other بکارگیری روش‌های مدلسازی در پیش بینی نتایج آنالیز روغن‌های معدنی باروش مادون قرمز با تبدیل فوریه (FTIR) عوامل زیان آور شیمیایی و تهویه محیط کار مروری Review <strong>مقدمه: </strong>روغن‌های معدنی، به‌عنوان یکی از اجزای مهم مایعات فلزکاری، در فرآیندهای صنعتی به‌صورت آئروسل در محیط کار منتشر شده و با ورود از طریق استنشاق به بدن، خطرات جدی مانند سرطان حنجره، آسم، و سرطان ریه ایجاد می‌کنند. روش NIOSH 5026 با استفاده از اسپکتروفتومتری FTIR به ارزیابی میزان مواجهه با روغن‌های معدنی می‌پردازد. با این حال، ترکیبات شیمیایی متنوع این روغن‌ها باعث تداخلات گسترده در طیف FTIR می‌شود. در این مطالعه از دو روش مدل‌سازی حداقل مربعات جزئی (PLS) و شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی صحیح غلظت مواجهه‌ی تنفسی با روغن‌های معدنی استفاده شد.<br> <strong>روش کار:</strong> داده‌ها از طیف FTIR در بازه 1500-4000 cm⁻&sup1; استخراج و در 701 عدد موجی ثبت شد. ماتریس طیف (X) به‌عنوان ورودی و ماتریس غلظت روغن معدنی (Y) به‌عنوان خروجی برای مدل‌سازی PLS و ANN در نظر گرفته شد. عملکرد مدل‌ها براساس خطای جذر میانگین مربعات (RMSEp) مقایسه شد. &nbsp;<br> <strong>یافته ها:</strong> در مدل PLS، ضریب رگرسیون 9188/0 و میانگین خطا &nbsp;792/4 &nbsp;محاسبه شد. در مقابل، مدل ANN با استفاده از کمتر از 11 لایه پنهان و 15% داده‌ها برای اعتبارسنجی، به RMSEp معادل 0036/0 &nbsp;و میانگین خطای 3.01% دست یافت. همچنین، ANN در مقایسه با PLS دقت بالاتری در تخمین غلظت نمونه‌های آزمایشی نشان داد.<br> <strong>نتیجه گیری: </strong>مدل‌سازی به روش ANN امکان پیش‌بینی دقیق غلظت روغن‌های معدنی را علی‌رغم تداخلات طیفی فراهم می‌کند. در حالی که هر دو مدل ANN و PLS عملکرد مناسبی داشتند، روش ANN به دلیل دقت بالاتر و خطای کمتر، برتری بیشتری در پیش‌بینی غلظت نشان داد. <strong>Introduction:</strong> Mineral oil, a key component of metalworking fluids, is a complex mixture that generates aerosols during industrial processes, posing significant respiratory health risks such as laryngeal cancer, asthma, and lung cancer. The NIOSH 5026 method uses Fourier Transform Infrared Spectroscopy (FTIR) to assess exposure to mineral oils. However, the diverse and complex compositions of mineral oils cause significant spectral interferences. Partial Least Squares (PLS) and Artificial Neural Networks (ANN) are advanced modeling methods used to address these interferences without manual intervention. This study aimed to predict mineral oil concentrations in an automotive industry using FTIR and modeling methods.<br> <strong>Material and Methods:</strong> FTIR spectral data (1500&ndash;4000 cm⁻&sup1;) were recorded across 701 wave numbers and analyzed using PLS and ANN models. Input (matrix X) consisted of FTIR data, while output (matrix Y) represented mineral oil concentrations. Model performance was evaluated using Root Mean Square Error (RMSEp).<br> <strong>Results: </strong>The ANN model significantly outperformed the PLS model. The overall RMSEp for ANN was 0.0036, compared to 5.01 for PLS. ANN achieved a regression of 0.997 in the test set, with an average error percentage of 3.01%, while PLS yielded an error of 4.792. ANN modeling used 15% of data for validation and required fewer than 11 hidden layers to achieve optimal performance.<br> <strong>Conclusion:</strong> ANN modeling effectively predicted mineral oil concentrations despite spectral interferences, outperforming PLS in accuracy and error reduction. Both methods are viable for evaluating mineral oil exposure, but ANN offers superior predictive capabilities. روغن های معدنی, روش NIOSH 5026, شبکه عصبی مصنوعی, رگرسیون حداقل مربعات جزئی Mineral oil, NIOSH 5026 method, Artificial neural network, Partial least square regression, Anticipation 99 118 http://jhsw.tums.ac.ir/browse.php?a_code=A-10-1-262&slc_lang=other&sid=1 Fatemeh Baghdadi فاطمه بغدادی No Department of Occupational Health and Safety Engineering, Faculty of Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran گروه مهندسی بهداشت حرفه‌ای و ایمنی‌کار، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Rezvan Zendehdel رضوان زنده دل No Department of Occupational Health and Safety Engineering, Faculty of Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran گروه مهندسی بهداشت حرفه‌ای و ایمنی‌کار، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Zahra Panjali زهرا پنجعلی No Department of Occupational Health and Safety Engineering, Faculty of Health, Islamic Azad University of Medical Sciences, Tehran, Iran مهندسی بهداشت حرفه‌ای و ایمنی‌کار، دانشکده بهداشت، دانشگاه علوم پزشکی آزاد اسلامی ایران، تهران، ایران Alireza Hajighasemkhan علیرضا حاجی قاسمخان hajighasemkhan@sbmu.ac.ir Yes Department of Occupational Health and Safety Engineering, Faculty of Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran گروه مهندسی بهداشت حرفه‌ای و ایمنی‌کار، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران