی از جمله رطوبت نسبی، دما، شیبجاده و سرعت متوسط بر روی میزان آلایندههای ذکر شده مورد بررسی قرار گرفت. به منظور مدلسازی و در نهایتبهینهسازی پارامترهای عملیاتی از روشهای هوشمند MLP و SVR استفاده شده است. نتایج نشان داد که با افزایش رطوبت هوا از ۲۰ % به ۸۰ %، میزان انتشار CO از ۴۸۸ به ۵۰۹ گرم در روز افزایش مییابد که معادل با۷/۵% افزایش است. علاوهبراین، با افزایش شیب جاده از ۷/۲ به ۸/۴ درجه، انتشار آلاینده HC، ابتدا کاهش و سپس افزایش مییابد. در دماهای ثابت ۲۵˚C ۵ با افزایش رطوبت هوا، میزان انتشار آلاینده HC افزایش می یابد. همچنین در سطوح ثابت رطوبت نسبی (۸۰%-۰%) با افزایش دما میزان انتشار آلاینده HC افزایش می یابد.