۲۲۹۲۸پ
per
پیش بینی آلاینده های هوای شهر تبریز با استفاده از شبکه‌های عصبی مصنوعی کلاسیک و احساسی
Prediction of Air Contaminants of Tabriz City using Classic and Emotional Artificial Neural Networks
/حسین کریم زاده
: مهندسی عمران
، ۱۳۹۹
، عباسپور
۱۰۸ص
چاپی
کارشناسی ارشد
عمران - گرایش محیط زیست
۱۳۹۹/۰۵/۲۷
تبریز
مدل سازی آلاینده های زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهره گیری از نتایج حاصله می‌صتوان اقدامات پیشگیرانه ای جهت بهبود شرایط آتی اتخاذ کرد .در صورتی که بتوان الگویی قابل اطمینان برای پیش بینی وضعیت آتی آلاینده های موجود در هوای شهر به عنوان مثال شهر تبریز ارایه داد، می‌صتوان با شناخت دقیق‌صتری که از روند آینده آنها به دست می آید، راهکاری مناسب با کارایی بالا برای مقابله با هر یک از این آلاینده ها، طراحی کرد .به طور کلی آلودگی هوا در سطح شهری چون تبریز دارای سه ویژگی است :۱ .منابع آلودگی یا آلاینده ها که مواد مضر برای سلامتی انسان را وارد اتمسفر می کنند .۲ .انتشارات که از طریق جو از طریق فرآیند پخش و انتشار انجام می شود .در میان شرایط جوی عامل باد، جهت و سرعت آن بسیار تعیین کننده است .۳ .پتانسیل آلوده شدن که وابسته به محیط و موقعیت جغرافیایی و توپوگرافی است .برای مدلسازی آلودگی هوای شهر تبریز، ابتدا داده‌صهای هواشناسی و داده‌صهای آلاینده‌صی مورد نظر برای سالهای ۹۴ تا۹۷ ؛ از سازمان هواشناسی و سازمان محیط زیست شهر اخذ گردید .ورودی‌صهای مدلسازی عبارت بودند از دما، سرعت باد، رطوبت و آلاینده‌صی مورد نظر(CO ،PM۱۰ ، NO۲ و SO۲) با تاخیر یک گام زمانی .داده‌صها بر اساس داده‌صهای روزانه بررسی شدند بطوریکه در هر روز، ۳ داده مربوط به ساعت‌صهای ۱۱، ۱۷ و ۲۳ بعنوان ساعاتی که آلودگی تغییرات چشمگیری داشت انتخاب شدند .همچنین داده‌صهای ترافیکی با تقریبی متناسب شامل ساعت‌صهای وارد شده، ص‌شاخص ساعت روزانه╗ و روزهای وارد شده، ص‌شاخص روز هفتگی╗ استفاده شدند ۷۵ .درصد داده‌صها برای کالیبره نمودن و ۲۵ درصد داده‌صها برای صحت‌صسنجی استفاده شدند .آنگاه آلاینده‌صهای هوای شهر تبریز توسط سه مدلسازی سیستم استنتاج عصبی فازی انطباقی(ANFIS) ، شبکه عصبی مصنوعی (ANN) و شبکه عصبی مصنوعی احساسی (EANN) پیش‌صبینی گردیدند .بر اساس DC صحت سنجی، مدلسازی ANN نسبت به ANFIS دارای عملکرد بهتر و همچنین EANN نسبت به ANN و ANFIS دارای عملکرد بهتر بوده است .بطوریکه در مورد آلاینده‌صی CO بر اساس DC صحت سنجی، مدلسازی ANN نسبت به ANFIS دارای ۱۶ درصد عملکرد بهتر و همچنین EANN نسبت به ANN و ANFIS به ترتیب دارای ۹ درصد و ۲۷ درصد عملکرد بهتر داشته است .در مورد آلاینده‌صیPM۱۰ ، بر اساس DC صحت سنجی، مدلسازی ANN نسبت به ANFIS دارای ۳۴ درصد عملکرد بهتر و همچنین EANN نسبت به ANN و ANFIS به ترتیب دارای ۱۱ درصد و ۴۹ درصد عملکرد بهتر داشته است در مورد آلاینده‌صیNO۲ ، بر اساس DC صحت سنجی، مدلسازی ANN نسبت به ANFIS دارای ۲ درصد عملکرد بهتر و همچنین EANN نسبت به ANN و ANFIS به ترتیب دارای ۲۹ درصد و ۳۱ درصد عملکرد بهتر داشته است .در مورد آلاینده‌صیSO۲ ، بر اساس DC صحت سنجی، مدلسازی ANN نسبت به ANFIS دارای ۲۴ درصد عملکرد بهتر و همچنین EANN نسبت به ANN و ANFIS به ترتیب دارای ۲۴ درصد و ۵۵ درصد عملکرد بهتر داشته است .مدل ANN بعلت ساختار هوش مصنوعی آن که دارای نرون نیز هست، یک مدلسازی خوب برای آلاینده‌صهای هوا محسوب می-گردد .مدل ANFIS نیز یک مدل ترکیبی از مدلسازی فازی و هوش مصنوعی است که در نتایج می‌صتواند بهبود ایجاد نماید اما در تحقیق حاضر، دلیل عملکرد بهتر ANN نسبت به ANFIS را می‌صتوان در تعداد بالای لایه‌صهای مدل ANFIS بیان نمود که چون در مدلسازی حاضر، تعداد ورودی‌صها نیز بسیار بالا می‌صباشد، با یک RMSE کوچک خطا در ابتدا، خطای غیرخطی نهایی بالا بدست آمد .همچنین دلیل برتری EANN نسبت به مدل‌صهای دیگر می‌صتوان بعلت افزوده شدن هورمون به ساختار در کنار نرون‌صهای موجود در آن، توجیه نمود
fuzzy inference system (ANFIS), artificial neural network (ANN) and artificial neural network (EANN). Based on DC verification, ANN modeling performed better than ANFIS, and EANN performed better than ANN and ANFIS. As for CO pollution based on DC verification, ANN modeling performed 16 better than ANFIS, and EANN performed 9 and 27 better than ANN and ANFIS, respectively. In the case of PM10 pollution, according to DC verification, ANN modeling performed 34 better than ANFIS, and EANN performed 11 and 49 better than ANN and ANFIS, respectively. Based on DC verification, ANN modeling performed 2 better than ANFIS, and EANN performed 29 and 31 better than ANN and ANFIS, respectively. In the case of SO2 contamination, based on DC verification, ANN modeling performed 24 better than ANFIS, and EANN performed 24 and 55 better than ANN and ANFIS, respectively. The reason for the better ANN performance than ANFIS can be stated in the high number of layers of ANFIS model that because in the present modeling, the number of inputs is also very high, with a small error RMSE at first, the final nonlinear error is high. The reason for the superiority of EANN can also be explained by the addition of hormones. - Modeling of environmental pollutants is one of the basic needs in the field of air quality monitoring, which can be used to prevent preventive measures to improve future conditions. If a reliable model can be provided to predict the future state of pollutants in the city's air, such as the city of Tabriz, a more efficient solution can be found with more accurate knowledge of their future trends designed to deal with each of these pollutants. In general, air pollution in urban areas such as Tabriz has three characteristics: Sources of pollution or pollutants that enter the atmosphere harmful to human health. And. Publications that are done through the atmosphere through the broadcasting process. Among the atmospheric conditions, the wind, its direction and speed are very decisive. And. The potential for contamination depends on the environment and geographical location and topography. To model air pollution in Tabriz, first the meteorological data and the polluting data for the years 94 to 97; It was obtained from the Meteorological Organization and the city's Environment Organization. Modeling inputs included temperature, wind speed, humidity, and pollution with a time lag. The data were analyzed based on daily data, so that every day, 3 data related to 11, 17 and 23 hours were selected as the hours when the pollution had significant changes. Traffic data were also used with an approximate proportion including hours entered, "daily hour index" and days entered, "weekly day index". 75 of the data were used for calibration and 25 of the data were used for validation. Then, the air pollutants of Tabriz were predicted by three modeling of adaptive neural
Prediction of Air Contaminants of Tabriz City using Classic and Emotional Artificial Neural Networks
کریم زاده، حسین
Karimzadeh, Hossein
نورانی، وحید، استاد راهنما
حسینی بقانام، آیدا، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
