Abstract:
پیشبینی کمیت تولید،نقش اساسی در بهینهسازی و برنامهریزی سیستم مدیریت مواد زاید جامد شهری دارد.اما به دلیل طبیعت ناهمگون و تأثیر عوامل متنوع و خارج از کنترل بر تولید،همواره با مشکلات زیادی همراه بوده است.شبکهء عصبی مصنوعی اخیرا در بسیاری از کاربردهای مهندسی نظیر مهندسی محیط زیست بهعنوان ابزاری قدرتمند در مدلسازی مورد توجه قرار گرفته است.در این تحقیق باتوجه به دینامیک و پیچیده بودن سیستم مدیریت مواد زاید جامد،از مدل ترکیبی شبکهء عصبی مصنوعی با تابع آموزش لونبرگ-مارگویت و تبدیل موجک(مدل عصبی-موجکی)برای پیشبینی کمیت تولید هفتگی در شهر تهران استفاده شده است.برای این منظور از مجموعهء زمانی تولید این شهر در فاصله زمانی سالهای 1380 تا سه ماههء نخست 1385 که به صورت هفتگی مرتب شده بودند،استفاده شد.بعد از آموزش و تست مدلهای استفاده از تبدیل موجک در پیشپردازش متغیرهای ورودی،تأثیر مثبتی در پیشبینی میزان تولید هفتگی در این شهر ایجاد کرده،بهطوری که موجب افزایش چشمگیری در دقت محاسبات مدل شده است.این بهبود در مورد ضریب همبستگی مدلها(به تصویر صفحه مراجعه شود)در مرحلهء صحتسنجی،از 0/5 در مدل شبکهء عصبی به 0/9 در مدل شبکهء عصبی-موجکی است.همچنین معیار قدر مطلق میانگین خطای نسبی نیز در مدل شبکه عصبی از 5/99 درصد به 1/92 درصد در مدل شبکه عصبی-موجکی کاهش پیدا کرده است.
Machine summary:
"در این تحقیق باتوجه به دینامیک و پیچیده بودن سیستم مدیریت مواد زاید جامد،از مدل ترکیبی شبکهء عصبی مصنوعی با تابع آموزش لونبرگ-مارگویت و تبدیل موجک(مدل عصبی-موجکی)برای پیشبینی کمیت تولید هفتگی در شهر تهران استفاده شده است.
بعد از آموزش و تست مدلهای استفاده از تبدیل موجک در پیشپردازش متغیرهای ورودی،تأثیر مثبتی در پیشبینی میزان تولید هفتگی در این شهر ایجاد کرده،بهطوری که موجب افزایش چشمگیری در دقت محاسبات مدل شده است.
تا به حال روشهای زیادی برای تخمین نرخ تولید زباله ارائه شده که از مهمترین این روشها میتوان به روشهای سنتی، نظیر آنالیز وزنی-حجمی و آنالیز توازن مواد و روشهای جدیدتر مانند رگرسیون خطی چندمتغیره(عبدلی و همکاران،6831)و شبکهء عصبی مصنوعی((به تصویر صفحه مراجعه شود))(جلیلی و نوری،8002)اشاره کرد.
به همین دلیل در این تحقیق تأثیر پیشپردازش متغیرهای ورودی به ANN توسط تبدیل موجک((به تصویر صفحه مراجعه شود))بررسی و در قالب مطالعهای موردی،توانایی مدل WNN برای پیشبینی تولید هفتگی شهر تهران ارزیابی و با نتایج ANN مورد مقایسه قرار گرفته است.
برای این منظور و همچنین تخمین تولید زباله در یک هفته بعد،از مجموعهء زمانی تولید این شهر در سالهای 0831 تا سه ماهه نخست 5831 که به صورت هفتگی مرتب شده بودند با 21 تأخیر زمانی بهعنوان ورود به مدل شبکهء عصبی و شبکهء عصبی-موجکی استفاده شد.
(به تصویر صفحه مراجعه شود) شکل شمارهء(5):تحلیل آستانهء خطای مطلق نسبی برای دو مدل ANN و WNN نتیجهگیری باتوجه به اهمیت پیشبینی کمیت تولید در مدیریت مواد زاید جامد،هدف از این مقاله ارائهء مدلی مناسب برای این منظور بود."