پیش بینی پسماند تولیدی شهر تهران با استفاده از سامانه استنتاج تطبیقی فازی-عصبی و شبکه‌های عصبی مصنوعی

نویسندگان

  • رضا علیمردانی استاد، دانشکده مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران
  • محمد شریفی استادیار، دانشکده مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران
چکیده

پیش بینی کمیت تولید، نقش به سزایی در بهینه سازی و برنامه ریزی سامانه­ مدیریت پسماند­های جامد شهری دارد، اما به علت دینامیک بودن سامانه های مدیریت پسماند، پیچیدگی روابط بین متغیر ورودی و خروجی، در دسترس نبودن و یا ناکافی بودن اطلاعات و همچنین تاثیر عوامل متغیر و غیرقابل کنترل همواره کار مشکلی بوده است. امروزه استفاده از سامانه های هوشمند به عنوان راهکاری نوین در تحلیل مسائل زیست محیطی، گسترش یافته است. در این پژوهش توانایی دو مدل هوشمند شبکه عصبی با تابع آموزش لونبرگ مارکوارت و همچنین سامانه استنتاج تطبیقی فازی-عصبی برای تخمین میزان تولید پسماندهای ماهانه شهر تهران مقایسه گردید. برای این منظور از داده های مربوط به جمعیت، الگوهای فصلی، کل بارندگی ماهانه، میانگین دمای ماهانه، ارتفاع از سطح دریا، میانگین رطوبت ماهانه و کل پسماند تولیدی (TSW) این شهر در فاصله زمانی 1389 تا 1394 که به صورت ماهانه مرتب شده بودند، استفاده شد. بعد از آموزش و آزمون مدل­های شبکه عصبی و سامانه استنتاج تطبیقی فازی­-عصبی نتایج این مدل­ها مورد مقایسه قرار گرفت. نتایج به دست آمده از این پژوهش نشان داد که مدل فازی-عصبی با ضریب تعیین 963/0، جذر میانگین مربعات خطا 096/0و درصد میانگین مطلق خطا 05/1 نسبت به مدل شبکه عصبی با ضریب تعیین 852/0، جذر میانگین مربعات خطا 132/0و درصد میانگین مطلق خطا 19/1 دارای عملکرد بهتری می­باشد. همچنین نتایج بررسی دو مدل نشان داد که در هر دو مدل با داده­های ورودی الگوهای فصلی، کل بارندگی ماهانه، میانگین دمای ماهانه، میانگین رطوبت ماهانه و کل پسماند تولیدی (TSW) می­توان به پیش­بینی دقیق­تری دست یافت.

برای دانلود باید عضویت طلایی داشته باشید

برای دسترسی به متن کامل این مقاله و 10 میلیون مقاله دیگر ابتدا ثبت نام کنید

ثبت نام

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

پیش بینی و اطمینان از کیفیت روغن زیتون بکر با استفاده از سامانه استنتاج فازی– عصبی تطبیقی

تخمین پارامترهای کیفی روغن زیتون دارای اهمیت ویژه‌ای در روش‌های کنترل کیفیت مدرن است یکی از مهم‌ترین مشکلات در هنگام پیش بینی کیفیت روغن در طی نگهداری، پیچیدگی ویژگی‌های فیزیکو شیمیایی ماده اولیه و اختلاف داده ها به علل مختلف است. مدل‌سازی پایداری اکسایشی روغن زیتون با استفاده از سامانه استنتاج فازی– عصبی تطبیقی می‌تواند به بهبود فرآیند کنترل کیفیت این محصول کمک کند. ثبات اکسایشی یکی از پارامتر...

متن کامل

پیش‌بینی فشار در شبکه‌های آبرسانی با استفاده از شبکه‌های عصبی مصنوعی و استنتاج فازی

فشار نقاط مصرف در شبکه‌های آب‌رسانی یکی از مهم‌ترین پارامترهای هیدرولیکی است که می‌تواند در مدیریت بهینه شبکه‌های توزیع آب مورد استفاده قرار گیرد. از آن‌جایی‌که فشار، اثرات متفاوتی بر پارامترهای مختلف مدیریت شبکه، همچون عملکرد هیدرولیکی، قابلیت اطمینان، پایداری شبکه و نشت دارد، لذا شناسایی روند تغییرات و تعیین میزان آن از اهمیت بسیاری در سطوح مختلف مدیریتی برخوردار است. بخش قابل توجهی از آب ورو...

متن کامل

پیش بینی و اطمینان از کیفیت روغن زیتون بکر با استفاده از سامانه استنتاج فازی– عصبی تطبیقی

تخمین پارامترهای کیفی روغن زیتون دارای اهمیت ویژه ای در روش های کنترل کیفیت مدرن است یکی از مهم ترین مشکلات در هنگام پیش بینی کیفیت روغن در طی نگهداری، پیچیدگی ویژگی های فیزیکو شیمیایی ماده اولیه و اختلاف داده ها به علل مختلف است. مدل سازی پایداری اکسایشی روغن زیتون با استفاده از سامانه استنتاج فازی– عصبی تطبیقی می تواند به بهبود فرآیند کنترل کیفیت این محصول کمک کند. ثبات اکسایشی یکی از پارامتر...

متن کامل

تخمین هوشمند حداکثر عمق آب‌شستگی اطراف آب‌شکن‌های L شکل با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی- عصبی

از جمله مسایل مهم در طراحی آب‌شکن‌ها، پدیده آب‌شستگی موضعی دماغه آنها می‌باشد که به‌علت تنگ‌شدگی مقطع جریان و وجود گردابه‌های قوی به‌وجود می‌آید و یکی از شاخص‌های مهم در تعیین مشخصات حفره‌ی آب‌شستگی، حداکثرعمق آب‌شستگی می‌باشد. امروزه شبکه‌های عصبی کاربردهای بسیاری در مسایل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل مؤثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است. بنابراین در این پژوهش از...

متن کامل

پیش بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی بر مبنای هوش مصنوعی، اغلب برای پیش بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش بینی ها1 (esp) و تفکیک مدل‏سازی برای متغیرهای اقلیمی و هیدرولوژیکی، از مدل‏های مفهومی برای پیش بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می شود. سیستم استنتاج فازی برای پیش بینی بارش فصلی به صور...

متن کامل

ذخیره در منابع من

ذخیره در منابع من ذخیره شده در منابع من

{@ msg_add @}

  با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی راحت تر خواهید کرد

دانلود متن کامل

برای دسترسی به متن کامل این مقاله و 10 میلیون مقاله دیگر ابتدا ثبت نام کنید

ثبت نام

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید


عنوان ژورنال:

دوره 47  شماره 1

صفحات  175- 183

تاریخ انتشار 2016-04-20

با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.

copyright © 2015-2021