تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,226 |
تعداد دریافت فایل اصل مقاله | 15,216,892 |
پیشبینی غلظت آلایندههای گازی در هوای شهر تبریز با استفاده از شبکه عصبی | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 8، دوره 46.2، شماره 83، شهریور 1395، صفحه 87-94 اصل مقاله (509.4 K) | ||
نوع مقاله: یادداشت پژوهشی | ||
نویسندگان | ||
ناهیده محمدی1؛ خالد ظروفچی بنیس2؛ محمد شاکر خطیبی* 3؛ اسماعیل فاتحی فر2؛ علیرضا بهروز سرند4؛ امیر محمودیان1؛ فرید شیخ الاسلامی1 | ||
1کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی تبریز | ||
2دانشکده مهندسی شیمی، مرکز تحقیقات مهندسی محیط زیست، دانشگاه صنعتی سهند | ||
3گروه مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی تبریز | ||
4گروه مهندسی شیمی، دانشگاه صنعتی ارومیه | ||
چکیده | ||
آلودگی هوا به عنوان یک چالش مهم در شهرهای بزرگ مطرح میباشد که در نتیجه صنعتی شدن، گسترش شهرنشینی، رشد سریع ترافیک و افزایش فعالیتهای انسان تشدید شده است. آلایندههای هوا باعث بروز اثرات منفی بر سلامت انسان و تخریب محیط زیست شده لذا آگاهی از غلظت آلایندهها میتواند به عنوان اطلاعات کلیدی در برنامههای کنترل آلودگی مورد استفاده قرار گیرد. روشهای متعددی برای پیشبینی غلظت آلایندههای هوا وجود دارد و در این میان، در سالهای اخیر پیشرفت قابل توجهی در توسعه مدلهای شبکه عصبی برای پیشبینی غلظت آلاینده های هوا صورت گرفته است. در این مطالعه، از شبکههای عصبی مصنوعی به منظور پیشبینی غلظت آلایندههایCO، SO2 و NOXدر هوای شهر تبریز استفاده شده است. دادههای غلظت آلایندهها از ایستگاه سنجش ثابت مستقر در میدان نماز و دادههای هواشناسی شامل سرعت و جهت باد، دما و رطوبت هوا از اداره کل هواشناسی جمعآوری شده و پس از نرمالسازی به عنوان متغیرهای ورودی شبکه عصبی مورد استفاده قرار گرفت. تعداد 5-3 لایه مخفی و 25-8 نرون در هر لایه مخفی نتایج قابل قبولی داشته است. از تابع تانژانت سیگموئید به عنوان تابع انتقال و الگوریتم لونبرگ مارکوآت برای بهینهسازی وزنها و بایاسهای شبکه استفاده شد. بر اساس نتایج به دست آمده، شبکه عصبی مصنوعی روشی قابل اعتماد برای پیشبینی غلظت ساعتی آلایندههای هوا بوده به طوری که، ضریب همبستگی بالای 90/0 بین غلظت آلایندههای پیشبینی شده و غلظت واقعی آلایندههای CO، SO2 و NOX به دست آمد. | ||
کلیدواژهها | ||
آلودگی هوا؛ شبکه عصبی مصنوعی؛ مدلهای پیشبینی | ||
مراجع | ||
[1] Karaca, F., Nikov, A., Alagha, O., "NN-Airpol: A Neural-Networks-Based Method for Air Pollution Evaluation and Control", International Journal of Environment and Pollution, 2006, 28 (3/4), 310-325.
[2] WHO, "Fact Sheet on Outdoor Air Pollution (No 313): Air Quality and Health", http://www.who.int/mediacentre/factsheets/ fs313/en/index.html, 2008.
[3] Anderson, H. R., "Air Pollution and Mortality: A History", Atmospheric Environment, 2009, (43), 142-152.
[4] Jiang, D., Zhang, Y., Hu, X., Zeng, Y., Tan, J., Shao, D., "Progress in Developing an ANN Model for Air Pollution Index Forecast", Atmospheric Environment, 2004, 38 (40), 7055-7064.
[5] Boznar, M., Lesjak, M., Mlakar, P., "A Neural Network-Based Method for Short-Term Prediction of Ambient SO2 Concentrations in Highly Polluted Industrial Areas of Complex Terrain", Atmospheric Environment, 1993, 27B (2), 221-230.
[6] Gardner, M. W., Dorling, S. R., "Neural Network Modeling and Prediction of Hourly NOX and NO2 Concentrations in Urban Air in London", Atmospheric Environment, 1993, 33, 709-719.
[7] Postolache, O., Girao, M., Pereira, M., "Neural Network Application in a Carbon Monoxide Measurement System", International Joint Conference on Neural Network, 2001, 3, 2076-2081.
[8] Hooyberghs, J., Mensink, C., Dumont, G., Fierens, F., Brasseur, O., "Neural Network Forecast for Daily Average PM10 Concentrations in Belgium", Atmospheric Environment, 2005, 39, 3279-3289.
[9] Ming, C., Yafeng, Y., Min, X., "Prediction of Hourly Air Pollutant Concentrations near Urban Arterials Using Artificial Neural Network Approach", Transportation Research, 2009, 14, 32-41.
[10] Hrust, L., Klaic, Z. B., Krizan, J., Antonic, O., Hercog, P., "Neural Network Forecasting of Air Pollutants Concentrations Using Optimized Temporal Averages of Meteorological Variables and Pollutant Concentrations", Atmospheric Environment, 2009, 43, 5588-5596.
[11] Mousavi, M. S., Rahimi, A., "The Application of Artificial Neural Network in Prediction of CO Concentration: A case study of Tabriz", Iranian Journal of Natural Resources, 2008, 61 (3), 681-691.
[12] Bodaghpour, S., Charkhestani, A., "Prediction of Gas Pollutants Concentration by Means of Artificial Neural Network in Tehran Urban Air", Journal of Environmental Science and Technology, 2011, 13 (1), 1-10.
[13] Arhami, M., Kamali, N., Rajabi, M. M., "Predicting Hourly Air Pollutant Levels Using Artificial Neural Networks Coupled with Uncertainty Analysis by Monte Carlo Simulations", Environmental Science and Pollution Research, 2013, 20, 4777-4789.
[14] Shakerkhatibi, M., Mohammadi, N., Zoroufchi Benis, K., Behrooz Sarand, A., Fatehifar, E., Asl Hashemi, A., "Using ANN and EPR Models to Predict Carbon Monoxide Concentrations in urban Area of Tabriz", Environmental Health Engineering and Management Journal, 2015, 2, 117-122.
[15] Shahin, M. A., Jaksa, M. B., Maier, H. R., "State of the Art of Artificial Neural Networks in Geotechnical Engineering", Electronic Journal of Geotechnical Engineering, 2008, 8, 1-26.
[16] Giustolisi, O., Doglioni, A., Savic, D. A., Webb, B. W., "A Multi-Model Approach to Analysis of Environmental Phenomena", Environmental Modelling and Software, 2007, 22, 674-682.
[17] Demuth, H., Beale, M., "Neural Network Toolbox users Guide", Copyright 1992-2002, by the Math Works, Inc, Version 4, 840PP.
[18] Viotti, P., Liuti, G., Di Genova, P., "Atmospheric Urban Pollution: Applications of an Artificial Neural Network (ANN) to the City of Perugia", Ecological Modeling, 2002, 148, 27-46.
[19] Calvert, J. G., Orlando, J. J., Stockwell, W. R., Wallington, T. J., "The Mechanisms of Reactions Influencing Atmospheric Ozone", 2015, Oxford University Press. | ||
آمار تعداد مشاهده مقاله: 1,956 تعداد دریافت فایل اصل مقاله: 2,054 |