سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,572
تعداد مقالات71,005
تعداد مشاهده مقاله125,494,044
تعداد دریافت فایل اصل مقاله98,754,587
ذوالفقاری, قاسم, نظام پرور, سارا, امین طوسی, محمود. (1403). مدلسازی ذرات غبار خروجی از دود کش با شبکه عصبی مصنوعی و مطالعه عملکرد الکتروفیلتر: مطالعه موردی کارخانه سیمان زاوه. , (), -. doi: 10.22059/jne.2025.380898.2713
قاسم ذوالفقاری; سارا نظام پرور; محمود امین طوسی. "مدلسازی ذرات غبار خروجی از دود کش با شبکه عصبی مصنوعی و مطالعه عملکرد الکتروفیلتر: مطالعه موردی کارخانه سیمان زاوه". , , , 1403, -. doi: 10.22059/jne.2025.380898.2713
ذوالفقاری, قاسم, نظام پرور, سارا, امین طوسی, محمود. (1403). 'مدلسازی ذرات غبار خروجی از دود کش با شبکه عصبی مصنوعی و مطالعه عملکرد الکتروفیلتر: مطالعه موردی کارخانه سیمان زاوه', , (), pp. -. doi: 10.22059/jne.2025.380898.2713
ذوالفقاری, قاسم, نظام پرور, سارا, امین طوسی, محمود. مدلسازی ذرات غبار خروجی از دود کش با شبکه عصبی مصنوعی و مطالعه عملکرد الکتروفیلتر: مطالعه موردی کارخانه سیمان زاوه. , 1403; (): -. doi: 10.22059/jne.2025.380898.2713

مدلسازی ذرات غبار خروجی از دود کش با شبکه عصبی مصنوعی و مطالعه عملکرد الکتروفیلتر: مطالعه موردی کارخانه سیمان زاوه

نشریه محیط زیست طبیعی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 دی 1403
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jne.2025.380898.2713
نویسندگان
قاسم ذوالفقاری* 1؛ سارا نظام پرور2؛ محمود امین طوسی3
1گروه علوم و مهندسی محیط زیست، دانشکده علوم محیطی، دانشگاه حکیم سبزواری
2گروه علوم و مهندسی محیط زیست، دانشکده علوم محیطی، دانشگاه حکیم سبزواری، سبزوار
3گروه علوم کامپیوتر، دانشکده ریاضى و علوم کامپیوتر، دانشگاه حکیم سبزوارى
چکیده
هدف از این تحقیق بررسی عملکرد الکتروفیلتر کارخانه سیمان زاوه و ارائه مدل بهینه پیش‌بینی غبار با شبکه‌های عصبی پرسپترون ( (MLPو تابع پایه شعاعی (RBF) است. با استفاده از 5048 داده تاثیر پارامترهای فشار، دما، و ولتاژ در نرم‌افزار MATLAB بررسی شد. شبکه MLP با چهار لایه شامل لایه ورودی (سه نورون)، لایه اول پنهان (2 تا ۲۰ نورون)، لایه دوم پنهان (2 تا 10 نورون)، و لایه آخر (یک نورون) طراحی و خطای خروجی حاصل از اجرا (سه مرتبه) محاسبه گردید. در MLP، الگوریتم یادگیری Levenberg-Marquardt و تابع انتقال Hyperbolic tangent با حداکثر تعداد تکرار یادگیری (Epoch) 1000 به‌کار گرفته شد. در RBF مضرب دو لایه MLPبرای RBF انتخاب شد. برای بررسی عملکرد الکتروفیلتر رطوبت، سرعت، فشار، دبی، و دمای گاز توسط دستگاهKIMO HD و غبار با دستگاه Westech در شرایط ایزوکنتیک اندازه‌گیری گردید. میانگین مربعات خطا در MLP برای داده‌های آموزش 36/1 و برای داده‌های تست 78/2 و در RBF برای دادهای آموزش 39/1 و برای داده‌های تست 15/3 بود (ضریب همبستگی 78/0 در MLP و 68/0 در RBF). نتایج آنالیز حساسیت نشان داد که تغییرات ولتاژ تاثیر مهمی بر غبار نسبت به سایر پارامترها می‌گذارد. بر اساس بررسی وضعیت سیستم کنترل غبار، عملکرد الکتروفیلتر موجود نسبت به عمر مفید الکتروفیلترها کاهش چشمگیری نداشت. یافته‌های این پژوهش دلالت می‌کنند که اگر شبکه عصبی به درستی آموزش داده شود، می‌تواند روشى دقیق و سریع برای حل مسائل پیچیده و زمان‌بر باشد. پیشنهاد می‌شود تاثیر سرعت، رطوبت، و نقطه شبنم بر غبار خروجی با استفاده از شبکه‌ بررسی گردد.
کلیدواژه‌ها
آنالیز حساسیت؛ غبار؛ شبکه‌های عصبی MLP و RBF؛ الکتروفیلتر
عنوان مقاله [English]
Modeling dust particles from stack with artificial neural network and studying electrofilter performance: a case study of Zaveh cement factory
نویسندگان [English]
Ghasem Zolfaghari1؛ Sara Nezamparvar2؛ Mahmood Amintoosi3
1Department of Environmental Science and Engineering, Faculty of Environmental Sciences, Hakim Sabzevari University, Sabzevar, Iran
2Department of Environmental Sciences and Engineering, Faculty of Environmental Sciences, Hakim Sabzevari University, Sabzevar, Iran
3Department of Computer Science, Faculty of Mathematics and, Hakim Sabzevari University
چکیده [English]
The aim of this research is to evaluate the performance of the electrofilter at the Zaveh Cement plant and to provide an optimized model for predicting dust using MLP and RBF neural networks. Using 5048 data points, the impact of parameters such as pressure, temperature, and voltage was examined in MATLAB software. The MLP network was designed with four layers, including an input layer, a first hidden layer, a second hidden layer, and an output layer, and the output error from the execution (three times) was calculated. In the MLP, the Levenberg-Marquardt learning algorithm and the Hyperbolic tangent transfer function were employed with 1000 epoch. The MLP layer multiplier was selected for the RBF. To assess the performance of the electrofilter, humidity, speed, pressure, flow rate, and gas temperature were measured under isokinetic conditions using the KIMO HD device, and dust was measured with the Westech device. The MSE for MLP was 1.36 for training data and 2.78 for test data, while for RBF it was 1.39 for training data and 3.15 for test data (R2= 0.78 for MLP and 0.68 for RBF). The performance of the existing electrofilter did not decline significantly relative to the lifespan of the filters. The findings of this study suggest that if the neural network is properly trained, it can be an accurate and fast method for solving complex and time-consuming problems. It is recommended to investigate the effects of speed, humidity, and dew point on the output dust using the network.
کلیدواژه‌ها [English]
Sensitivity analysis, Dust, MLP and RBF neural networks, Electrofilter
آمار
تعداد مشاهده مقاله: 30





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب