2 نتیجه برای آنالیز حساسیت
سیده ریحانه شمس، علی جهانی، مظاهر معین الدینی، نعمت الله خراسانی، صبا کلانتری،
دوره 10، شماره 4 - ( 9-1399 )
چکیده
شهر تهران به عنوان یک کلان شهر، به علت دارا بودن جمعیت زیاد و آلودگی شدید ناشی از منابع و آلاینده های گوناگون، در معرض آسیب های ناشی از آلودگی هوا قرار دارد. پژوهش بر روی آسیب های ناشی از آلودگی هوا در شهر تهران با توجه به آلاینده های مهم و شاخص های موثر امری ضروری به نظر می رسد. مطالعه حاضر با هدف پیش بینی ازن هوای شهر تهران انجام شد. با توجه به مضررات گاز ازن بر سلامت انسان و محیط زیست و افزایش آن در دهه های گذشته، بررسی و پیش بینی میزان آن در هوا از اهمیت بالایی برخوردار است. پیش بینی تراکم گاز ازن در هوا می تواند برای پیشگیری و کنترل توسط مسؤلان استفاده شود. این پژوهش از نوع روش تحلیلی-کاربردی بوده و با استفاده از داده های روزانه ازن ایستگاه های سنجش کیفیت هوای شهر تهران، هواشناسی، فضای سبز، ترافیکی و متغیرهای زمانی مثل تاخیر زمانی یک روزه به پیش بینی گاز ازن در کلان شهر تهران پرداخته است. در این راستا از مدل شبکه عصبی مصنوعی جهت پیش بینی غلظت گاز ازن با استفاده از نرم افزار MATLAB و با روش کدنویسی استفاده شد. در پایان نتایج مدل شبکه عصبی مصنوعی با مدل رگرسیون خطی مقایسه گردید. ضریب همبستگی و خطای جذر میانگین مربعات مدل شبکه عصبی 734/0 : R2 و566/0 RMSE: با معادلات رگرسیون 608/0 :R2 و 69/11 RMSE: مقایسه شد. بر اساس نتایج حاصل می توان عنوان نمود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است. بر اساس نتایج آنالیز حساسیت پارامترهای فصل از سال، طول ساعات آفتابی به ترتیب بیش ترین تاثیر را در میزان تراکم گاز ازن در هوای شهر تهران دارند
صبا کلانتری، بهمن پورحسن، زهرا بیگ زاده، ویدا شهبازیان، علی جهانی،
دوره 14، شماره 1 - ( 1-1403 )
چکیده
مقدمه: شیوع بیماری کووید-19 تاثیر عمده ای بر محیط های کاری و همچنین نیروی کار داشته است، در نتیجه شناسایی مهم ترین راهکارها و استراتژی های پیشگیرانه و کنترلی و سنجش کارایی آنها اهمیت ویژه ای دارند. مطالعات مختلف نشان داده اند که روش های هوش مصنوعی می‌توانند برای پیش بینی مسائل پیچیده و غیر خطی از جمله پیش بینی رفتار انواع بیماری ها نظیر بیماری کووید-19 و پارامتر های مؤثر بر آن مفید واقع شوند. هدف از این مطالعه بررسی تأثیر اقدامات پیشگیرانه و رفتار های بهداشتی در پیشگیری از بیماری کووید-19 در محیط های شغلی با استفاده از مدل های یادگیری ماشین مختلف بوده است.
روش کار: بدین منظور، اطلاعات جمعیت شناسی و رفتارهای بهداشتی افراد در یک صنعت پالایش نفت جمع آوری گردید. سپس مدل چند لایه پرسترون (MLP) ، تابع پایه شعاعی (RBF) و ماشین بردار پشتیبان (SVM) به منظور بهبود تجزیه تحلیل تاثیرات اقدامات پیشگیرانه بر روی عفونت کووید-19 مقایسه شدند. در نهایت، مهم‌ترین عوامل مؤثر بر احتمال ابتلا به بیماری کووید-۱۹ با استفاده از تحلیل آنالیز حساسیت تعیین شدند.
یافته ها: نتایج نشان داد دقت بدست آمده در پیش‌بینی تأثیر اقدامات پیش‌گیری‌کننده و رفتارهای بهداشتی بر بیماری کووید-19 در محیط‌های شغلی 1/78%، 2/81% و 1/78% به ترتیب برای MLP، RBF و SVM است و مدل RBF به عنوان دقیق ترین مدل برای پیش بینی میزان تأثیر رفتارهای بهداشتی بر بیماری کووید-19 عمل می کند. علاوه بر این، میزان فاصله اجتماعی با مشتریان، دفعات شست و شوی دست ها و ضد عفونی کردن دست ها، وجود مواد شوینده و ضد عفونی کننده برای دست ها و سطوح در محل کار و تجمع برای خوردن غذا و میان وعده مهم ترین رفتار های بهداشتی مؤثر بر شیوع کووید-19 در محل کار شناسایی شدند.
نتیجه گیری: این مطالعه نشان داد توجه به اقدامات پیشگیرانه و رفتارهای بهداشتی در پیشگیری از بیماری کووید-19 موثر بوده است. علاوه برآن استفاده از الگوریتم یادگیری ماشین و ابزارهای بدست آمده از آن همچون سیستم پشتیبانی تصمیم گیری (DSS) می توانند ابزاری قدرتمند در جهت مدیریت هرچه بهتر اقدامات کنترلی در محیط های کاری باشند.
