pdf,1400KB - Tehnološko-metalurški fakultet - Univerzitet u Beogradu
pdf,1400KB - Tehnološko-metalurški fakultet - Univerzitet u Beogradu pdf,1400KB - Tehnološko-metalurški fakultet - Univerzitet u Beogradu
20 НАСТАВНО НАУЧНО ВЕЋЕ, 27.12.2012.ekonomskim i industrijskim razvojem zemlje, stanovništvom i njihovim navikama, putemdefinisanja ulaznih parametara za svaki pojedinačni model. Za ulazne parametre odabrani su: brutodomaći proizvod, bruto domaća potrošnja energije, udeo obnovljivih izvora energije u potrošnjifinalne energije, energetski intenzitet, ukupna domaća potrošnja i produktivnost resursa. Zatim sudefinisani parametri arhitekture modela veštačkih neuronskih mreža i parametri njihovogobučavanja, minimalne i maksimalne vrednosti svih parametara, test-set podataka, kalibracioni testinterval, broj neurona u skrivenom sloju, stopa obučavanja, faktor impulsa i aktivaciona funkcija.Obučavanje neuronskih mreža za sve indikatore je izvršeno setom podataka (trening- set) zaevropske zemlje, za period od tri godine (od 1999. do 2001. godine). Provera modela za emisijeGHG je izvršena pomoću seta podataka (test-set) za period od pet godina (od 2002. do 2006.godine), a za Republiku Srbiju, kao set podataka sa ograničenom veličinom, korišćeni su podaci zaperiod od 2005 do 2007. godine.U poglavlju Rezultati i diskusija dati su rezultati razvoja modela za svih pet izabranihindikatora životne sredine i izvršena je analiza dobijenih rezultata. Izvršeno je poređenje rezultatadobijenih modelima i aktuelnih vrednosti parametara. Za preko 80 % podataka odstupanje jemanje od relativne greške od 10 %, dok se korelacioni faktori kreću od R 2 =0,89 do R 2 =0,98.Odstupanja koja se javiljaju u relativno malom broju slučajeva, uglavnom su posledicanepouzdanih podataka ili specifičnosti u strukturi privreda pojedinih zemalja. Pokazano je da jeproblem nedostatka podataka za pojedine zemlje moguće prevazići tako što se vrednosti zapojedine parametre sa velikim stepenom pouzdanosti mogu proceniti, što dokazuje visok praktičniznačaj razvijenih modela.Na osnovu dobijenih rezultata zaključeno je da se veštačke neuronske mreže moguprimeniti za modelovanje emisije gasova staklene bašte i drugih indikatora vezanih za kvalitetvazduha, kao i indikatora vezanih za otpad, koji spadaju u indikatore životne sredine i održivograzvoja. Razvijeni modeli zasnovani na veštačkim neuronskim mrežama mogu biti korišćeni zasimulaciju različitih razvojnih scenarija i analizu uticaja mera koje sprovode državne institucije iindustrija, kao i za dobijanje informacija neophodnih za donošenje adekvatnih odluka iunapređenje kvaliteta životne sredine.B. Kratak opis postignutih rezultataZaštita i očuvanje životne sredine u okviru koncepta održivog razvoja jedna je od ključnihtema na globalnom nivou poslednjih godina. Zagađujuće materije u životnoj sredini prouzrokujuniz negativnih uticaja na klimu, ekosisteme i ljudsko zdravlje. Za praćenje ovako kompleksneproblematike definisan je određeni broj indikatora, koji omogućavaju razmatranje odnosa izmeđurazličitih aspekata održivog razvoja, zaštite životne sredine i prirodnih resursa, ekonomskograzvoja i razvoja društva. Dosadašnji pokušaji postavljanja preciznog modela održivog razvoja,korišćenjem tradicionalnih metoda modelovanja, nisu dali zadovoljavajuće rezultate. Zbog toga sesve više istražuje novi pristupi modelovanju indikatora održivog razvoja. Veštačke neuronskemreže su posebno pogodne za rešavanje problema u slučajevima kada odnosi među promenljivimanisu dovoljno jasni, kada se ti odnosi ne mogu iskazati preciznim matematičkim jednačinama i/ilikada se ne raspolaže sa dovoljno podataka. Postoji veliki broj različitih vrsta veštačkih neuronskihmreža, koje se mogu grupisati prema broju slojeva, arhitekturi mreže, smeru prostiranjainforamcija, vrsti obučavanja i vrsti podataka koji se obrađuju. U ovom radu je korišćena troslojnaveštačka neuronska mreža sa povratnim prostiranjem greške – backpropagation, kaonajuniverzalnija. U praksi se koristi u 95 % slučajeva, jer ima dobru sposobnost generalizaciješirokog spektra različitih problema.U ovom radu su razvijeni modeli veštačkih neuronskih mreža za indikatore koji su vezaniza zagađujuće materije apostrofirane kao najznačajnije u Evropi i koji su svrstani u indikatoreodrživog razvoja EU. Za razvoj modela, formiranje ulaznog seta podataka, obučavanje i proveru,korišćeni su skupovi zvaničnih podataka Eurostat-a za 31 evropsku zemlju, EU 15 i EU 27. Ispitan
НАСТАВНО НАУЧНО ВЕЋЕ, 27.12.2012. 21je opseg greške s kojom obučena neuronska mreža može da predviđa vrednosti izlaznog parametrakada joj se predoče novi nepoznati podaci, posebno u slučaju kada je skup podataka nepotpun.Takođe je procenjena mogućnost korišćenja dobijenih modela za predviđanje promena indikatoraživotne sredine u okviru održivog razvoja, simulaciju razvojnih scenarija i uticaja različitihproaktivnih mera, u cilju podrške donosiocima odluka za formiranje i sprovođenje politike u ovimoblastima.C. Uporedna analiza rezultata kandidatkinje sa rezultatima iz literatureModeli veštačke inteligencije, kao što su neuronske mreže, generalno se koriste zarešavanje kompleksnih problema, kada je zavisnost između ulaznih i izlaznih podataka nepoznata.Pokušaji integralnog praćenja održivog razvoja, povezivanjem velikog broja indikatora u sferamaekonomije, socijalne politike i životne sredine, do sada nisu dali zadovoljavajuće rezultate, niti uvidu utvrđivanja jedinstvenog indikatora, niti definisanja jasne zavisnosti između velikog broja tihindikatora. Stoga, neuronske mreže predstavljaju jedan od mogućih novih pristupa za utvrđivanjezavisnosti između međusektorskih indikatora, a posebno za predviđanje njihovih trendova ubudućnosti.Prilikom obučavanja mreže, dobijeni su rezultati koji pokazuju zadovoljavajući stepenkorelacije za trening set podatke: R 2 =0,89 za emisije GHG, R 2 =0,98 za kisele okside, R 2 = 0,94 zaprekursore ozona, R 2 = 0,96 za suspendovane čestice i R 2 = 0,93 za količinu generisanogkomunalnog otpada. Za preko 80 % podataka odstupanje je bilo manje od relativne greške od 10%, što se može smatrati zadovoljavajućim. Rezultati provere modela za emisije GHG za evropskezemlje pokazuju da je za većinu podataka odstupanje bilo sa relativnom greškom ispod 10 %, dokje odstupanje za Republiku Srbiju bilo sa relativnom greškom ispod 15 %. Odstupanja koja su sejavila u relativno malom broju slučajeva, uglavnom su posledica nepouzdanih podataka ilispecifičnosti u strukturi privreda pojedinih zemalja. Pokazano je da je problem nedostatkapodataka za pojedine zemlje, uključujući i Republiku Srbiju, moguće