علوم رایانشی

علوم رایانشی

پیش‌بینی انتشار دی‌اکسیدکربن در زنجیره تامین فولاد با استفاده از جدول داده-ستانده و یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان
محمد پارسایی فر 1
سید حامد موسوی راد 2
منصوره نادری پور 3
1 دانش‌آموخته کارشناسی ارشد گروه مهندسی صنایع، دانشگاه شهید باهنر کرمان، کرمان، ایران
2 دانشیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران
3 استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران
10.22034/csj.2025.227836
چکیده
زنجیره تأمین فولاد یک سیستم پیچیده شامل فرآیندها و واحدهای تامین، تولید و توزیع است که منجر به انواع محصولات فولادی می‌شود. با گسترش صنعت فولاد، میزان انتشار دی اکسید کربن (CO2) و سایر گازهای گلخانه‌ای افزایش می‌یابد که این امر پیامدهای زیست‌محیطی همچون گرمایش جهانی، تغییرات اقلیمی و آسیب به سلامت انسان‌ها را به همراه دارد. جداول داده-ستانده نمایانگر جریان کالاها و خدمات بین فعالیت‌های مختلف یک اقتصاد در یک دوره زمانی مشخص هستند و در زنجیره تأمین فولاد، شامل ورودی‌های صنعت فولاد از سایر صنایع و خروجی‌های صنعت فولاد به صنایع دیگر می‌شوند. این تحقیق به پیش‌بینی میزان انتشار CO2 صنعت فولاد کشورها با استفاده از روش‌های یادگیری ماشین پرداخته است. این فناوری با تحلیل دقیق داده‌های جداول داده-ستانده، فرآیندهای تولید فولاد را مورد بررسی قرار داده و میزان انتشار CO2 را پیش‌بینی می‌کند. مدل‌های یادگیری ماشین، از جمله تقویت گرادیان، XGBoost، و جنگل تصادفی با تکنیک Bootstrap، در این تحقیق به کار گرفته شده‌اند. نتایج نشان می‌دهد که مدل تقویت گرادیان با دقت 85 درصد بهترین عملکرد را داشته است، در حالی که مدل‌های جنگل تصادفی و XGBoost به ترتیب با دقت‌های 82 درصد و 79 درصد کمترین دقت را از خود نشان داده‌اند. این تحقیق نشان می‌دهد که الگوریتم‌های یادگیری ماشین قادر به پیش‌بینی مؤثر میزان انتشار CO2 در زنجیره تأمین فولاد بوده و می‌توانند به تصمیم‌گیری‌های بهتر و کاهش انتشار CO2 در این صنعت کمک کنند.
کلیدواژه‌ها
یادگیری ماشین
مدیریت زنجیره تامین
صنعت فولاد
جدول داده-ستانده
دی اکسید کربن
موضوعات
  1. Bjorhovde, R., 2004. Development and use of high performance steel. Journal of Constructional Steel Research, 60(3): p. 393-400.
  2. Conejo, A.N., Birat, J. P., & Dutta, A. 2020. A review of the current environmental challenges of the steel industry and its value chain. Journal of Environmental Management, 259: p. 109782.
  3. Burchart, D., Pichlak, M., & Kruczek, M. 2016. Innovative technologies for greenhouse gas emission reduction in steel production. Metalurgija, 55: p. 119-122.
  4. Chahbi, I., N. Ben Rabah, & Tekaya, I. 2022. Towards an efficient and interpretable Machine Learning approach for Energy Prediction in Industrial Buildings: A case study in the Steel Industry. 1-8.
  5. Mienye, I.D. & Sun, Y. 2022. A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects. IEEE Access, 10: p. 99129-99149.
  6. Ionescu, A., & Candau, Y. 2007. Air pollutant emissions prediction by process modelling – Application in the iron and steel industry in the case of a re-heating furnace. Environmental Modelling & Software, 22: p. 1362-1371.
  7. Yu, R., et al., 2016. RAQ–A Random Forest Approach for Predicting Air Quality in Urban Sensing Systems. Sensors, 16: p. 86.
  8. Ribeiro, V.M., 2021. Sulfur dioxide emissions in Portugal: Prediction, estimation and air quality regulation using machine learning. Journal of Cleaner Production, 317: p. 128358.
  9. Shakya, D., et al., 2023. 5 air pollution prediction through deep learning using meteorological, vehicular, and emission data: A case study of New Delhi, India. Journal of Cleaner Production, 427: p. 139278.
  10. Karimi, S., et al., 2023. Machine learning-based white-box prediction and correlation analysis of air pollutants in proximity to industrial zones. Process Safety and Environmental Protectio. 178: 1009-1025.
  11. Bekkar, A., et al., 2021. Air-pollution prediction in smart city, deep learning approach. Journal of Big Data, 8(1): p. 161.
  12. Moreira, G.d.A., et al., 2023. Analyzing the Influence of Vehicular Traffic on the Concentration of Pollutants in the City of São Paulo: An Approach Based on Pandemic SARS-CoV-2 Data and Deep Learning. Atmosphere, 14(10): p. 1578.
  13. Park, C., et al., 2023. Machine learning based estimation of urban on-road CO2 concentration in Seoul. Environmental Research, 231: p. 116256.
  14. Jalaludin, J., et al., 2023. The Impact of Air Quality and Meteorology on COVID-19 Cases at Kuala Lumpur and Selangor, Malaysia and Prediction Using Machine Learning. Atmosphere, 14(6): p. 973.
  15. Cican, G., Buturache, A. N., & Mirea, R. 2023. Applying Machine Learning Techniques in Air Quality Prediction- A Bucharest City Case Study. Sustainability, 15(11): p. 8445.
  16. Wen, C., et al., 2023. Dioxin emission prediction from a full-scale municipal solid waste incinerator: Deep learning model in time-series input. Waste Management, 2023. 170: p. 93-102.
  17. Ravindiran, G., et al., 2023. Air quality prediction by machine learning models: A predictive study on the indian coastal city of Visakhapatnam. Chemosphere, 338: p. 139518.
  18. Wu, C.L., et al., 2023. A hybrid deep learning model for regional O(3) and NO(2) concentrations prediction based on spatiotemporal dependencies in air quality monitoring network. Environ Pollut, 320: p. 121075.
  19. Feng, X. 2023. Air pollution prediction in context of supervised machine learning and time series model. in Second International Conference on Statistics, Applied Mathematics, and Computing Science (CSAMCS 2022). SPIE.
  20. Natarajan, Y., et al., 2023. Forecasting Carbon Dioxide Emissions of Light-Duty Vehicles with Different Machine Learning Algorithms. Electronics, 12(10): p. 2288.
  21. Yarragunta, S., et al., 2021. Prediction of Air Pollutants Using Supervised Machine Learning. 1633-1640.
  22. Paternina- Arboleda, C.D., et al., 2023. Towards Cleaner Ports: Predictive Modeling of Sulfur Dioxide Shipping Emissions in Maritime Facilities Using Machine Learning. Sustainability, 15(16): p. 12171.
  23. Xia, H., et al., 2023. Dioxin emission modeling using feature selection and simplified DFR with residual error fitting for the grate-based MSWI process. Waste Manag, 168: p. 256-271.
  24. Muchdie, M., Ulza, E. & Setiawan, E. 2018. Sector and Country Balance of Trade Analysis Based on World Input-Output Database: Indonesian Economy. 109-129.
  25. Lu, , 2017. China’s electrical equipment manufacturing in the global value chain: A GVC income analysis based on World Input-Output Database (WIOD). International Review of Economics & Finance, 52: p. 289-301.
  26. Pascual-González, J., et al., 2015. Statistical analysis of global environmental impact patterns using a world multi-regional input–output database. Journal of Cleaner Production, 90: p. 360-369.
  27. El Haouti, K., El Aiss, H., & Barra, A. 2025. Input output stability analysis of delayed descriptor systems according to free weighting matrices. International Journal of Dynamics and Control, 13(2): p. 67.
  28. Su, B. & Ang, B.W. 2014. Input–output analysis of CO2 emissions embodied in trade: A multi-region model for China. Applied Energy, 114: p.384- 377.
  29. El Naqa, I. & Murphy, M.J. 2015. What is machine learning? 2015: Springer.
  30. Gong, M., et al., 2023. Threshold of 25(OH)D and consequently adjusted parathyroid hormone reference intervals: data mining for relationship between vitamin D and parathyroid hormone. J Endocrinol Invest, 46(10): p. 2067-2077.
  31. Yang, P., & Huang, B. 2008. KNN Based Outlier Detection Algorithm in Large Dataset. Education Technology and Training & Geoscience and Remote Sensing, 1: p. 611-613.
  32. Fafalios, S., Charonyktakis, P., & Tsamardinos, I. 2020. Gradient Boosting Trees.
  33. Chen, T., & Guestrin, C. 2016. XGBoost: A Scalable Tree Boosting System. 785-794.
  34. Lee, T.-H., Ullah, A., & Wang, R. 2020. Bootstrap Aggregating and Random Forest. p. 389-429.
  35. Sapra, R.L., 2014. Using R2 with caution. Current Medicine Research and Practice, 4(3): p. 130-134.
  36. Chicco, D., Warrens, M.J. & Jurman, G. 2021. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7: p. e623.
  37. Liu, Y. 2008. Box plots: use and interpretation. Transfusion, 48(11): p. 2279-2280.
  38. Scott, D.W., 2010. Wiley Interdisciplinary Reviews: Computational Statistics, 2(1): p. 4 48-4.
  39. Tripathi, A. & Rani, P. 2024. An Improved MSER using Grid Search based PCA and Ensemble Voting Technique. Multimedia Tools and Applications, 83(34): p. 80497-80522.
  40. Haddad, E.A., et al., Off We Go! An interregional input-output analysis of e-hailing in Brazil. Journal of Urban Management, 2022. 11(2): p. 188-197.
  41. Davidescu, A.A., O.C. Popovici, and V.A. Strat, Estimating the impact of green ESIF in Romania using input-output model. International Review of Financial Analysis, 2022. 84: 102336.
  42. Pichler, A., et al., Forecasting the propagation of pandemic shocks with a dynamic input-output model. Journal of Economic Dynamics and Control, 2022. 144: p. 104527.