MODEL PROGNOZUJĄCY EKOEFEKTYWNOŚĆ TECHNOLOGII ... · TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU W...

1

ZADANIA 3.4., 3.5. i 3.6

OPRACOWANIE, TESTOWANIE I WERYFIKACJA ALGORYTMU

MODELU OCENY EKOEFEKTYWNOŚCI TECHNOLOGII

MODEL PROGNOZUJĄCY EKOEFEKTYWNOŚĆ

TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU

W OPARCIU O SIECI NEURONOWE

Autorzy:

prof. dr hab. Tadeusz Wieczorek

dr inż. Sławomir Golak

Opracowanie wykonano w ramach projektu pod nazwą

OPRACOWANIE MODELU OCENY EKOEFEKTYWNOŚCI

TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU.

Projekt współfinansowany jest ze środków Europejskiego Funduszu Rozwoju Regionalnego

oraz budżetu państwa w ramach Programu Operacyjnego Innowacyjna Gospodarka.

Katowice, czerwiec 2010 r.

2

SPIS TREŚCI SPIS TREŚCI ........................................................................................................................................................................ 2

1. WPROWADZENIE ...................................................................................................................................................... 2

2. SIECI NEURONOWE ................................................................................................................................................... 5

2.1 TWORZENIE NEURONOWEGO MODELU PROCESU ............................................................................................... 6 2.2 MODEL NEURONU ....................................................................................................................................... 8 2.3 TOPOLOGIE SZTUCZNYCH SIECI NEURONOWYCH. .............................................................................................. 10

3. PROGNOZOWANIE EKOEFEKTYWNOŚCI W OPARCIU O EKOWSKAŹNIK LCA ............................................................ 12

3.1 SELEKCJA CECH ......................................................................................................................................... 12 3.2 PREPROCESSING DANYCH ............................................................................................................................ 13 3.3 METODYKA BUDOWY SIECI NEURONOWEJ ...................................................................................................... 14 3.4 ANALIZA JAKOŚCI ODPOWIEDZI SIECI ............................................................................................................. 15 3.5 ROZWAŻANE WARIANTY EKOEFEKTYWNOŚCI ................................................................................................... 17 3.6 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU I .................................................................. 19 3.7 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU II ................................................................. 23 3.8 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU III ................................................................ 27 3.9 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU IV................................................................ 31 3.10 ANALIZA WYNIKÓW PROGNOZOWANIA EKOEFEKTYWNOŚCI NA PODSTAWIE EKOWSKAŹNIKA LCA .............................. 35

4. PROGNOZOWANIE ŁĄCZNEGO EKOWSKAŹNIKA LCA W OPARCIU O EKOWSKAŹNIK DLA ETAPU UŻYTKOWANIA ..... 36

4.1 PREPROCESSING DANYCH ............................................................................................................................ 36 4.2 PROGNOZA ŁĄCZNEGO LCA NA PODSTAWIE LCA DLA ETAPU UŻYTKOWANIA ......................................................... 37 4.3 ANALIZA WYNIKÓW PROGNOZOWANIA ŁĄCZNEGO EKOWSKAŹNIKA LCA NA PODSTAWIE EKOWSKAŹNIKA DLA ETAPU

UŻYTKOWANIA ....................................................................................................................................................... 40

5. PROGNOZOWANIE EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTORY ..................................................................... 41

5.1 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O WARTOŚCI WSZYSTKICH PREDYKTORÓW ........................................... 41 5.2 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR ZUŻYCIA MATERIAŁÓW ................................................. 45 5.3 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR ZUŻYCIA ENERGII .......................................................... 48 5.4 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR ODPADÓW ................................................................. 51 5.5 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR EMISJI ....................................................................... 54 5.6 ANALIZA WYNIKÓW PROGNOZOWANIA EKOEFEKTYWNOŚCI NA PODSTAWIE PREDYKTORÓW ..................................... 57

