عنوان پایان‌نامه
بهینه یابی و مدل سازی شاخص‌های انرژی، اقتصادی و زیست محیطی تولیدعدس و نخودآبی در استان اصفهان با استفاده از شبکه های عصبی مصنوعی و تحلیل پوششی داده‌ها
- رشته تحصیلی
- مهندسی مکانیزاسیون کشاورزی - انرژی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7049;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76327;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7049;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76327
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- بهزاد الهامی
- استاد راهنما
- اسداله اکرم
- چکیده
- در این تحقیق به بررسی انرژی مصرفی، مسائل اقتصادی و تبعات زیست محیطی محصولات عدس و نخود زراعی با استفاده از ارزیابی چرخه زندگی به منظور تعیین میزان بارهای محیطی پرداخته شده است. به کمک تحلیل پوششی داده ها و الگوریتم ژنتیک مقادیر بهینه مصرف نهاده ها مورد تحلیل و بررسی قرار گرفت و به منظور مدل‌سازی عملکرد محصولات، نسبت سود به هزینه و شاخص های زیست محیطی از مدل های رگرسیونی، شبکه های عصبی مصنوعی و سامانه استنتاج عصبی-فازی تطبیقی (انفیس) استفاده گردید. نتایج حاصل از این پژوهش نشان داد که میزان کل انرژی نهاده در تولید محصولات عدس و نخود زراعی به ترتیب برابر با 10/32970 و 18/33211 مگاژول بر هکتار می‌باشد. بیشترین میزان مصرف انرژی در تولید هر دو محصول به ترتیب متعلق به کود نیتروژن، الکتریسیته مصرفی و سوخت دیزل است. همچنین نتایج نشان داد که در هر دو محصول هزینه های مربوط به اجاره زمین، نیروی کارگری و ماشین ها بیشترین سهم از هزینه ی نهاده ها را به خود اختصاص داده اند. ارزیابی اثرات زیست محیطی محصولات مورد مطالعه نشان داد که بیشترین بارهای محیطی در هر دو محصول به ترتیب ازجانب انتشار مستقیم ناشی از مصرف نهاده ها (N2O،CO2، NH3 و...)، کود نیتروژن، ماشین ها، کود دامی و سوخت دیزل بوده است. مقایسه نتایج حاصل از مدل رگرسیونی، شبکه عصبی مصنوعی و انفیس برای پیش بینی عملکرد محصولات مورد مطالعه نشان داد که مدل انفیس قادر است تا با دقت بیشتر و خطای کمتر عملکرد محصولات فوق را پیش بینی کند. بر این اساس در پیش بینی عملکرد عدس مقادیر ضریب تبیین برای مدل رگرسیونی، شبکه عصبی و انفیس به ترتیب برابر با 92/0، 90/0 و 99/0 و برای نخود زراعی این مقادیر به ترتیب برابر با 89/0، 92/0، 98/0 محاسبه شده است. همچنین در پیش بینی نسبت سود به هزینه ی محصول عدس مدل انفیس و در پیش بینی نسبت سود به هزینه نخود زراعی مدل شبکه عصبی نسبت به دو مدل دیگر دقت بالاتری دارند؛ این در حالی است که تفاوت محسوسی میان مدل های مذکور برای پیش بینی شاخص های زیست‌محیطی در هر دو محصول مشاهده نگردید. نتایج بهینه سازی مصرف انرژی با تحلیل پوششی داده ها و الگوریتم ژنتیک چند هدفه به وضوح نشان دادند که میزان مصرف بهینه نهاده ها که از بهینه یابی چند هدفه حاصل شده است بر این اساس به طور معناداری کمتر از نتایج تحلیل پوششی داده ها می باشد. بر این ترتیب 12/3% و 11/5% از کل انرژی ورودی عدس و نخود زراعی در تحلیل پوششی داده ها و در بهینه یابی چندهدفه به ترتیب 45/17% و 5/18% از کل میزان انرژی ورودی برای این دو محصول قابلیت ذخیره سازی دارند. همچنین نتایج حاکی از آن بود که با توجه به کمتر بودن میزان نهاده های مصرفی محاسبه شده در الگوریتم ژنتیک نسبت به تحلیل پوششی داده ها در محصولات مورد مطالعه، شاخص های زیست‌محیطی نیز کاهش محسوس تری دارند. واژه های کلیدی: ارزیابی چرخه حیات، انرژی، انفیس، الگوریتم ژنتیک، تحلیل پوششی داده ها، شبکه های عصبی مصنوعی، مدل رگرسیونی
- Abstract
- In this study, the energy use, economical issues and environmental impacts of lentil and chickpea crops have been investigated using life cycle assessment (LCA) methodology to determine the environmental burdens. The optimum values of inputs were analyzed and investigated using data envelopment analysis (DEA) and multi objective genetic algorithm (MOGA) methods. In order to model the crop’s yield, benefit to cost ratio and environmental indices, the regression models, artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS) were applied. The study results showed that total energy input for production of lentil and chickpea were 32970.10 and 33211.18 MJ/ha. The maximum energy consumptions in two crops were related to nitrogen fertilizer, electricity and diesel fuel, respectively. Also, results showed that the costs of land renting, labors and machinery had the highest contribution to total costs in both crops. The investigation of environmental impacts showed that the highest environmental burdens in both crops were due to the direct emissions of consumption of inputs (N2O, CO2, NH3 and …), nitrogen fertilizer, machinery, farmyard manure and diesel fuel. The comparison between the linear regression, ANN and ANFIS modeling techniques showed that ANFIS with highest accuracy and lowest error, was able to predict the yield of the mentioned crops. The R2 values of linear regression, ANN and ANFIS models in predicting yield of lentil were 0.92, 0.90 and 0.99, respectively while the respective values for chickpea were 0.89, 0.92 and 0.98. In predicting the benefit to cost ratio, the ANFIS and ANN models had the highest accuracy in lentil and chickpea, respectively, while there was not a significant difference between three different models in predicting the environmental indices in both crops. The results of energy consumption optimization using DEA and MOGA clearly showed that the optimum values of inputs based on MOGA was significantly lower than those based on DEA. In this regard, by applying DEA, the total energy consumption can be saved by 3.12% and 8.69% in lentil and chickpea, respectively, while the relevant values by MOGA in lentil and chickpea were 17.45% and 18.5%, respectively. The results showed that because of lower the inputs consumption calculation in GA compared to DEA, environmental impacts are also more considerable decrease. Keywords: Life Cycle Assessment, Energy, ANFIS, Genetic Algorithm, Data Envelopment Analysis, Artificial Neural Network, Regression model
