شماره کتابشناسی ملی
شماره
۲۱۶۶۶پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
مدل های ترکیبی بر اساس هوش مصنوعی برای پیش بینی کوتاه مدت غلظت آلاینده هوا
عنوان اصلي به زبان ديگر
Ensemble AI-Based Models for Short-Term Prediction of air pollutant Concentration
نام نخستين پديدآور
/زهرا عبدالهی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی عمران
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، افشاری
مشخصات ظاهری
نام خاص و کميت اثر
۸۶ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی عمران، گرایش مهندسی سواحل، بنادر، و سازه‌صهای دریایی
زمان اعطا مدرک
۱۳۹۸/۰۶/۱۷
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
امروزه با توسعه شهرنشینی وحمل و نقل، آلودگی هوا به یکی از چالش های اصلی بشر تبدیل گردیده است .در کلان شهرها عمده منابع آلاینده ها مربوط به وسایل نقلیه و صنایع می باشد که سالانه مقادیر قابل توجهی از انواع آلاینده ها را با غلظت های مختلف تولید می کنند .شرایط آب و هوایی یکی از عوامل مهم درتغییر کیفیت هوا می باشد به طوری که حتی در مواقعی که مقدار ورود آلاینده ها به هوا ثابت است، عواملی مانند سرعت باد و جهت باد کیفیت هوا را تغییر می دهند .این تغییرات در کیفیت هوا در صورتی که منجر به مقادیر بالاتر از استاندارد آلاینده ها شود، سلامت عمومی جامعه را تهدید می کند .با توجه به اینکه پیشگیری مهمترین اقدام برای کنترل آلودگی هوا می باشد مدلسازی و پیش بینی مقادیر آلاینده ها می تواند در برنامه ریزی های جامعی که در راستای کنترل و کاهش آلودگی هوا در شهر ها انجام می پذیرد، بسیارموثر باشد .لذا این تحقیق دو هدف را دنبال می کند .هدف اول انجام آنالیز حساسیت برای تعیین پارامترهای مؤثر هواشناسی و ترافیکی در مدلسازی غلظت ساعتی نیتروژن دی اکسید در دو ایستگاه پایش آلودگی هوا در شهر کلمبوس آمریکا می باشدکه به منظور بررسی جداگانه تأثیر پارامتر های هواشناسی و ترافیکی برای هر ایستگاه، ۳ سناریو با ترکیبات مختلف ورودی درنظر گرفته شده است .پس از انجام آنالیز حساسیت مؤثرترین پارامتر ها در مدلسازی به عنوان ترکیب های بهینه ورودی برای مدلسازی در نظر گرفته شدند .لازم به ذکر می باشدکه طول داده های مورد استفاده در این تحقیق ۳ ماه و به صورت ساعتی می باشد .هدف دوم پیش بینی غلظت ساعتی نیتروژن دی اکسید در هر ایستگاه پایش با استفاده از مدل شبکه عصبی مصنوعی MLP ، رگرسیون بردار پشتیبان (SVR) و درخت تصمیم طبقه بندی و رگرسیون (CART) با استفاده از پارامتر های مؤثر انتخابی درگام قبل می باشد ودر ادامه برای بهبود عملکرد مدلسازی، روش ترکیب مدل (Ensemble) با استفاده از خروجی مدل های منفرد، به عنوان یک روش پس پردازش، به کار گرفته شده است .ترکیب مدل به پنج روش میانگین گیری خطی ساده، میانگین گیری خطی وزن دار، میانگین گیری خطی با استفاده از درخت تصمیمCART ، میانگین گیری غیر خطی با استفاده از شبکه عصبی MLPو میانگین گیری غیرخطی با استفاده از ماشین بردار پشتیبان (SVR) انجام گرفته و در نهایت نتایج حاکی از آن است که در بین پنج روش مختلف ترکیب مدل، مدل ترکیبی MLP و SVR کاراتر و مناسب تر بوده و این دو روش باعث بهبود عملکرد مدلسازی AI برای ایستگاه یک تا ۲۳ و برای ایستگاه ۲ تا ۱۶ می شوند
متن يادداشت
Nowadays, by development of urbanization and transportation, air pollution has become one of the main challenges of mankind. In big cities, the major sources of air pollutants are vehicles and industries that produce significant amounts of different types of pollutants each year at varying concentrations. Weather condition is an important factor in changing air quality so that even when the amount of pollutants in the air is constant, meteorological parameters such as wind speed and wind direction change the air quality. These changes in air quality threaten public health if they result in higher concentrations. Since prevention is the most important measure for controlling air pollution, modeling and forecasting of pollutant values can be very effective in comprehensive planning to reduce air pollution in cities. Thus, this research has two goals, the first objective is to perform sensitivity analysis to determine the effective parameters in the modeling of hourly nitrogen dioxide concentration at two air pollution monitoring stations in Columbus, USA. In order to investigate separately the influence of meteorological and traffic parameters for each station, three scenarios with different input combinations are considered. The most effective parameters in the modeling are considered as optimal input combinations for modeling. It should be noted that the length of data used in this study is 3 months from 1/1/2019 to 3/30/2019. The second goal is to predict concentration of nitrogen dioxide at 2 monitoring stations using MLP neural network model, support vector regression (SVR) and classification and regression decision tree (CART) utilizing effective pre-selection step parameters. In order to improve the modeling performance, Ensemble method with single model outputs were used as a post-processing method. Five ensemble models namely, simple linear averaging, weighted linear averaging, linear averaging using classification tree, nonlinear averaging using MLP neural network, and nonlinear averaging using support vector machine (SVR) have been implemented. The results show that the ensemble model of nonlinear averaging with MLP and nonlinear averaging with SVR increases the modeling performance at first and second station up to 23 and 16 respectively
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Ensemble AI-Based Models for Short-Term Prediction of air pollutant Concentration
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
عبدالهی، زهرا
مستند نام اشخاص تاييد نشده
Abdollahi, Zahra
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
