چکیده

یادگیری ماشین (ML) در بسیاری از زمینه‌های تجربی نظیر شناسایی تصویر، پردازش زبان طبیعی، انواع بازی‌ها و غیره کاربرد دارد. مدل شبیه‌سازی‌شده‌ی انتشار گاز می‌تواند یکی از این کاربردها باشد. این پژوهش تجربی برای شناخت پتانسیل روش‌های یادگیری ماشین در مدل‌سازی انتشار گاز دی اکسید کربن طراحی‌شده است. داده‌های مربوط به انتشار گازها می‌توانند با استفاده از دستگاه‌های حسگر جمع‌ﺁوری شوند تا روش‌های مبتنی بر یادگیری ماشین بتوانند انتشار را شبیه‌سازی کنند. در این پژوهش سه روش بررسی و مقایسه شده است: درون‌یابی خطی، پرسپترون چندلایه (MLP) و پرسپترون چندلایه‌ی ژرف (DLP). آزمایش‌هایی جهت جمع‌ﺁوری داده‌های مربوط به انتشار گاز دی اکسید کربن ترتیب داده‌شده است. این ﺁزمایشات در یک اتاق بزرگ با دو در و هشت پنجره انجام گرفته است که این تعداد برای تهویه‌ی هوای اتاق کافی است. سه مجموعه داده برای یادگیری و یک مجموعه برای آزمایش جمع‌ﺁوری شده است. برای مقایسه‌ی این سه روش از انحراف جذر میانگین مربعات (RMSD) استفاده شده است. در مقایسه با داده‌های آزمایش واقعی، روش DLP کمترین RMSD را از خود نشان می دهد که پس از آن به ترتیب درون یابی خطی و MLP قرار دارد.

1-مقدمه

گاز به‌صورت گسترده در زمینه های مختلف صنعتی و خانگی مورد استفاده قرار می گیرد. اگرچه در صورت مدیریت صحیح، گاز عنصر مفیدی است، اما در صورتیکه حتی برای لحظه ای به درستی کنترل نشود، بسیار خطرناک می باشد. گازهای خطرآفرین نه تنها می توانند موجب ﺁسیب‌دیدگی انسان‌ها شوند، بلکه می توانند به اموال نیز ﺁسیب برسانند. نظارت یکپارچه برای مدیریت شرایط خطرناک و جلوگیری از حوادث ناخواسته بسیار مهم است....

 میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید