این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران مدرس، جلد ۱۸، شماره ۵، صفحات ۰-۰
عنوان فارسی پیشبینی سری زمانی مقدار ازن تروپوسفری با سازندهای فتوشیمیایی و عوامل هواشناسی
چکیده فارسی مقاله روش‌های متداول اندازه گیری آلاینده‌های هوای دارای خطا، نیازمند فضای نسبتا بزرگ و صرف هزینه‌های بسیار کلان است، در حالی‌که می‌توان با استفاده از روش‌های جدیدی که توانایی یادگیری دارند از این معایب روش‌های معمول کاست. این روش‌ها که پایه ریاضی دارند و با استفاده از برنامه نویسی بنیان شده‌اند، هنوز به آن مرحله نرسیده‌اند که بتوان با اطمینان کامل جایگزین اندازه‌گیری‌های ماشینی شوند. در این مقاله از روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان که در تحقیقات گذشته نتایج قابل قبولی را برای موضوعات دیگر ارائه داده‌اند، استفاده شده است تا مقدار اوزن موجود در هوای سطح شهر تهران را با توجه به هشت پارامتر دیگر هواشناسی و آلاینده‌های معیار هوا، پیشبینی کند. در آخر با مقایسه عملکرد این دو روش با استفاده از دو معیار ارزیابی نتایج، نشان داده می‌شود که مقادیر R و RMSE برای ماشین بردار پشتیبان برابر است با 0.8456 و 0.0774 و برای شبکه عصبی مصنوعی 0.8396=R و 0.0914=RMSE ، که این نتایج حاکی از برتری روش ماشین بردار پشتیبان نسبت به شبکه عصبی است. البته هر دو روش برای این پیشبینی نتایج کاملاً مطلوب و رضایت بخشی ارائه داده‌اند. همچنین میزان تاثیرگذاری پارامترها بر روی ازن تحلیل شد که کربن منوکسید، دمای هوا و نیتروژن دی اکسید بیشترین تاثیر را بر روی تغییرات ازن داشتند درحالی‌که ذرات معلق هوا و بخصوص ذرات معلق با اندازه کمتر از 2.5 میکرومتر کمترین تاثیر را پیشبینی ازن داشتند..
کلیدواژه‌های فارسی مقاله آلودگی هوا،ازن تروپوسفری،محاسبات نرم،پیشبینی آلاینده،
عنوان انگلیسی Temporal Prediction of Tropospheric Ozone Considering Photochemical Precursors and Meteorological Parameters
چکیده انگلیسی مقاله Air pollution as a silent murderer of metropolitan areas demanded huge amounts of attractions. During the past few decades, after London 1954 black days, the world encountered a novel problem which was made by anthropologic actions. Scientific researches for scrutinizing the air pollution and its effects on humankind and the environment, started and improved after chronic influences of contaminations which in this era prognostication of pollutants and finding the relationships between parameters out, seems to be undeniable. Ozone as a tropospheric gas, has severe impacts on the all creatures while the human beings are more delicate in conjunction with this gas where it can destroy ability lungs and cause asthma and other pulmonary diseases. In the present article, the two most prevailing approaches for prediction, applied to the forecast tropospheric ozone value considering eight other photochemical precursors and meteorological parameters. Sulfur dioxide (SO2), nitrogen dioxide (NO2), carbon monoxide (CO) and particulate matters (PM2.5, PM10) as photochemical precursors, and also humidity, air temperature and wind speed as meteorological parameters, after data preparation, used for ground level ozone prognostication in Tehran, Iran, with a condensed population where suffers from severe air contaminations and high rate of daily death, related to the air pollution. Used data series, have been collected from 22 regions of the cited city during 2 years (2014 and 2015). Two evaluation criteria, root mean square error (RMSE) and correlation coefficient (R), selected for comparison of applications. Support vector machine (SVM) and artificial neural networks (ANN) as capable soft computing approaches which have been used in numerous areas of science, opted in this research. Support vector machine with classification of other eight parameters and by 286 vectors as a classifier and 97 border vectors, sorted the 70 percent of data sets as training and the residual amount of parameters used as testing data sets. Radial basis function (RBF) selected as Kernel function. Artificial neural network works as like as human brains and neurons between layers transfer datasets and process them during the run time, where in the recent paper the layer number of the created network is one for hidden layer and one for the output layer and 10 neurons have been selected for hidden layer and one for the output layer. Network type of this system is feed-forward with back propagation and TRAINLM used as training function and LEARNGDM used for adaption learning function. Both approaches depicted reliable and acceptable results, where RMSE and R values for support vector machine, respectively 0.0774 and 0.8456, also artificial neural network resulted 0.0914 for RMSE and 0.8396 for R, which are reasonable outcomes. As the outcomes for training datasets were better than the results for testing datasets, both approaches showed acceptable performances because of over-training controlling, which is a serious and prevalent difficulty of soft computers. Support vector machine, with lower root mean square error and higher correlation coefficient selected as better application for ground level ozone prediction. These series of studies are supportive for calibration of measuring systems and due to their expensiveness, soft computing is the most reliable and affordable substitute for the past machines. Also the analysis of tolerances among the parameters illustrated that CO, Temperature and NO2 are the most effective where, PM2.5 had the least amount impact on O3 forecasting process.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله وحید مهدی پور | Vahid Mehdipour
Environmental Engineering Department, Civil and Environment Engineering Faculty, Khaje Nasir Toosi University of Technology, Tehran, Iran
گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی خواجه نصیرالدین طوسی تهران، ایران

مهسا معماریان فرد | Mahsa Memarianfard
Department of Civil & Environmental Engineering, Khaje Nasir Toosi University of Technology, Tehran, Iran
گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-16-21362-1&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات