پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 410 |
| تعداد مقالات | 5,457 |
| تعداد مشاهده مقاله | 5,871,573 |
| تعداد دریافت فایل اصل مقاله | 5,230,756 |
بهبود مدلسازی تولید پسماند شهری با استفاده از یادگیری عمیق و مقایسه با مدلهای هوشمند شبکه عصبی و ماشین بردار پشتیبان | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 25 دی 1403 اصل مقاله (1.82 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2025.22970.8085 | ||
| نویسندگان | ||
| مریم عباسی* ؛ سهیل کریمی درمیان | ||
| دانشکده مهندسی عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران | ||
| چکیده | ||
| هدف از این پژوهش بررسی و مقایسه عملکرد مدلهای هوشمند در مدلسازی کمی پسماند شهری است. ابتدا مولفههای موثر بر تولید پسماند شامل اطلاعات جغرافیایی، اجتماعی، هواشناسی، فرهنگی، اقتصادی بصورت ماهانه و فصلی جمع‌آوری گردید.. سپس به مدلسازی کمی پسماند شهری در شهر تهران با استفاده از مدلهای هوشمند شبکه عصبی مصنوعی، ماشین بردار پشتیبان و یادگیری عمیق پرداخته شده و نتایج و خطاهای بدست آمده از آن‌ها مورد بررسی قرار گرفته است. طبق مدل‌سازی‌های انجام شده نتیجه گرفته شد؛ مدل رگرسیون و شبکه عصبی مصنوعی کمترین R2 و بیشترین RMSE و MAE را دارند و مدلسازی دقیقی انجام نمی‌دهند. بر اساس معیارها و خطاهای بدست آمده این نتیجه حاصل شد که هم در دوره ماهانه و هم در دوره فصلی به ترتیب یادگیری عمیق، مدل ماشین بردار پشتیبان، شبکه عصبی مصنوعی و در آخرین رتبه رگرسیون در مدلسازی دقیق عمل کرده‌اند. مدل ماشین بردار پشتیبان و مدل یادگیری عمیق هم در دوره فصلی و هم در دوره ماهانه کمترین خطا‌ها را در بین مدلهای آزمایش شده دارند. در مدلسازی ماهانه ارقام مشاهده شده به ارقام پیش‌بینی شده توسط مدل یادگیری عمیق از دیگر مدل‌ها نزدیک‌ترند و تطابق بیشتری دارند، به علاوه مدل یادگیری عمیق در مدلسازی فصلی نیز دقیق‌تر از دیگر مدلهای آزمایش شده عمل کرده . | ||
| کلیدواژه‌ها | ||
| پسماند شهری؛ مدلسازی؛ یادگیری عمیق؛ نرخ تولید پسماند؛ یادگیری ماشین | ||
| موضوعات | ||
| ضایعات جامد و مواد زائد خطرناک | ||
| عنوان مقاله [English] | ||
| Modelling municipal waste generation using support vector machine, artificial neural network and deep learning | ||
| نویسندگان [English] | ||
| Maryam Abbasi؛ Soheil Karimi Darmian | ||
| Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| The purpose of this research is to investigate and compare the performance of intelligent models in quantitative modeling of urban waste. First, the factors affecting waste production, including geographical, social, meteorological, cultural, and economic information were collected monthly and seasonally. Then, quantitative modeling of urban waste in Tehran was done using intelligent models of artificial neural network, support vector machine and deep learning. and the results and errors obtained from them have been investigated. According to the modeling done, it was concluded; The regression model and the artificial neural network have the lowest R2 and the highest RMSE and MAE and do not perform accurate modeling. Based on the criteria and errors obtained, it was concluded that deep learning, support vector machine model, artificial neural network, and regression in the last rank have worked in accurate modeling both in the monthly period and in the seasonal period. The support vector machine model and the deep learning model have the least errors among the tested models both in the seasonal period and in the monthly period. In the monthly modeling, the figures observed are closer to the figures predicted by the deep learning model than other models and are more consistent, in addition, the deep learning model in seasonal modeling is more accurate than the other tested models. It should be noted that the deep learning algorithm in modeling A season of monthly modeling has been more accurate; | ||
| کلیدواژه‌ها [English] | ||
| Municipal waste, Modelling, Deep learning, Waste generation, Machine learning | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 119 تعداد دریافت فایل اصل مقاله: 111 |
||