prevazići tako što sevrednosti za pojedine parametre mogu proceniti sa relativno velikim stepenom pouzdanosti.D. Objavljeni i saopšteni naučni radoviМ20 Radovi objavljeni u časopisima međunarodnog značajaМ23 Rad u časopisu: М23 (3)1. D. Radojević, V. Pocajt, I. Popović, A. Perić-Grujić, M. Ristić, Forecasting of greenhousegas emissions in Serbia using artificial neural networks, Energy Sources, Part A: Recovery,Utilization, and Environmental Effects, u štampi (DOI:10.1080/15567036.2010.514597)(ISSN 1556-7036; IF 2011: 0,715)М60 Зборници скупова националног значајаМ64 Саопштење са скупа националног значаја штампано у изводу М64 (0,2)1. Darinka M. Radojević, Davor Z. Antanasijević, Aleksandra A. Perić-Grujić, Mirjana Đ.Ristić, Viktor V. Pocajt, Modelovanje održivog razvoja Republike Srbije primenomneuronskih mreža, XLVIII Savetovanje srpskog hemijskog društva, Novi Sad, april 2010,Program i kratki izvodi radova, str. 90.E. ZaključakNa osnovu prethodno izloženog, Komisija je zaključila da magistarska teza DarinkeRadojević, dipl. inž. tehnologije, pod naslovom „Razvoj modela za predviđanje indikatora životne
- Page 2 and 3: 2 НАСТАВНО НАУЧНО В
- Page 4 and 5: 4 НАСТАВНО НАУЧНО В
- Page 6 and 7: 6 НАСТАВНО НАУЧНО В
- Page 8 and 9: 8 НАСТАВНО НАУЧНО В
- Page 10 and 11: 10 НАСТАВНО НАУЧНО В
- Page 12 and 13: 12 НАСТАВНО НАУЧНО В
- Page 14 and 15: 14 НАСТАВНО НАУЧНО В
- Page 16 and 17: 16 НАСТАВНО НАУЧНО В
- Page 18 and 19: 18 НАСТАВНО НАУЧНО В
- Page 22 and 23: 22 НАСТАВНО НАУЧНО В
- Page 24: 24 НАСТАВНО НАУЧНО В
- Page 27 and 28: НАСТАВНО НАУЧНО ВЕ
- Page 29 and 30: НАСТАВНО НАУЧНО ВЕ
- Page 31 and 32: НАСТАВНО НАУЧНО ВЕ
- Page 33 and 34: НАСТАВНО НАУЧНО ВЕ
- Page 35 and 36: НАСТАВНО НАУЧНО ВЕ
- Page 37 and 38: НАСТАВНО НАУЧНО ВЕ
- Page 39 and 40: НАСТАВНО НАУЧНО ВЕ
- Page 41 and 42: НАСТАВНО НАУЧНО ВЕ
- Page 43 and 44: НАСТАВНО НАУЧНО ВЕ
- Page 45 and 46: НАСТАВНО НАУЧНО ВЕ
- Page 47 and 48: НАСТАВНО НАУЧНО ВЕ
- Page 49 and 50: НАСТАВНО НАУЧНО ВЕ
- Page 51 and 52: НАСТАВНО НАУЧНО ВЕ
- Page 53 and 54: НАСТАВНО НАУЧНО ВЕ
- Page 55 and 56: НАСТАВНО НАУЧНО ВЕ
- Page 57 and 58: НАСТАВНО НАУЧНО ВЕ
- Page 59 and 60: НАСТАВНО НАУЧНО ВЕ
- Page 61 and 62: НАСТАВНО НАУЧНО ВЕ
- Page 63 and 64: НАСТАВНО НАУЧНО ВЕ
- Page 65 and 66: НАСТАВНО НАУЧНО ВЕ
- Page 67 and 68: НАСТАВНО НАУЧНО ВЕ
- Page 69 and 70: НАСТАВНО НАУЧНО ВЕ
20 НАСТАВНО НАУЧНО ВЕЋЕ, 27.12.2012.ekonomskim i industrijskim razvojem zemlje, stanovništvom i njihovim navikama, putemdefinisanja ulaznih parametara za svaki pojedinačni model. Za ulazne parametre odabrani su: brutodomaći proizvod, bruto domaća potrošnja energije, udeo obnovljivih izvora energije u potrošnjifinalne energije, energetski intenzitet, ukupna domaća potrošnja i produktivnost resursa. Zatim sudefinisani parametri arhitekture modela veštačkih neuronskih mreža i parametri njihovogobučavanja, minimalne i maksimalne vrednosti svih parametara, test-set podataka, kalibracioni testinterval, broj neurona u skrivenom sloju, stopa obučavanja, faktor impulsa i aktivaciona funkcija.Obučavanje neuronskih mreža za sve indikatore je izvršeno setom podataka (trening- set) zaevropske zemlje, za period od tri godine (od 1999. do 2001. godine). Provera modela za emisijeGHG je izvršena pomoću seta podataka (test-set) za period od pet godina (od 2002. do 2006.godine), a za Republiku Srbiju, kao set podataka sa ograničenom veličinom, korišćeni su podaci zaperiod od 2005 do 2007. godine.U poglavlju Rezultati i diskusija dati su rezultati razvoja modela za svih pet izabranihindikatora životne sredine i izvršena je analiza dobijenih rezultata. Izvršeno je poređenje rezultatadobijenih modelima i aktuelnih vrednosti parametara. Za preko 80 % podataka odstupanje jemanje od relativne greške od 10 %, dok se korelacioni faktori kreću od R 2 =0,89 do R 2 =0,98.Odstupanja koja se javiljaju u relativno malom broju slučajeva, uglavnom su posledicanepouzdanih podataka ili specifičnosti u strukturi privreda pojedinih zemalja. Pokazano je da jeproblem nedostatka podataka za pojedine zemlje moguće prevazići tako što se vrednosti zapojedine parametre sa velikim stepenom pouzdanosti mogu proceniti, što dokazuje visok praktičniznačaj razvijenih modela.Na osnovu dobijenih rezultata zaključeno je da se veštačke neuronske mreže moguprimeniti za modelovanje emisije gasova staklene bašte i drugih indikatora vezanih za kvalitetvazduha, kao i indikatora vezanih za otpad, koji spadaju u indikatore životne sredine i održivograzvoja. Razvijeni modeli zasnovani na veštačkim neuronskim mrežama mogu biti korišćeni zasimulaciju različitih razvojnih scenarija i analizu uticaja mera koje sprovode državne institucije iindustrija, kao i za dobijanje informacija neophodnih za donošenje adekvatnih odluka iunapređenje kvaliteta životne sredine.B. Kratak opis postignutih rezultataZaštita i očuvanje životne sredine u okviru koncepta održivog razvoja jedna je od ključnihtema na globalnom nivou poslednjih godina. Zagađujuće materije u životnoj sredini prouzrokujuniz negativnih uticaja na klimu, ekosisteme i ljudsko zdravlje. Za praćenje ovako kompleksneproblematike definisan je određeni broj indikatora, koji omogućavaju razmatranje odnosa izmeđurazličitih aspekata održivog razvoja, zaštite životne sredine i prirodnih resursa, ekonomskograzvoja i razvoja društva. Dosadašnji pokušaji postavljanja preciznog modela održivog razvoja,korišćenjem tradicionalnih metoda modelovanja, nisu dali zadovoljavajuće rezultate. Zbog toga sesve više istražuje novi pristupi modelovanju indikatora održivog razvoja. Veštačke neuronskemreže su posebno pogodne za rešavanje problema u slučajevima kada odnosi među promenljivimanisu dovoljno jasni, kada se ti odnosi ne mogu iskazati preciznim matematičkim jednačinama i/ilikada se ne raspolaže sa dovoljno podataka. Postoji veliki broj različitih vrsta veštačkih neuronskihmreža, koje se mogu grupisati prema broju slojeva, arhitekturi mreže, smeru prostiranjainforamcija, vrsti obučavanja i vrsti podataka koji se obrađuju. U ovom radu je korišćena troslojnaveštačka neuronska mreža sa povratnim prostiranjem greške – backpropagation, kaonajuniverzalnija. U praksi se koristi u 95 % slučajeva, jer ima dobru sposobnost generalizaciješirokog spektra različitih problema.U ovom radu su razvijeni modeli veštačkih neuronskih mreža za indikatore koji su vezaniza zagađujuće materije apostrofirane kao najznačajnije u Evropi i koji su svrstani u indikatoreodrživog razvoja EU. Za razvoj modela, formiranje ulaznog seta podataka, obučavanje i proveru,korišćeni su skupovi zvaničnih podataka Eurostat-a za 31 evropsku zemlju, EU 15 i EU 27. Ispitan