پیش بینی غلظت ذرات معلقPM 10در هوای تهران توسط مدلهای شبکه عصبی و مقایسه آن با مدل های رگراسیون چند متغیره
محل انتشار: چهاردهمین کنگره ملی مهندسی شیمی ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 829
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NICEC14_797
تاریخ نمایه سازی: 3 آذر 1391
چکیده مقاله:
ذرات معلق تأثیرات مخربی روی سلامتی انسان دارند. تهران تحت تأثیر دلایل زیادی که یکی از آنها موقعیت جغرافیایی اش می باشد از نظر آلودگی هوا شرایط بسیار بدی دارد و ، به همین دلیل توسعه روشهای پیشبینی و سیستمهای هشدار در مورد کیفیت هوا از جملهنیازهای روزافزون شهروندان تهرانی میباشد. هدف از این تحقیق توانایی پیش بینی غلظت ذرات معلق با اندازه ی زیر 10 میکرون PM10) برای تهران است،که به این منظور اطلاعات مربوط به سه پایگاه نمونهبرداری متفاوت که عبارتند از ایستگاههای بازار، فاطمی واقدسیه درنظر گرفته شدهاند. شبکه عصبی بهکار گرفته شده در این تحقیق پرسپترون چندلایهMLP است. سپس جوابهای حاصل از این مدل با مقادیر حاصله از مدل رگرسیون چند متغیره مقایسه میشود و مشاهده شده که ضریب همبستگی در مدل شبکه عصبی به میزان0/761میرسد و برتری قطعی روش پرسپترون چندلایه را به مدلهای رگرسیون چندمتغیره مشخص میشود. نتایج مدل برای دورههای زمانی کوتاهتر یعنی یکساله بهتر از دوساله و سه ساله است و این امر به نوسانهای زیاد دادهها در دوره های طولانی که بر عملکرد شبکه تأثیر سوء میگذارد، برمیگردد. کیفیت دادههای ورودی در جوابهای شبکه نقش مؤثری دارند و نیز اثر دادههایی که ثبت نشدهاند بر جوابهای شبکه منفی میباشد.
کلیدواژه ها:
نویسندگان
محمد سلطانیه
استاد، دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف
پریوش مصلحی
مربی، دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف
مهدی الله یاری
دانش آموخته کارشناسی ارشد، دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :