پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,788 |
| تعداد مقالات | 73,130 |
| تعداد مشاهده مقاله | 133,144,604 |
| تعداد دریافت فایل اصل مقاله | 104,164,286 |
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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 111 تعداد دریافت فایل اصل مقاله: 107 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب