ارزیابی دقت شبکه های عصبی مصنوعی (MLP و RBF) در پیش بینی گرد و غبار کارخانه سیمان سبزوار

مدل سازی گردو غبار می تواند به عنوان یک ابزار مناسب برای پیش بینی گردو غبار صنایع در آینده و تعیین استراتژی های کنترل انتشار آلاینده ها تلقی شود. در این مطالعه از شبکه های عصبی پرسپترون (MLP) و پایه شعاعی (RBF) به عنوان ابزاری برای پیش بینی گردو غبار خروجی از دودکش اصلی کارخانه سیمان سبزوار واقع در استان خراسان رضوی استفاده شد. در محدوده مطالعاتی مورد نظر، ابتدا میزان غلظت گردو غبار خروجی از دودکش اصلی کارخانه سیمان به وسیله اندازه گیری های میدانی به دست آمد. سپس با به کار گیری پارامتر های خط تولید (درجه حرارت، سرعت گاز خروجی، ولتاژ، سوخت، مواد خام و مدت زمان نمونه برداری)، به عنوان داده های ورودی به شبکه های عصبی، جهت پیش بینی میزان غلظت گردو غبار استفاده شد. مقادیر حاصل از اجرای مدل ها، با نتایج اندازه گیری های میدانی به عنوان انتخاب مدل برتر، مورد مقایسه قرار گرفت. دربررسی نمودار ها و پارامتر های آماری، مقادیر میانگین مربعات خطا برای دو مدل شبکه های عصبی پرسپترون و پایه شعاعی به ترتیب برابر 1/787 و 21/263 و مقادیر ضریب همبستگی به ترتیب برابر 0/99693 و 0/95811 بود که نشانگر خطای کمتر و همبستگی بیشتر مدل شبکه های عصبی پرسپترون نسبت به مدل پایه شعاعی در پیش بینی میزان غلظت گردو غبار بود. به دلیل قابلیت بالای شبکه عصبی پرسپترون در پیش بینی میزان غلظت گردو غبار، این مدل می تواند یک راه حل مناسب و سریع در پیش بینی میزان گردو غبار صنایع باشد. نوع مقاله:مقاله پژوهشی کلید واژه ها: کارخانه سیمان، گردو غبار، شبکه های عصبی مصنوعی، آلودگی هوا