%0 Journal Article %T ارزیابی دقت‌ شبکه های عصبی مصنوعی (MLP و RBF) در پیش بینی گرد و غبار کارخانه سیمان سبزوار %J مجله پژوهش در بهداشت محیط %I دانشگاه علوم پزشکی مشهد %Z 2423-5202 %A کیخسروی, سید سعید %A نژادکورکی, فرهاد %A امین طوسی, محمود %D 2019 %\ 04/21/2019 %V 5 %N 1 %P 43-52 %! ارزیابی دقت‌ شبکه های عصبی مصنوعی (MLP و RBF) در پیش بینی گرد و غبار کارخانه سیمان سبزوار %K کارخانه سیمان %K گرد و غبار %K شبکه های عصبی مصنوعی %K آلودگی هوا %R 10.22038/jreh.2019.38083.1277 %X چکیده زمینه و هدف: مدل­سازی گردو‌غبار می­تواند به عنوان یک ابزار مناسب برای پیش­بینی گردو‌غبار صنایع در آینده و تعیین استراتژی­های کنترل انتشار آلاینده­ها تلقی شود. در این مطالعه از شبکه­های عصبی پرسپترون (MLP) و پایه شعاعی (RBF) به عنوان ابزاری برای پیش­بینی گردو‌غبار خروجی از دودکش اصلی کارخانه سیمان سبزوار واقع در استان خراسان رضوی استفاده شد. مواد و روش‌ها: در محدوده مطالعاتی مورد نظر، ابتدا میزان غلظت گردو‌غبار خروجی از دودکش اصلی کارخانه سیمان به وسیله اندازه­گیری­های میدانی به‌دست آمد. سپس با به‌کار­گیری پارامتر­های خط تولید (درجه حرارت، سرعت گاز خروجی، ولتاژ، سوخت، مواد خام و مدت زمان نمونه­برداری)، به عنوان داده­های ورودی به شبکه­های عصبی، جهت پیش­بینی میزان غلظت گردو‌غبار استفاده شد. مقادیر حاصل از اجرای مدل­ها، با نتایج اندازه­گیری­های میدانی به‌عنوان انتخاب مدل برتر، مورد مقایسه قرار گرفت. یافته­ها: دربررسی نمودار­ها و پارامتر­های آماری، مقادیر میانگین مربعات خطا برای دو مدل شبکه­های عصبی پرسپترون و پایه شعاعی به‌ترتیب برابر 1/787 و 21/263 و مقادیر ضریب همبستگی به‌ترتیب برابر 0/99693 و 0/95811 بود که نشانگر خطای کمتر و همبستگی بیشتر مدل شبکه­های عصبی پرسپترون نسبت به مدل پایه شعاعی در پیش­بینی میزان غلظت گردو‌غبار بود. نتیجه­گیری: به دلیل قابلیت بالای شبکه عصبی پرسپترون در پیش­بینی میزان غلظت گردو‌غبار، این مدل می­تواند یک راه‌حل مناسب و سریع در پیش­بینی میزان گردو‌غبار صنایع باشد. نوع مقاله:مقاله پژوهشی کلید واژه‌ها: کارخانه سیمان، گردو‌غبار، شبکه­های عصبی مصنوعی، آلودگی هوا %U https://jreh.mums.ac.ir/article_13290_bac9ac68f82b093251148de743473bd5.pdf