ارزیابی و پیش بینی میزان آلودگی ترکیبات آلی فرار در جایگاه‌های سوخت‌گیری با استفاده از مدل شبکه ی عصبی

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشکده مهندسی شیمی، دانشگاه صنعتی سهند، تبریز، ایران

2 هیئت علمی دانشکده مهندسی شیمی، دانشگاه صنعتی سهند، تبریز، ایران

3 دانشجوی دکتری دانشکده مهندسی شیمی، دانشگاه صنعتی سهند، تبریز، ایران

4 فارغ التحصیل کارشناسی ارشد دانشکده مهندسی شیمی، دانشگاه صنعتی سهند، تبریز، ایران

چکیده

یکی از مهم­ترین آلاینده ­هایی که موجب آلودگی هوای شهرها می ­شود، ترکیبات آلی فرار بوده که باعث بروز عوارض فراوانی در افراد می­شوند. پمپ ­بنزین­ها و نیز خودروها از جمله مهم­ترین منابعی هستند که موجب تجمع این آلاینده ­ها می­ شوند و با توجه به افزایش روزافزون خودرو، پمپ­ بنزین­ها به مکانی خطرناک تبدیل شده که باید مورد توجه قرار گیرند. از آنجایی که آلودگی هوا یک فرآیند بسیار پیچیده بوده که وابسته به بسیاری از عوامل می ­باشد، بنابراین پیش‌بینی اینگونه داده ­ها که دارای دینامیک غیرخطی هستند، بسیار مشکل و پرهزینه است. در این پژوهش با جمع­ آوری داده ­های تجربی از سه پمپ بنزین در شهر زنجان و شناسایی پارامترهای تأثیرگذار، مدلسازی با استفاده از شبکه عصبی مصنوعی و با دو مدل پرسپترون چندلایه و تابع پایه شعاعی انجام گرفت. در قسمت آماری این پژوهش ضریب همبستگی و مجموع مربعات خطا به‌عنوان معیارهای لازم برای سنجش دقت دو مدل مذکور به کار گرفته شدند. نتایج و تحلیل­های انجام شده در این مطالعه نشان داد که آلودگی عمده حاصل از مصرف بنزین شامل دو مرحله، یکی زمان سوخت­گیری و دیگری بعد از سوخت بنزین می ­باشد. همچنین در فصل تابستان، غلظت ترکیبات آلی فرار بیشتر از زمستان بوده و نیز این میزان از آلودگی در دو زمان صبح و عصر بیشتر مشاهده می­ شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation and Prediction of Consumption of Volatile Organic Compounds in Refueling Situations Using Neural Network Model

نویسندگان [English]

  • kiana vosough 1
  • Davood Kahforoushan 2
  • sima asadi 3
  • Hossein Alinezhad 4
1 Master's student at the Faculty of Chemical Engineering, Sahand University of Technology, Tabriz, Iran
2 Member of the Faculty of Chemical Engineering, Sahand University of Technology, Tabriz, Iran
3 Doctoral student of Chemical Engineering Faculty, Sahand University of Technology, Tabriz, Iran
4 Master's graduate at the Faculty of Chemical Engineering, Sahand University of Technology, Tabriz, Iran
چکیده [English]

One of the most important pollutants that cause air pollution in cities is volatile organic compounds that cause many complications in people. Gasoline pumps as well as cars are among the most important sources that cause the accumulation of these pollutants, and due to the increasing number of cars, gasoline pumps have become a dangerous place that should be taken into consideration. Since air pollution is a very complex process that depends on many factors, it is very difficult and expensive to predict such data, which have nonlinear dynamics. In this research, by collecting experimental data from three gas stations in Zanjan and identifying the influencing parameters, modeling has been done using artificial neural network. That, two multilayer perceptron models and radial basis function were investigated. In the statistical part of this research, the correlation coefficient and the sum of squared errors were used as necessary criteria to measure the accuracy of the two mentioned models. The results and analysis conducted in this study showed that the pollution resulting from the consumption of gasoline includes two stages, one at the time of refueling and the other after refueling. Also, in the summer, the concentration of volatile organic compounds is higher than in the winter, and this amount of pollution is observed more in the morning and evening.

کلیدواژه‌ها [English]

  • Air Pollution
  • Volatile Organic Compounds
  • Gas Station
  • Neural Network

مراجع

[1] اسماعیل. محمدخانلو، اسماعیل. فاتحی فر، "ارزیابی ترکیبات آلی فرار در هوای جایگاه­های پمپ بنزین شهر تبریز"، هشتمین همایش ملی و نمایشگاه تخصصی مهندسی محیط زیست: تهران، 1395.
[2] لیلا توحید، "بررسی تغییرات زمانی و مکانی غلظت BTEX و استایرن در هوای شهر تبریز و ارزیابی خطر بهداشتی"، پایان نامه کارشناسی ارشد، دانشگاه علوم پزشکی و خدمات درمانی دانشگاه تبریز، 1397.
[3] Li, Rong, Ankun Xu, Yan Zhao, Huimin Chang, Xiang Li, and Guannv Lin, "Genetic algorithm (GA)-Artificial neural network (ANN) modeling for the emission rates of toxic volatile organic compounds (VOCs) emitted from landfill working surface", Journal of environmental management 305: 114433, 2022.
[4] Baskaran, Divya, Arindam Sinharoy, Tanushree Paul, Kannan Pakshirajan, and Ravi Rajamanickam, "Performance evaluation and neural network modeling of trichloroethylene removal using a continuously operated two-phase partitioning bioreactor", Environmental Technology & Innovation 17: 100568, 2020.
[5] Zeinab. Mozafari, Mansour. Arab Chamjangali, Mohammad. Arashi, Nasser. Goudarzi, "QSRR models for predicting the retention indices of VOCs in different datasets using an efficient variable selection method coupled with artificial neural network modeling: ANN-based QSPR modeling", Journal of the Iranian Chemical Society, vol. 19, no. 6, pp. 2617-2630, 2022.     
[6] Xu. Ankun, Li. Rong, Huimin Chang, Xu.Yingjie, Li. Xiang, Lin. Guannv, Yan Zhao, "Artificial neural network (ANN) modeling for the prediction of odor emission rates from landfill working surface", Waste Management, vol.138, pp. 158-171, 2022.
[7] Rui. Feng, Hui-jun Zheng, Han Gao, An-ran Zhang, Chong Huang, Jun-xi Zhang, Kun Luo, Jian-ren Fan, "Recurrent Neural Network and random forest for analysis and accurate forecast of atmospheric pollutants: a case study in Hangzhou, China", Journal of cleaner production, vol. 231, pp. 1005-1015, 2019.
[8] N. Shinohara, Y. Okazaki, A. Mizukoshi, S. Wakamatsu, "Exposure to benzene, toluene, ethylbenzene, xylene, formaldehyde, and acetaldehyde in and around gas stations in Japan”, Chemosphere, vol. 222, pp. 923-931, 2019.                                                              
[9] Chen, Zhiyun, Yangong Zheng, Ken Chen, Hanyu Li, Jiawen Jian, "Concentration estimator of mixed VOC gases using sensor array with neural networks and decision tree learning". IEEE Sensors Journal, vol. 17, no. 6, pp. 1884-1892, 2017.
[10] حسین. احمدی، پیش­بینی و مدلسازی آلاینده­های هوا با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: مشهد)، پایان نامه کارشناسی ارشد، دانشگاه بیرجند، 1393.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار