ارزیابی دقت‌ شبکه های عصبی مصنوعی (MLP و RBF) در پیش بینی گرد و غبار کارخانه سیمان سبزوار

Abstract

<strong>چکیده</strong><br /> <strong>زمینه و هدف: </strong>مدل­سازی گردو‌غبار می­تواند به عنوان یک ابزار مناسب برای پیش­بینی گردو‌غبار صنایع در آینده و تعیین استراتژی­های کنترل انتشار آلاینده­ها تلقی شود. در این مطالعه از شبکه­های عصبی پرسپترون (MLP) و پایه شعاعی (RBF) به عنوان ابزاری برای پیش­بینی گردو‌غبار خروجی از دودکش اصلی کارخانه سیمان سبزوار واقع در استان خراسان رضوی استفاده شد.<br /> <strong>مواد و روش‌ها: </strong>در محدوده مطالعاتی مورد نظر، ابتدا میزان غلظت گردو‌غبار خروجی از دودکش اصلی کارخانه سیمان به وسیله اندازه­گیری­های میدانی به‌دست آمد. سپس با به‌کار­گیری پارامتر­های خط تولید (درجه حرارت، سرعت گاز خروجی، ولتاژ، سوخت، مواد خام و مدت زمان نمونه­برداری)، به عنوان داده­های ورودی به شبکه­های عصبی، جهت پیش­بینی میزان غلظت گردو‌غبار استفاده شد. مقادیر حاصل از اجرای مدل­ها، با نتایج اندازه­گیری­های میدانی به‌عنوان انتخاب مدل برتر، مورد مقایسه قرار گرفت.<br /> <strong>یافته­ها: </strong>دربررسی نمودار­ها و پارامتر­های آماری، مقادیر میانگین مربعات خطا برای دو مدل شبکه­های عصبی پرسپترون و پایه شعاعی به‌ترتیب برابر 1/787 و 21/263 و مقادیر ضریب همبستگی به‌ترتیب برابر 0/99693 و 0/95811 بود که نشانگر خطای کمتر و همبستگی بیشتر مدل شبکه­های عصبی پرسپترون نسبت به مدل پایه شعاعی در پیش­بینی میزان غلظت گردو‌غبار بود.<br /> <strong>نتیجه­گیری: </strong>به دلیل قابلیت بالای شبکه عصبی پرسپترون در پیش­بینی میزان غلظت گردو‌غبار، این مدل می­تواند یک راه‌حل مناسب و سریع در پیش­بینی میزان گردو‌غبار صنایع باشد<strong>.</strong><br /> <strong>نوع مقاله:</strong>مقاله پژوهشی<br /> <strong>کلید واژه</strong><strong>‌</strong><strong>ها: </strong>کارخانه سیمان، گردو‌غبار، شبکه­های عصبی مصنوعی، آلودگی هوا