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

چکیده زمینه و هدف: مدل­سازی گردو غبار می­تواند به عنوان یک ابزار مناسب برای پیش­بینی گردو غبار 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 گردو غبار خروجی از دودکش اصلی کارخانه سیمان سبزوار واقع در استان خراسان رضوی استفاده شد. مواد و روش ها: در محدوده مطالعاتی مورد نظر، ابتدا میزان غلظت گردو غبار خروجی از دودکش اصلی کارخانه سیمان به وسیله اندازه­گیری­های میدانی به دست آمد. سپس با به کار­گیری 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 گردو غبار استفاده شد. مقادیر حاصل از اجرای مدل­ها، با نتایج اندازه­گیری­های میدانی به عنوان انتخاب مدل برتر، مورد مقایسه قرار گرفت. یافته­ها: دربررسی نمودار­ها و پارامتر­های آماری، مقادیر میانگین مربعات خطا برای دو مدل شبکه­های عصبی پرسپترون و پایه شعاعی به ترتیب برابر 1/787 و 21/263 و مقادیر ضریب همبستگی به ترتیب 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 گردو غبار بود. نتیجه­گیری: به دلیل قابلیت بالای شبکه عصبی پرسپترون در پیش­بینی میزان غلظت گردو غبار، این مدل می­تواند یک راه حل مناسب و سریع در پیش­بینی میزان گردو غبار صنایع باشد. نوع مقاله:مقاله پژوهشی کلید واژه ها: کارخانه سیمان، گردو غبار، شبکه­های عصبی مصنوعی، آلودگی هوا

کلیدواژه ها:

کارخانه سیمان ، گرد و غبار ، شبکه های عصبی مصنوعی ، آلودگی هوا