6. PODSUMOWANIE ................................................................................................................................................... 58

7. LITERATURA ............................................................................................................................................................ 60

1. Wprowadzenie

Nowa tendencja w projektowaniu polegająca na uwzględnianiu wpływu tworzonej technologii

na środowisko, zarówno na etapie budowy, użytkowania, jak i likwidacji wymusza

poszukiwania w zakresie narzędzi pozwalających w możliwie efektywny sposób oszacować

jej wpływ na środowisko [1-4]. Poza ekowskażnikiem, który jest wynikiem analizy LCA [5,6] i

charakteryzuje jedynie sam wpływ technologii na środowisko, bardzo ważną miarą jest

ekoefektywność uwzględniająca dodatkowo aspekty ekonomiczne oddziaływania technologii

na środowisko.

Klasyczne, analityczne metody wyznaczania ekowskaźnika i ekoefektywności wymagają

przeprowadzenia analizy ekonomicznej i cyklu życia produktu. Podstawową niedogodnością

takiego podejścia, poza jego pracochłonnością, jest konieczność prowadzenia powyższych

3

analiz w oparciu o kompletny projekt technologii. W efekcie wpływ technologii uzyskuje się

na końcu procesu projektowania, co w wypadku niekorzystnych wskaźników oznacza

kosztowną konieczność ponownego przeprowadzenia procesu projektowego. Z tego powodu

bardzo istotne jest znalezienia narzędzia, które pozwoliłoby wyznaczyć ekoefektywność na

wcześniejszym etapie projektowania, na podstawie skromniejszego zbioru danych, niż

wymagają to klasyczne analizy.

Drogą do zastąpienia modeli analitycznych jest wykorzystanie modeli opartych o

zgromadzone dane opisujące parametry i efekty już zaistniałych procesów. W wypadku

procesów o niskim stopniu złożoności znalazły tutaj zastosowanie klasyczne narzędzia

statystyczne z regresją liniową na czele. Jednakże w wypadku procesów bardziej złożonych,

w których występują pomiędzy ich parametrami a wynikami zależności o charakterze

nieliniowym i nieciągłym metody czysto statyczne nie przynoszą już oczekiwanych efektów.

Powszechność tego rodzaju procesów, silna potrzeba prognozowania ich wyników

spowodowały dynamiczny rozwój narzędzi z dziedziny sztucznej inteligencji, które

umożliwiają zamodelowanie tak złożonych zagadnień. Najpowszechniej stosowane drzewa

decyzyjne, sieci neuronowe czy maszyny wektorów podpierających udowodniły swoją

skuteczność w ogromnej liczbie procesów przemysłowych, ekonomicznych i naturalnych.

Wszystkie te metody, pomimo różnych mechanizmów działania, reprezentują modele

predykcyjne oparte o dane [7]. O przewadze poszczególnych narzędzi decyduje charakter

modelowanego procesu i ilość zgromadzonych danych historycznych. W praktycznych

aplikacjach najpowszechniejsze zastosowanie znalazły sztuczne sieci neuronowe [8].

Zastosowanie sztucznej sieci neuronowej pozwala oszacować wpływ technologii na

środowisko w oparciu o parametry o wysokim poziome ogólności lub w oparciu o niepełny

zbiór parametrów, a tym samym na dużo wcześniejszym etapie projektowania procesu, niż

byłoby to możliwe przy zastosowaniu klasycznych metod analitycznych [9-11].

W pierwszym etapie badań skupiono się na stworzeniu modelu neuronowego, który

opierając się na niepełnej informacji o technologii pozwoliłby uzyskać możliwie najlepszą

dokładność prognozy ekoektywności.

Badania objęły także zastosowanie sztucznych sieci neuronowych do uproszczenia procesu

wyznaczania łącznego ekowskaźnika LCA na potrzeby analitycznym metod oceny

ekoefektywności.

4

Dalsze badania dotyczyły budowy modeli neuronowych, które kosztem akceptowalnie niższej

dokładności, pozwoliłyby oszacować ekoefektywności na minimalnym zbiorze informacji o

analizowanej technologii. Celem było umożliwienie oceny ekoefektywność na możliwe

wczesnym etapie projektu i najmniejszym kosztem pracy. Dodatkowo badania dostarczyły

informacji o wpływie poszczególnych parametrów technologii na jej ekoefektywność.

5

2. Sieci neuronowe

Sztuczne sieci neuronowe (SSN) zdobyły ostatnio ogromną popularność w wielu

dziedzinach, nie tylko ze względu na ich zdolność do uczenia się, ale także na ich

utylitarność i znacznie wyższą dokładność w stosunku do klasycznych metod. Mogą być

stosowane do rozwiązywania problemów nie mających nic wspólnego z biologią czy

neuropsychologią. Modele neuronowe są budowane dla zastosowań w identyfikacji,

klasyfikacji i analizie obrazów, rozpoznawaniu wzorców, aproksymacji, optymalizacji,

przetwarzaniu sygnałów, robotyce, sterowaniu adaptacyjnym, czy finansach, bankowości,

ekonomii, zarządzaniu, medycynie i in. Można stwierdzić, że SSN sprawdziły się w

zastosowaniach praktycznych w prawie wszystkich dziedzinach nauki i techniki [7,12-15].

Generalnie SSN i inne algorytmy inteligentne można traktować, jako nową technikę

obliczeniową, nazywaną ostatnio powszechnie inteligencją obliczeniową.

Nawet bez znajomości konkretnych równań opisujących proces, można wykorzystać

SSN do uzyskania skomplikowanych odwzorowań opisujących nieliniowe zależności

zachodzące pomiędzy parametrami wejściowymi procesu a jego wynikiem, których

uzyskanie w oparciu o układ równań jest niemożliwe. Jest to jedna z najczęściej

przytaczanych zalet SSN, że mogą być traktowane, jako tzw. „czarne skrzynki”, potrafiące

rozwiązać zagadnienie, które użytkownik nie do końca rozumie. Choć jest to prawdą, to

prawdą jest również, że wiele błędów lub rozwiązań o małej dokładności, wynika z

niewiedzy, doboru niewłaściwej architektury sieci lub nieodpowiedniego algorytmu uczenia,

zastosowanych przez użytkownika dla rozwiązania tego problemu. Często występuje brak

zrozumienia, czym są sztuczne sieci neuronowe, co właściwie robią i jak uzyskać poprawne

rozwiązanie stosując tę metodykę. Praktyczne wykorzystanie modelowania neuronowego

wymaga zrozumienia, jak to podejście ma się do innych metod matematycznych i

algorytmów heurystycznych. Konieczne jest także zrozumienie, jakie struktury danych mogą

być reprezentowane przez neuronowe modele i co modele te są w stanie wyliczyć.

Sieci neuronowe należą do grupy technik modelowania empirycznego, dlatego

potrzebują dużej liczby danych pomiarowych, wspieranych metodami statystycznymi.

Modelowanie neuronowe, czyli konstruowanie modelu procesu bazującego na sieci

neuronowej, prowadzi się zwykle dla takich procesów, które są opisywane przez dane.

Zadanie modelowania neuronowego można by sformułować tak: dany jest zestaw danych

(pomiarowych), należy zbudować model neuronowy procesu, który adekwatnie aproksymuje

opisywany przez te dane proces. Trudności fazy budowania modelu neuronowego, takie jak:

6

dobór odpowiedniej topologii sieci oraz efektywnego algorytmu uczącego, ograniczają

powszechne stosowanie modelowania neuronowego. Jest wiele niejasności dotyczących

doboru parametrów sieci. Wybór takich, a nie innych parametrów jest często przypadkowy.

