فهرست مطالب محمد مینوسپهر
-
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، سال چهل و هشتم شماره 1 (پیاپی 90، بهار 1397)، صص 67 -75شناخت کمیت پسماندهای یک شهر یا منطقه، لازمه برنامه ریزی در زمینه مدیریت پسماند است. روش دستیابی به کمیت پسماندها دانستن سرانه یا نرخ تولید آن است. در خصوص پیش بینی مقادیر سرانه تولید پسماند تا کنون در اکثر مدل های تدوین شده از داده های سری زمانی مربوط به منطقه مورد مطالعه استفاده شده است. اما در شرایطی که چنین داده هایی موجود نباشد استفاده از سیستم های هوشمند پیش بینی نظیر تکنیک های یادگیری ماشین که بر اساس داده های اندازه گیری شده در یک سال تدوین شوند، بسیار مؤثر خواهند بود. از آنجا که داده های زمان مندی جهت مقادیر سرانه تولید پسماند مناطق جمعیتی ساحلی جنوب ایران جهت طراحی اصولی سیستم مدیریت پسماند وجود نداشته است، در این مطالعه با در نظر گرفتن پارامترهای ارتفاع از سطح دریا، جمعیت، درجه شهری و تناوب جمع آوری پسماند، توانایی روش های هوشمند MLP، SVM و M5P در پیش بینی سرانه تولید پسماند شهرها و روستاهای ساحلی استان هرمزگان بکار گرفته شده و با هم مقایسه شده است. نتایج حاصله نشان دهنده این است که روش M5P با مقدار مجذور میانگین مربعات خطا (RMSE) (gr/d) 34/55 و میانگین قدر مطلق خطای نسبی (MARE) 26/6 درصد، بهترین عملکرد را نسبت به سایر روش ها دارد.کلید واژگان: پیش بینی سرانه تولید پسماند, شبکه عصبی پرسپترون, ماشین بردار پشتیبان, مدل درخت تصمیم}Journal of Civil and Environmental Engineering University of Tabriz, Volume:48 Issue: 1, 2018, PP 67 -75Knowing the quantity of generated solid waste play a very significant role in solid waste management programs in a region. Due to lack of measured data as well as unavoidable errors in measurements, assessment of volume of generated solid waste is always challenging. Also, field measurement and continues monitoring of the volume of solid waste is usually costly, difficult and time-consuming. Accurate prediction of solid waste generation can be regarded as a key factor in future solid waste management system planning. Conventional forecasting methods in solid waste generation forecasting frequently use the demographic and socioeconomic factors in a per capita basis. In most cases, insufficient funds, the limited measuring equipment, lack of appropriate management systems and due to the lack of recorded data for the volume of generated solid waste cause many problems in integrated solid waste systems management (Dyson and Chang, 2005). In this study, three computational intelligence techniques including M5P model trees, support vector machines (SVM) and multi-layer perceptron (MLP) artificial neural network are utilized to predict solid waste generation in Hormozgan Province, Iran. After a sensitivity analysis, four more influential factors including elevation, population, urban development index (measures the level of development in cities based on infrastructure, the municipality established year, the metropolitan area, population, city product and income, health and education) and the frequency of garbage collection were considered in developing models. The performance of proposed models in solid waste generation forecasting are assessed via different error evaluation indices and finally the results are compared.Keywords: Solid waste Generation forecasting, Multi, layer perceptron, Support vector machines, M5P model trees}
-
دراک همچنان استوار در برابر ناملایمات زمانه
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.