پيش بيني پسماند توليدي شهر تهران با استفاده از سامانه استنتاج تطبيقي فازيعصبي و شبكه‌هاي عصبي مصنوعي

Prediction of Tehran solid waste production by using of neural network and adaptive neurofuzzy inference system

پيش بيني كميت توليد، نقش به سزايي در بهينه سازي و برنامه ريزي سامانه مديريت پسماند هاي جامد شهري دارد، اما به علت ديناميك بودن سامانه هاي مديريت پسماند، پيچيدگي روابط بين متغير ورودي و خروجي، در دسترس نبودن و يا ناكافي بودن اطلاعات و همچنين تاثير عوامل متغير و غيرقابل كنترل همواره كار مشكلي بوده است. امروزه استفاده از سامانه هاي هوشمند به عنوان راهكاري نوين در تحليل مسائل زيست محيطي، گسترش يافته است. در اين پژوهش توانايي دو مدل هوشمند شبكه عصبي با تابع آموزش لونبرگ ماركوارت و همچنين سامانه استنتاج تطبيقي فازيعصبي براي تخمين ميزان توليد پسماندهاي ماهانه شهر تهران مقايسه گرديد. براي اين منظور از داده هاي مربوط به جمعيت، الگوهاي فصلي، كل بارندگي ماهانه، ميانگين دماي ماهانه، ارتفاع از سطح دريا، ميانگين رطوبت ماهانه و كل پسماند توليدي (TSW) اين شهر در فاصله زماني 1389 تا 1394 كه به صورت ماهانه مرتب شده بودند، استفاده شد. بعد از آموزش و آزمون مدل هاي شبكه عصبي و سامانه استنتاج تطبيقي فازي عصبي نتايج اين مدل ها مورد مقايسه قرار گرفت. نتايج به دست آمده از اين پژوهش نشان داد كه مدل فازيعصبي با ضريب تعيين 963/0، جذر ميانگين مربعات خطا 096/0و درصد ميانگين مطلق خطا 05/1 نسبت به مدل شبكه عصبي با ضريب تعيين 852/0، جذر ميانگين مربعات خطا 132/0و درصد ميانگين مطلق خطا 19/1 داراي عملكرد بهتري مي باشد. همچنين نتايج بررسي دو مدل نشان داد كه در هر دو مدل با داده هاي ورودي الگوهاي فصلي، كل بارندگي ماهانه، ميانگين دماي ماهانه، ميانگين رطوبت ماهانه و كل پسماند توليدي (TSW) مي توان به پيش بيني دقيق تري دست يافت.

In this study two intelligent systems, based on adaptive neurofuzzy inference systems (ANFIS) and artificial neural networks (ANNs) of forecasting municipal solid wastes (MSW) generation has been proposed. ANFIS and ANNs as an intelligent tool compared with together was used to monthly prediction of MSW generated in Tehran. Monthly amount of solid wastes (SW), total monthly precipitation, monthly mean temperature, monthly average humidity and the rank of months per year in the period of 2009 2014 was used as input data for model learning. The best ANN model had a 5141 structure, it consisted of an input layer with five input variables, one hidden layers with 14 neurons and MSW production as output. The best ANFIS model was designed using one ANFIS architecture with the sixtime run out which were developed at three stages. Correlation coefficient (R2), root mean square error (RMSE) and mean absolute percentage error (MAPE) for the best ANN model were computed as 0.825, 0.132 and 1.19, respectively. The corresponding R2, RMSE and MAPE values for the best ANFIS topology were 0.963, 0.096 and 1.05 respectively. The results of this study showed that, multilayer ANFIS model due to employing fuzzy rules, better performance than the ANN model.