Najczęściej stosowane jest podejście, że testowane są różne sieci i spośród nich wybierana

jest najlepsza. Skutkuje to dużymi różnicami w dokładności modelu i czasie jego uczenia.

Podstawowymi trudnościami związanymi z używaniem sieci neuronowych w praktyce

jest ich skłonność do nadmiernego dopasowania modelu do danych, niejednoznaczność

stworzonego modelu neuronowego (zarówno, co do architektury, jak i parametrów modelu)

oraz brak możliwości zinterpretowania zbudowanego przez sieć modelu procesu. Niestety

sieci neuronowe nie dostarczają wiedzy w postaci zrozumiałej dla człowieka. Trzeba z nich

tę, zakodowaną w ich połączeniach, wiedzę ponownie wydobyć, a to może prowadzić do

dodatkowych błędów.

2.1 Tworzenie neuronowego modelu procesu

Dla rozwiązywania takich zagadnień stosuje się dziś powszechnie na świecie tzw.

uczące się systemy adaptacyjne (rys.2.1). Łączą one klasyczne algorytmy numeryczne z

metodami inteligencji obliczeniowej (ang. computational intelligence). Wśród tych metod do

najważniejszych należą: sztuczne sieci neuronowe, algorytmy genetyczne i ewolucyjne,

zbiory rozmyte, algorytmy bazujące na podobieństwie i SVM (maszyna wektorów

podpierających).

Rys. 2.1. Schemat typowego systemu adaptacyjnego.

Tworzone w oparciu o takie podejście modele inteligentne pozwalają zarówno na

stawianie prognoz, czyli przewidywanie odpowiedzi modelu w przyszłych chwilach czasu

System adaptacyjny (parametryczny)

Ewaluacja

Algorytm uczenia

Zmiana parametrów

Wielkości wejściowe

Wielkości

wyjściowe

Błąd

Wartości

poprawne

7

(predykcja może dotyczyć zmiennych ilościowych - mowa wtedy o zmiennych

prognozowanych, lub zmiennych jakościowych - mowa wtedy o zdarzeniach

prognozowanych), a także na analizę zmienności wyjść modelu (wielkości wyjściowych,

zmiennych zależnych) w zależności od wartości zmiennych wejściowych (zmiennych

niezależnych). Modele inteligentne stosowane są w wielu zagadnieniach praktycznych z

obszaru inżynierii, ekonomii, biologii, medycyny. Modelując rzeczywiste procesy skazani

jesteśmy na wnioskowanie i podejmowanie decyzji w warunkach niepewności. Niepewność,

albo wynika z niedokładności, błędów, braków, niejasności, losowości, niejednoznaczności

danych, albo powodowana jest przez sam mechanizm wnioskowania (np. wnioskowanie

dedukcyjne). Tak więc, chcąc zastosować w praktyce inteligentne systemy, trzeba zmierzyć

się z niepewnością i niekompletnością informacji i zastosować odpowiednie metody,

pozwalające na poprawne wnioskowanie w takich warunkach. Możliwe jest to przez

połączenie informacji zawartej w danych pomiarowych z algorytmami inteligentnymi oraz

wiedzą teoretyczną o procesie (rys.2.2).

Rys. 2.2. Schemat systemu hybrydowego, wykorzystującego wiedzę teoretyczną o procesie, dane pomiarowe oraz algorytmy inteligentne.

Wyciąganie użytecznych wniosków z niekompletnych albo nieprecyzyjnych danych, nie jest

niemożliwe. W życiu robimy to najczęściej. W nauce natomiast, wykorzystuje się metody

wnioskowania dedukcyjnego, niemonotonicznego (wnioskowanie, w którym zaufanie do

prawdziwości przesłanek zmienia się na każdym etapie wnioskowania).

Inspiracją do stworzenia Sztucznych Sieci Neuronowych (SSN) były biologiczne sieci

neuronowe. Podstawową nadzieją, jaką z nimi wiązano było zrównoleglenie przetwarzania

danych i uzyskanie istotnej przewagi szybkości obliczeń nad tradycyjnymi obliczeniami

szeregowymi. Sztuczna sieć neuronowa lub po prostu sieć neuronowa jest systemem

połączonych sztucznych neuronów, będących matematycznymi modelami (mniej lub bardziej

Model

analityczny

Dane

eksperymentalne

Model hybrydowy

Model neuronowy

Błędy

Niedokładnośc

i

Niepewność

Adaptacja modelu neuronowego

8

uproszczonymi) neuronów biologicznych, a jej celem jest przetwarzanie informacji oparte na

koneksjonistycznym podejściu do obliczeń komputerowych. W większości przypadków SNN

są systemami adaptacyjnymi, które zmieniają swoją strukturę wskutek dopływu informacji

dostarczanych na wejścia sieci. W wielu zastosowaniach praktycznych SNN są nieliniowymi

narzędziami do modelowania danych, wywodzącymi się ze statystyki. Używane są do

modelowania skomplikowanych zależności miedzy wejściami i wyjściami i do odkrywania

wzorców w danych.

2.2 Model neuronu

Opierając się wiedzy z wielu dyscyplin naukowych stworzono komputerowy model

sztucznego neuronu. Do tej pory opracowano wiele typów sztucznych neuronów, przy czym

większość z nich może być opisana modelem formalnym (rys. 2. 3). Sztuczny neuron składa

się z zestawu wejść dla sygnałów opisywanych wektorem x=[x1,…,xn], podawanych na

odpowiednie wejścia, przetwarzanych odpowiednio i wyprowadzanych jednym wyjściem.

Sztuczny neuron może w czasie działać zarówno dyskretnie, jak i w sposób ciągły. Innymi

słowy, jego wartości wejściowe (x), stan (s) i wartość wyjściowa (y) mogą być zadawane

tylko w poszczególnych chwilach czasu (t) lub być ciągłymi funkcjami czasu, określonymi w

pewnym przedziale. Neuron czasu dyskretnego (2-1) jest definiowany przez funkcję stanu,

określającą, w jaki sposób jest tworzony następny stan, powstający w wyniku

(natychmiastowego) przetwarzania impulsów wejściowych i ew. stanu poprzedniego oraz

funkcję aktywacji (f1), która transformuje bieżący stan neuronu. Neuron taki nie ma pamięci i

jego stan bieżący zależy tylko od stanu w chwili poprzedniej. Neuron czasu ciągłego jest

również definiowany przez dwie funkcje: funkcję stanu (s), która w tym przypadku określa

zmianę stanu w czasie, zwykle przez odpowiednie równanie różniczkowe zwyczajne

(np. 2-2) oraz funkcję aktywacji neuronu (f2) .

Rys. 2.3. Model formalny sztucznego neuronu.

.

.

.

.

s

x1

xN

y

9

(s(t))fy(t)

1)s(t1),(tx1),...,(txss(t)

1

n1 (2-1)

s(t))(t),x(t),...,(xfdt

ds(t)n12 (2-2)

Perceptron (Rosenblat 1958) był jednym z pierwszych modeli neuronu, który potrafił się

uczyć. W czasie wynalezienie perceptronu problem uczenia był nieznanym i

nierozwiązalnym zagadnieniem, dlatego z perceptronem wiązano ogromne nadzieje. W

modelu perceptronu (rys.2.4) funkcja aktywacji jest albo funkcją skokową (typu signum -

rys.2.4a) albo ciągłą (rys.2.4b). Do uczenia Rosenblat, zastosował metodę zwaną regułą

perceptronu. Algorytm uczenie perceptronu jest oparty na korekcji błędu, tzn. zmiana wag

jest proporcjonalna do wielkości błędu popełnianego przez perceptron: e=d-y, pomiędzy

aktualną wartością wyjściową y, a zadaną (znaną), poprawną odpowiedzią d. