پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,823 |
| تعداد مقالات | 73,545 |
| تعداد مشاهده مقاله | 134,632,469 |
| تعداد دریافت فایل اصل مقاله | 105,189,539 |
ادغام مدیریت دانش و یادگیری ماشین برای بهینه‌سازی عملکرد تصفیه آب: مطالعه موردی در تصفیهخانه کوت امیر | ||
| تحقیقات کتابداری و اطلاع‌رسانی دانشگاهی | ||
| دوره 58، شماره 4، دی 1403، صفحه 1-22 اصل مقاله (1.84 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jlib.2025.391697.1774 | ||
| نویسندگان | ||
| هادی الهایی1؛ منصور کوهی رستمی* 1؛ سید محمد اشرفی2 | ||
| 1گروه علم اطلاعات و دانش‌شناسی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| 2گروه مهندسی عمران، ، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| چکیده | ||
| هدف: در سال‌های اخیر، بهره‌برداری بهینه از تصفیه‌خانه‌های آب با چالش‌های متعددی از جمله نوسانات کیفیت آب، افزایش هزینه‌های عملیاتی و نیاز به تصمیم‌گیری سریع و هوشمند مواجه شده است. در این راستا، استفاده از فناوری‌های نوین مدیریت دانش، داده‌کاوی و هوش مصنوعی به عنوان ابزارهای توانمند برای بهینه‌سازی فرایندهای عملیاتی اهمیت یافته است. هدف این پژوهش، ارزیابی تأثیر الگوریتم‌های یادگیری ماشین بر بهینه‌سازی عملکرد تصفیهخانه کوت امیر اهواز با تأکید بر نقش مدیریت دانش بوده است. روش‌پژوهش: این پژوهش از نوع کاربردی و با رویکرد داده‌محور انجام شده است. جامعه پژوهش شامل بیش از 40,000 رکورد داده‌های واقعی ثبت‌شده طی پنج سال از پارامترهای کیفی و عملیاتی تصفیهخانه کوت امیر بود. داده‌ها پس از گردآوری، پیش‌پردازش و نرمال‌سازی شدند و در قالب دو مجموعه آموزشی (%70) و آزمون (%30) مورد استفاده قرار گرفتند. سه مدل یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) برای پیش‌بینی کیفیت آب و بهینه‌سازی مصرف مواد شیمیایی مورد ارزیابی قرار گرفتند. از برنامه نویسی Python و نرم‌افزارهای SPSS و Excel برای تحلیل و مدل‌سازی داده‌ها استفاده شد. یافته‌ها: نتایج ارزیابی مدل‌ها نشان داد که مدل شبکه عصبی مصنوعی با دقت ۹۴.۷ درصد و شاخص تعیین ۰.۹۱، بهترین عملکرد را در پیش‌بینی تغییرات کیفیت آب داشته است. مدل جنگل تصادفی نیز با دقت ۹۲.۱ درصد و شاخص تعیین ۰.۸۸، توانایی بالایی در شناسایی الگوهای پیچیده کیفیت آب نشان داد. مدل ماشین بردار پشتیبان با دقت ۸۹.۳ درصد و خطای بالاتر، عملکرد کمتری داشت. پیاده‌سازی مدیریت دانش با استفاده از این مدل‌ها منجر به پیش‌بینی بهبود کیفیت آب خروجی و چگونگی تسهیل انتقال دانش عملیاتی به اپراتورها می‌گردد. نتیجه‌گیری: نتایج نشان می‌دهد که ادغام مدیریت دانش و یادگیری ماشین، راهکاری مؤثر برای بهینه‌سازی عملکرد تصفیه‌خانه‌های آب است و می‌تواند به عنوان الگویی برای سایر تأسیسات مشابه مورد استفاده قرار گیرد. بهره‌گیری از فناوری‌های نوین، می‌تواند در پیش‌بینی و انتقال دانش در سازمان‌های داده‌محور مؤثر باشد. | ||
| کلیدواژه‌ها | ||
| مدیریت دانش؛ مدل مفهومی؛ یادگیری ماشین؛ تصفیه خانه کوت امیر؛ بهینه سازی عملکرد | ||
| عنوان مقاله [English] | ||
| Integrating Knowledge Management and Machine Learning for Water Treatment Optimization: A Case Study at Koot Amir Water Treatment Plant | ||
| نویسندگان [English] | ||
| Hadi Alhaei1؛ Mansoor Koohi Rostami1؛ Seyed Mohammad Ashrafi2 | ||
| 1. Department of Knowledge and Information Science, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 2Department Civil Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| چکیده [English] | ||
| Objective: In recent years, optimal operation of water treatment plants has faced numerous challenges, including fluctuations in water quality, rising operational costs, and the need for rapid and intelligent decision-making. In this context, the use of advanced knowledge management technologies, data mining, and artificial intelligence has emerged as powerful tools for optimizing operational processes. This study aims to evaluate the impact of machine learning algorithms on optimizing the performance of the Koot Amir water treatment plant in Ahvaz, with an emphasis on the role of knowledge management. Method: This applied research adopts a data-driven approach. The study population comprises 40,000 records of real operational and qualitative data collected over five years from the Koot Amir treatment plant. After collection, the data underwent preprocessing and normalization and were divided into training (70%) and testing (30%) datasets. Three machine learning models—Artificial Neural Network (ANN), Random Forest (RF), and Support Vector Machine (SVM)—were evaluated for predicting water quality and optimizing chemical usage. Data analysis and modeling were performed using Python, SPSS, and Excel. Results: The evaluation results revealed that the Artificial Neural Network model achieved the highest performance, with 94.7% accuracy and a determination index of 0.91 in predicting water quality changes. The Random Forest model also demonstrated strong capabilities, with 92.1% accuracy and a determination index of 0.88, effectively identifying complex water quality patterns. The Support Vector Machine model showed lower performance, with 89.3% accuracy and higher error rates. Implementing knowledge management using these models facilitated improved prediction of effluent water quality and enhanced the transfer of operational knowledge to plant operators. Conclusions: This study demonstrates that integrating knowledge management with machine learning is an effective strategy for optimizing the performance of water treatment plants and can serve as a model for similar facilities. The adoption of advanced technologies holds significant potential for improving predictive capabilities and knowledge transfer in data-driven organizations. | ||
| کلیدواژه‌ها [English] | ||
| Knowledge Management, ؛ Conceptual Model؛ Machine Learning؛ Koot Amir Water Treatment Plant؛ Performance Optimization | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 141 تعداد دریافت فایل اصل مقاله: 126 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب