ارزيابي دقت‌ شبكه هاي عصبي مصنوعي در پيش بيني گرد و غبار كارخانه سيمان سبزوار

زمينه و هدف: مدل سازي گردو‌غبار مي تواند به عنوان يك ابزار مناسب براي پيش بيني گردو‌غبار صنايع در آينده و تعيين استراتژي هاي كنترل انتشار آلاينده ها تلقي شود. در اين مطالعه از شبكه هاي عصبي پرسپترون (MLP) و پايه شعاعي (RBF) به عنوان ابزاري براي پيش بيني گردو‌غبار خروجي از دودكش اصلي كارخانه سيمان سبزوار واقع در استان خراسان رضوي استفاده شد. مواد و روش‌ها: در محدوده مطالعاتي مورد نظر، ابتدا ميزان غلظت گردو‌غبار خروجي از دودكش اصلي كارخانه سيمان به وسيله اندازه گيري هاي ميداني به‌دست آمد. سپس با به‌كار گيري پارامتر هاي خط توليد (درجه حرارت، سرعت گاز خروجي، ولتاژ، سوخت، مواد خام و مدت زمان نمونه برداري)، به عنوان داده هاي ورودي به شبكه هاي عصبي، جهت پيش بيني ميزان غلظت گردو‌غبار استفاده شد. مقادير حاصل از اجراي مدل ها، با نتايج اندازه گيري هاي ميداني به‌عنوان انتخاب مدل برتر، مورد مقايسه قرار گرفت. يافته ها: دربررسي نمودار ها و پارامتر هاي آماري، مقادير ميانگين مربعات خطا براي دو مدل شبكه هاي عصبي پرسپترون و پايه شعاعي به‌ترتيب برابر 1/787 و 21/263 و مقادير ضريب همبستگي به‌ترتيب برابر 0/99693 و 0/95811 بود كه نشانگر خطاي كمتر و همبستگي بيشتر مدل شبكه هاي عصبي پرسپترون نسبت به مدل پايه شعاعي در پيش بيني ميزان غلظت گردو‌غبار بود. نتيجه گيري: به دليل قابليت بالاي شبكه عصبي پرسپترون در پيش بيني ميزان غلظت گردو‌غبار، اين مدل مي تواند يك راه‌حل مناسب و سريع در پيش بيني ميزان گردو‌غبار صنايع باشد.