عنوان پایان‌نامه
ارزیابی انرژی مصرفی و شاخص های زیست محیطی تولید کیک و کلوچه در استان گیلان
- رشته تحصیلی
- مهندسی مکانیزاسیون کشاورزی - انرژی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7081;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76605;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7081;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76605
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- مهدیه محمدنیاگالشکلامی
- استاد راهنما
- مجید خانعلی
- چکیده
- در این تحقیق به بررسی وضعیت مصرف انرژی، مسائل اقتصادی و میزان انتشار آلاینده های زیست محیطی از طریق ارزیابی چرخه زندگی تولیدات کیک و کلوچه در استان گیلان پرداخته شده است. در این پژوهش ابتدا انرژی مصرفی، شاخص های اقتصادی و میزان انتشار آلاینده های زیست محیطی برای هر یک از تولیدات محاسبه و سپس با استفاده از مدل های رگرسیونی، شبکه های عصبی مصنوعی و سامانه استنتاج فازی-عصبی تطبیقی به مدل سازی انرژی خروجی (عملکرد)، نسبت سود به هزینه و شاخص های زیست محیطی پرداخته شد. همچنین به منظور بهینه سازی انرژی مصرفی و آلاینده های زیست محیطی از دو روش تحلیل پوششی داده ها و الگوریتم ژنتیک چند هدفه استفاده شد و در نهایت نتایج دو روش با یکدیگر مقایسه شدند. نتایج حاصل از این پژوهش نشان داد که میزان کل انرژی نهاده در تولید کیک و کلوچه به ترتیب 260532/5و 240197/96 مگاژول بر روز می باشد. بیشترین میزان مصرف انرژی در تولید هر دو محصول به ترتیب با 50% و 56% به گاز طبیعی تعلق داشته است. همچنین نتایج نشان داد که هزینه های شکر و روغن به ترتیب با 38/58% و 21/66% در کیک و هزینه های روغن و گردو به ترتیب با 23/13% و 23% در کلوچه بیشترین سهم از هزینه ها را به خود اختصاص داده اند. ارزیابی تأثیرات زیست محیطی تولیدات مورد مطالعه نشان داد که بیشترین بارهای محیطی از جانب نهاده های روغن و ماشین ها بوده است. مقایسه نتایج حاصل از مدل رگرسیونی، شبکه عصبی مصنوعی و انفیس برای پیش بینی عملکرد تولیدات مورد مطالعه نشان داد که مدل انفیس قادر است تا با دقت بیشتر و خطای نسبی کمتر عملکرد تولیدات فوق را برآورد کند. ضریب تبیین برای عملکرد پیش بینی شده کیک با بهره گیری از مدل رگرسیونی، شبکه عصبی مصنوعی و انفیس به ترتیب 0/98، 0/96 و 0/99 و برای کلوچه این مقادیر به ترتیب 0/99، 0/97 و 0/99 محاسبه شد. نتایج مقایسه دو مدل رگرسیون و شبکه عصبی مصنوعی برای مدل سازی شاخص نسبت سود به هزینه نشان داد که شبکه عصبی مصنوعی به دلیل داشتن خطای کمتر نسبت به مدل رگرسیونی، برتری دارد. همچنین در مقایسه دو مدل شبکه عصبی مصنوعی و انفیس برای پیش بینی شاخص های زیست محیطی تفاوت محسوسی مشاهده نگردید. نتایج بهینه سازی مصرف انرژی با روش های تحلیل پوششی داده¬ها و الگوریتم ژنتیک چند هدفه به وضوح نشان دادند که پتانسیل بسیاری برای کاهش مصرف انرژی در تولیدات فوق وجود دارد. به علاوه میزان مصرف بهینه نهاده ها که از بهینه یابی چند هدفه حاصل شده است به طور معناداری کمتر از نتایج تحلیل پوششی داده ها بوده است. بر این اساس در بهینه ترین حالت مصرف انرژی کل نهاده در تولید کیک و کلوچه به ترتیب با 36/3% و 22/56% کاهش به مقادیر165952/36 و 191914/13 مگاژول در روز خواهد رسید.
- Abstract
- In this study, energy consumption, economic problems and environmental impacts of production of cake and cookie in Guilan province of Iran were investigated using life cycle assessment methodology. At first, the amount of energy consumption, economic indices and environmental emissions of the products were calculated and then the output energy (yield), the benefit to cost ratio and the environmental indices were modeled using regression, artificial neural network (ANN) and adaptive neuro-fuzzy inference (ANFIS) models. In order to optimize the energy consumption and environmental impacts, data envelopment analysis (DEA) and multi objective genetic algorithm (MOGA) were applied and their results were compared. Based on the results, the total energy inputs for cake and cookie products were calculated as 260532.5 and 240197096 MJ day-1, respectively. Natural gas had the highest contribution on total input energy with the share of 50% and 56% on cake and cookie, respectively. The production costs of cake were mainly due to the sugar (38.58%) and oil (21.66%), while that of cookie was related to the oil (23.31%) and walnut (23%). The evaluations of the environmental indices illustrated that the environmental burdens were dominated by oil and machinery. The comparison between results of regression, ANN and ANFIS models revealed that the ANFIS model was capable to predict the yield with more accuracy and less error. Coefficient of determination for prediction of cake’s yield using regression, ANN and ANFIS models were 98%, 96% and 99% respectively, while those of cookie’s yield were 99%, 97% and 99% respectively. The comparison between regression and ANN models illustrated that ANN model was more suitable in predicting of benefit to cost ratio. ANN and ANFIS models had no signification difference in estimating the environmental indices. The results of optimization of energy consumption by DEA and MOGA showed that there is a high potential for reduction of energy consumption for both cake and cookie products. In addition, the optimum consumption of inputs introduced by MOGA was significantly lower than that of DEA. Accordingly, in the most optimum condition, the total input energy in production of cake and cookie with reduction of 36.3% and 22.56% will achieve to the values of 165952.36 and 191914.13 MJ/day, respectively. Key words: Energy; Life cycle assessment; Modeling; Multi objective genetic algorithm Optimization; Regression.
