کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل
صنعت ساخت و ساز در کشور ایران از صنایع پیشرو در اقتصاد به شمار رفته و از اقبال قابل توجهی در نظر مردم نیز برخوردار است. این صنعت به عنوان گزینه اول در سرمایه‌گذاری نیز به حساب آمده و بیشترین بازدهی را بنا بر گزارشهای منتشر شده از خود نشان داده است. همچنین خطرات محیط زیستی ناشی از این صنعت نیز از اه...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Imam Hussein University
2024-12-01
|
| Series: | پدافند غیرعامل |
| Subjects: | |
| Online Access: | https://pd.ihu.ac.ir/article_209336_86b9539a6742a4bfc0419b39c78f2ad8.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832572370233065472 |
|---|---|
| author | امین امرایی سید عظیم حسینی فرشید فرخی زاده محمدحسن حائری |
| author_facet | امین امرایی سید عظیم حسینی فرشید فرخی زاده محمدحسن حائری |
| author_sort | امین امرایی |
| collection | DOAJ |
| description | صنعت ساخت و ساز در کشور ایران از صنایع پیشرو در اقتصاد به شمار رفته و از اقبال قابل توجهی در نظر مردم نیز برخوردار است. این صنعت به عنوان گزینه اول در سرمایه‌گذاری نیز به حساب آمده و بیشترین بازدهی را بنا بر گزارشهای منتشر شده از خود نشان داده است. همچنین خطرات محیط زیستی ناشی از این صنعت نیز از اهمیت بسیار بالایی برخوردار بوده و از دغدغه‌های اصلی مسئولین ذیربط علی‌الخصوص در سالهای اخیر است. این مقاله به مدیریت ریسک محیط‌زیستی در پروژه‌های عمرانی با استفاده از روش بسیار موفق FMEA و با کاربرد روشهای یادگیری ماشین پرداخته است. نوآوری اصلی تحقیق حاضر در به کار بردن همزمان روش نوین یادگیری ماشین و همچنین مدیریت ریسک به کمک روش FMEA است. روش ترکیبی حاضر از دو رویکرد توصیفی و مدلسازی عددی استفاده کرده است. در این مطالعه بیش از 10 پروژه بزرگ در کلان شهر تهران ارزیابی شده و بیش از 20 ریسک محیط‌زیستی شناسایی شده است. پیش‌نیاز مدلسازی به روش یادگیری عمیق به کمک FMEA تهیه شده و سپس مدلسازی با ترکیب روش شبکه عصبی مصنوعی و الگوریتم بهینه سازی MVO انجام شده است. این مطالعه پیش پردازش‌های پر حجمی جهت انتخاب نوع شبکه عصبی و الگوریتم بهینه‌سازی انجام داده است. نتایج تحقیق نشان از کارایی مناسب روش ترکیبی به کار رفته می‌دهند. چهار نوع شبکه عصبی مختلف و دو نوع الگوریتم بهینه‌سازی بر اساس شاخصهای ارزیابی مشخص استفاده شده‌اند و موفق‌ترین نوع آنها معرفی شده است. در نهایت آنالیز حساسیت برای ریسک‌های محیط‌زیستی شناسایی شده بر روی مدلسازی موفق معرفی شده، انجام شده و مهمترین ریسک‌ها به روش حساسیت نسبی و مطلق معرفی شده‌اند. |
| format | Article |
| id | doaj-art-be991b567cf34258bab002140c748d29 |
| institution | Kabale University |
| issn | 2008-6849 2980-8030 |
| language | fas |
| publishDate | 2024-12-01 |
| publisher | Imam Hussein University |
| record_format | Article |
| series | پدافند غیرعامل |
