Приказ основних података о дисертацији

Prediction of emission of gaseous pollutants on national level using artificial neural networks models

dc.contributor.advisorPocajt, Viktor
dc.contributor.otherRistić, Mirjana
dc.contributor.otherPerić-Grujić, Aleksandra
dc.contributor.otherOnjia, Antonije
dc.creatorStamenković, Lidija J.
dc.date.accessioned2017-02-27T10:10:21Z
dc.date.available2017-02-27T10:10:21Z
dc.date.available2020-07-03T09:25:13Z
dc.date.issued2016-09-28
dc.identifier.urihttp://eteze.bg.ac.rs/application/showtheses?thesesId=4608
dc.identifier.urihttps://nardus.mpn.gov.rs/handle/123456789/7650
dc.identifier.urihttps://fedorabg.bg.ac.rs/fedora/get/o:14738/bdef:Content/download
dc.identifier.urihttp://vbs.rs/scripts/cobiss?command=DISPLAY&base=70036&RID=48703247
dc.description.abstractRadi realizacije koncepta održivog razvoja u narednim decenijama, kao jedan od značajanijih segmenata jeste očuvanje i kontrola kvaliteta vazduha. U tom smislu su na globalnom nivou osnovane brojne organizacije, podržane određenim međunarodno zakonodavno-pravnim mehanizmima. Obaveza država članica pomenutih organizacija i potpisnica konvencija je podnošenje izveštaja o trenutnim i budućim emisijama određenih zagađujućih materija, definisanih kroz indikatore koji se odnose na vazduh i klimatske promene. Radi realizacije preuzetih obaveza potrebno je primeniti odgovarajuće modele koji će na što precizniji, jednostavniji i ekonomičniji način proceniti emisiju određenih polutanata u vazduh. Postojeći modeli koji se koriste za proračun trenutnih i budućih emisija zagađujućih materija su zasnovani na inventarskom pristupu i podrazumevaju poznavanje i primenu velikog broja ulaznih parametara. Da bi proračun emisije prema postojećim modelima bio što precizniji, zahteva se poznavanje više stotina specifičnih parametara za određenu državu i svaki od izvora emisije, koji zavise od primenjene tehnologije, vrste goriva, kao i drugih informacija. Određivanje ulaznih parametara za postojeće modele je izuzetno složeno i zahteva korišćenje brojnih resursa da bi se utvrdila njihova vrednost. Poslednjih godina, sa razvojem računarske tehnologije, veštačke neuronske mreže (ANN - Artificial Neural Networks) su vrlo često korišćene za modelovanje u različitim oblastima. Predstavljaju sofisticirane tehnike modelovanja koje su u mogućnosti da modeluju veoma komleksne i nelinearne funkcije. U okviru ove disertacije osnovni ciljevi su bili razvoj ANN modela za predviđanje nacionalnih emisija sledećih gasovitih zagađujućih materija: amonijaka, nemetanskih isparljivih organskih jedinjenja, metana, azotovih oksida i gasova staklene bašte. Za razvoj ANN modela za predviđenje emisije amonijaka korišćena je višeslojna perceptron arhitektura (MLP - Multilayer Perceptron) – troslojna mreža. MLP model je najpre optimizovan primenom proba i greška procedure kojom je određen optimalan broj skrivenih neurona, aktivaciona funkcija i backpropagation algoritam obučavanja. Analiza glavnih komponenti (PCA - Principal Component Analysis) je primenjena na originalnim ulaznim podacima radi redukcije korelacije između ulaznih promenljivih. Dobijeni rezultati ANN modela kreiranih sa transformisanim ulazima, tj. glavnim komponentama (PCA - MLP) su pokazali da ima mnogo bolje performanse u odnosu na ANN model kreiran sa originalnim ulaznim promenljivama (MLP). U fazi validacije modela, kreirani MLP i PCA - MLP modeli su poređeni sa regresionim modelom razvijenim sa glavnim komponentama, kao ulaznim parametrima (PCR - Principal Component Regression ). Rezultati poređenja ova tri modela su pokazali da PCA - MLP model daje najbolje rezultate predviđanja sa relativnom greškom ispod 20% za SAD i većinu Evropskih država koje su bile uključene u razvoj modela...sr
dc.description.abstractIn order to implement concept of sustainable development in the coming decades, one of significant segments is to prevent further degradation of air quality influenced by emission of pollutants. Regarding this, numerous organizations have been founded on global level, supported by certain international legislative-legal mechanisms. Obligation of member countries and convention signees is submission of reports on current and future emissions of specific pollutants defined through indicators regarding air and climate changes. In order to realize commitments, it is necessary to apply suitable models which will, in the simplest, most precise and most economical way estimate the emission of certain pollutants into the air. Existing models that are used for estimation of current and future emission of pollutants are based on inventory approach and imply knowledge and implementation of numerous input parameters. In order to estimate emission more precisely according to existing models, it is necessary to have the knowledge of hundreds of specific parameters for certain country as well as every emission source, that depend on applied technology, type of fuel and other information. Setting input parameters for existing models is extremely complicated and requires use of numerous resources so as to determine their value. In recent years, along with development of computer technology, artificial neural networks (ANN) have often been used for modeling in different fields. They present sophisticated modeling techniques that are able to model very complex and nonlinear functions. Basic goals within this dissertation was development of ANN model for prediction of national emissions of following gaseous pollutants: ammonia, non-methane volatile organic compounds, methane, nitrogen oxides and greenhouse gases. Multilayer perceptron architecture (MLP) - three-layer network was used for the development of ANN model for estimation of ammonia emission. MLP model was firstly optimized by application of trials and errors of the procedure by which the optimum number of hidden neurons, activation function and back-propagation training algorithm is determined. Principal Components Analysis (PCA) is applied on original input data in order to reduce correlation between input variables. Obtained results of ANN model, created with transformed inputs, or, principal components (PCA - MLP) have shown that it has much better performance in comparison with ANN model, created with original input variables (MLP). In the phase of model validation, created MLP and PCA - MLP models are compared with regression model developed with principal components as input parameters (PCR). Comparison results of these three models have shown that PCA - MLP model provides best estimation results with relative error under 20% for USA and most European countries that are involved in model development...en
dc.formatapplication/pdf
dc.languagesr
dc.publisherУниверзитет у Београду, Технолошко-металуршки факултетsr
dc.rightsopenAccessen
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.sourceУниверзитет у Београдуsr
dc.subjectodrživi razvojsr
dc.subjectsustainable developmenten
dc.subjectveštačke neuronske mrežesr
dc.subjectamonijaksr
dc.subjectnemetanska isparljiva organska jedinjenjasr
dc.subjectmetansr
dc.subjectazotni oksidisr
dc.subjectgasovi staklene bašte.sr
dc.subjectartificial neural networksen
dc.subjectammoniaen
dc.subjectnon-methane volatile organic compoundsen
dc.subjectmethaneen
dc.subjectnitrogen oxidesen
dc.subjectgreenhouse gasesen
dc.titlePredviđanje emisije gasovitih zagađujućih materija na nacionalnom nivou primenom modela zasnovanih na veštačkim neuronskim mrežamasr
dc.title.alternativePrediction of emission of gaseous pollutants on national level using artificial neural networks modelsen
dc.typedoctoralThesisen
dc.rights.licenseBY-NC-ND
dcterms.abstractПоцајт, Виктор; Онија, Aнтоније; Перић-Грујић, Aлександра; Ристић, Мирјана; Стаменковић, Лидија Ј.; Предвиђање емисије гасовитих загађујућих материја на националном нивоу применом модела заснованих на вештачким неуронским мрежама; Предвиђање емисије гасовитих загађујућих материја на националном нивоу применом модела заснованих на вештачким неуронским мрежама;
dc.identifier.fulltexthttps://nardus.mpn.gov.rs/bitstream/id/18734/Disertacija.pdf
dc.identifier.fulltexthttp://nardus.mpn.gov.rs/bitstream/id/18734/Disertacija.pdf
dc.identifier.fulltexthttps://nardus.mpn.gov.rs/bitstream/id/18735/IzvestajKomisije7836.pdf
dc.identifier.fulltexthttp://nardus.mpn.gov.rs/bitstream/id/18735/IzvestajKomisije7836.pdf
dc.identifier.rcubhttps://hdl.handle.net/21.15107/rcub_nardus_7650


Документи за докторску дисертацију

Thumbnail
Thumbnail

Ова дисертација се појављује у следећим колекцијама

Приказ основних података о дисертацији