شبیه سازی و برآورد میزان گرد و غبار صنایع با مدل شبکه عصبی چند لایه پرسپترون (مطالعه موردی: کارخانه سیمان سبزوار)

امروزه صنعت سیمان به عنوان یکی از مهمترین صنایع آلوده کننده هوا در دنیا به شمار می رود. فرآیند تولید سیمان هر ساله باعث تولید میلیون ها تن، آلاینده از جمله گرد و غبار، گاز های سمی و فلزات سنگین شده که خطرات بهداشتی- تنفسی و آلودگی زیست محیطی را به دنبال خواهد داشت لذا آگاهی از غلظت آلاینده ها می تواند به عنوان اطلاعات کلیدی در برنامه های کنترل آلودگی مورد استفاده قرار گیرد. کارخانه سیمان سبزوار به عنوان یکی از منابع انتشار ذرات معلق در جنوب غربی سبزوار قرار دارد. روش های متعددی برای پیش بینی غلظت آلاینده ها هوا وجود دارد در این میان، در سال های اخیر پیشرفت قابل توجهی در توسعه مدل شبکه های عصبی برای پیش بینی غلظت آلاینده های هوا صورت گرفته است، که می تواند به عنوان یک ابزار مناسب برای پیش بینی کیفیت هوا در آینده و تعیین استراتژی های کنترل انتشار آلاینده ها تلقی شود. هدف از انجام این مطالعه، پیش بینی میزان غلظت گرد و غبار خروجی از دودکش اصلی کارخانه سیمان سبزوار با استفاده از مدل شبکه عصبی پرسپترون است.

در این مطالعه، ابتدا میزان غلظت گرد و غبار خروجی از دودکش اصلی کارخانه سیمان سبزوار به وسیله اندازگیری میدانی در سه فصل سال 97-1396 به دست آمد. تعداد 180 نمونه گرد و غبار جمع آوری شد. از پارامتر های جریان گاز خروجی، درجه حرارت، ولتاژ، سوخت و خوراک کوره به عنوان داده های ورودی شبکه عصبی پرسپترون، استفاده شد. برای آموزش شبکه، از الگوریتم لونبرگ-مارکوارت استفاده شد. برای ارزیابی شبکه از روش اعتبارسنجی متقابل k-fold با k=5 استفاده شد در این شیوه داده ها را به 5 قسمت تقسیم و در هر بار اجرا، 4 گروه به عنوان آموزش و 1 گروه به عنوان آزمون درنظر گرفته شد شبکه ای که در این میان، کمترین خطا را بر روی داده های آزمون داشته باشد انتخاب شد. با اطلاعات مربوط به اندازه گیری های تجربی از میزان غلظت گرد و غبار کارخانه سیمان سبزوار، تست عملکرد شبکه انجام شد. جهت بررسی میزان دقت مدل در پیش بینی میزان غلظت گرد و غبار، از شاخص های ضریب همبستگی و میانگین مربعات خطا استفاده شد.

نتایج نشان داد که مدل پرسپترون، در پیش بینی میزان غلظت گرد و غبار کارخانه سیمان سبزوار از دقت خوبی برخوردار است. به طوری که مدل شبکه عصبی پرسپترون در دو حالت، استفاده از همه پارامتر ها و پارامتر تاثیر گذار (درجه حرارت) قادر بود، میزان ضریب همبستگی به ترتیب، 98168/0 و 98249/0 و میزان میانگین مربعات خطا به ترتیب، 709/0 و 280/0 نشان دهد. که نشانگر همبستگی بیشتر و خطای کمتر مدل شبکه عصبی پرسپترون در حالت استفاده فقط از پارامتر درجه حرارت، نسبت به حالت همه پارامتر ها در پیش بینی میزان غلظت گرد و غبار دارد.

به دلیل قابلیت بالای شبکه عصبی پرسپترون در پیش بینی میزان غلظت گرد و غبار، این مدل می تواند، راهکار مناسب و سریع در مدیریت برتر میزان غلظت گرد و غبار صنایع و اطمینان از نتایج پایش کیفی و کاهش هزینه های آن مطرح شود.