| spelling | doaj-art-be991b567cf34258bab002140c748d292025-02-02T10:42:19ZfasImam Hussein Universityپدافند غیرعامل2008-68492980-80302024-12-0115499111209336کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعاملامین امرایی0سید عظیم حسینی1فرشید فرخی زاده2محمدحسن حائری3دانشجوی دکتری، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایراندانشیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایراناستادیار، گروه مهندسی نگهداری و تعمیرات، دانشکده علوم و مهندسی دفاعی، دانشگاه افسری و تربیت پاسداری امام حسین (ع)، تهران، ایراناستادیار، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایرانصنعت ساخت و ساز در کشور ایران از صنایع پیشرو در اقتصاد به شمار رفته و از اقبال قابل توجهی در نظر مردم نیز برخوردار است. این صنعت به عنوان گزینه اول در سرمایه‌گذاری نیز به حساب آمده و بیشترین بازدهی را بنا بر گزارشهای منتشر شده از خود نشان داده است. همچنین خطرات محیط زیستی ناشی از این صنعت نیز از اهمیت بسیار بالایی برخوردار بوده و از دغدغه‌های اصلی مسئولین ذیربط علی‌الخصوص در سالهای اخیر است. این مقاله به مدیریت ریسک محیط‌زیستی در پروژه‌های عمرانی با استفاده از روش بسیار موفق FMEA و با کاربرد روشهای یادگیری ماشین پرداخته است. نوآوری اصلی تحقیق حاضر در به کار بردن همزمان روش نوین یادگیری ماشین و همچنین مدیریت ریسک به کمک روش FMEA است. روش ترکیبی حاضر از دو رویکرد توصیفی و مدلسازی عددی استفاده کرده است. در این مطالعه بیش از 10 پروژه بزرگ در کلان شهر تهران ارزیابی شده و بیش از 20 ریسک محیط‌زیستی شناسایی شده است. پیش‌نیاز مدلسازی به روش یادگیری عمیق به کمک FMEA تهیه شده و سپس مدلسازی با ترکیب روش شبکه عصبی مصنوعی و الگوریتم بهینه سازی MVO انجام شده است. این مطالعه پیش پردازش‌های پر حجمی جهت انتخاب نوع شبکه عصبی و الگوریتم بهینه‌سازی انجام داده است. نتایج تحقیق نشان از کارایی مناسب روش ترکیبی به کار رفته می‌دهند. چهار نوع شبکه عصبی مختلف و دو نوع الگوریتم بهینه‌سازی بر اساس شاخصهای ارزیابی مشخص استفاده شده‌اند و موفق‌ترین نوع آنها معرفی شده است. در نهایت آنالیز حساسیت برای ریسک‌های محیط‌زیستی شناسایی شده بر روی مدلسازی موفق معرفی شده، انجام شده و مهمترین ریسک‌ها به روش حساسیت نسبی و مطلق معرفی شده‌اند.https://pd.ihu.ac.ir/article_209336_86b9539a6742a4bfc0419b39c78f2ad8.pdfمدیریت ریسکروش fmeaیادگیری عمیقپروژه عمرانیمحیط‌زیستی |
| spellingShingle | امین امرایی سید عظیم حسینی فرشید فرخی زاده محمدحسن حائری کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل پدافند غیرعامل مدیریت ریسک روش fmea یادگیری عمیق پروژه عمرانی محیط‌زیستی |
| title | کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل |
| title_full | کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل |
| title_fullStr | کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل |
| title_full_unstemmed | کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل |
| title_short | کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل |
| title_sort | کاربرد روش یادگیری عمیق در مدیریت ریسک‌های زیست محیطی پروژه‌های عمرانی با دیدگاه پدافند غیرعامل |
| topic | مدیریت ریسک روش fmea یادگیری عمیق پروژه عمرانی محیط‌زیستی |
| url | https://pd.ihu.ac.ir/article_209336_86b9539a6742a4bfc0419b39c78f2ad8.pdf |
| work_keys_str_mv | AT ạmynạmrạyy ḵạrbrdrwsẖyạdgyryʿmyqdrmdyrytrysḵhạyzystmḥyṭyprwzẖhhạyʿmrạnybạdydgạhpdạfndgẖyrʿạml AT sydʿẓymḥsyny ḵạrbrdrwsẖyạdgyryʿmyqdrmdyrytrysḵhạyzystmḥyṭyprwzẖhhạyʿmrạnybạdydgạhpdạfndgẖyrʿạml AT frsẖydfrkẖyzạdh ḵạrbrdrwsẖyạdgyryʿmyqdrmdyrytrysḵhạyzystmḥyṭyprwzẖhhạyʿmrạnybạdydgạhpdạfndgẖyrʿạml AT mḥmdḥsnḥạỷry ḵạrbrdrwsẖyạdgyryʿmyqdrmdyrytrysḵhạyzystmḥyṭyprwzẖhhạyʿmrạnybạdydgạhpdạfndgẖyrʿạml |