دانشگاه تهران مهندسی بیوسیستم ایران 2008-4803 47 1 2016 04 20 Prediction of Tehran solid waste production by using of neural network and adaptive neuro-fuzzy inference system پیش بینی پسماند تولیدی شهر تهران با استفاده از سامانه استنتاج تطبیقی فازی-عصبی و شبکه‌های عصبی مصنوعی 175 183 58490 10.22059/ijbse.2016.58490 FA سجاد نصرالهی دانشجوی کارشناسی ارشد رضا علیمردانی استاد، دانشکده مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران محمد شریفی استادیار، دانشکده مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران محمد رضا تقی زاده یزدی استادیار، دانشکده مدیریت دانشگاه تهران Journal Article 2015 09 20 In this study two intelligent systems, based on adaptive neuro-fuzzy 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 5-14-1 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 six-time 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, multi-layer ANFIS model due to employing fuzzy rules, better performance than the ANN model. پیش بینی کمیت تولید، نقش به سزایی در بهینه سازی و برنامه ریزی سامانه­ مدیریت پسماند­های جامد شهری دارد، اما به علت دینامیک بودن سامانه های مدیریت پسماند، پیچیدگی روابط بین متغیر ورودی و خروجی، در دسترس نبودن و یا ناکافی بودن اطلاعات و همچنین تاثیر عوامل متغیر و غیرقابل کنترل همواره کار مشکلی بوده است. امروزه استفاده از سامانه های هوشمند به عنوان راهکاری نوین در تحلیل مسائل زیست محیطی، گسترش یافته است. در این پژوهش توانایی دو مدل هوشمند شبکه عصبی با تابع آموزش لونبرگ مارکوارت و همچنین سامانه استنتاج تطبیقی فازی-عصبی برای تخمین میزان تولید پسماندهای ماهانه شهر تهران مقایسه گردید. برای این منظور از داده های مربوط به جمعیت، الگوهای فصلی، کل بارندگی ماهانه، میانگین دمای ماهانه، ارتفاع از سطح دریا، میانگین رطوبت ماهانه و کل پسماند تولیدی (TSW) این شهر در فاصله زمانی 1389 تا 1394 که به صورت ماهانه مرتب شده بودند، استفاده شد. بعد از آموزش و آزمون مدل­های شبکه عصبی و سامانه استنتاج تطبیقی فازی­-عصبی نتایج این مدل­ها مورد مقایسه قرار گرفت. نتایج به دست آمده از این پژوهش نشان داد که مدل فازی-عصبی با ضریب تعیین 963/0، جذر میانگین مربعات خطا 096/0و درصد میانگین مطلق خطا 05/1 نسبت به مدل شبکه عصبی با ضریب تعیین 852/0، جذر میانگین مربعات خطا 132/0و درصد میانگین مطلق خطا 19/1 دارای عملکرد بهتری می­باشد. همچنین نتایج بررسی دو مدل نشان داد که در هر دو مدل با داده­های ورودی الگوهای فصلی، کل بارندگی ماهانه، میانگین دمای ماهانه، میانگین رطوبت ماهانه و کل پسماند تولیدی (TSW) می­توان به پیش­بینی دقیق­تری دست یافت. https://ijbse.ut.ac.ir/article_58490_dfc84f677e51f2c23eae1a3d3e55e0af.pdf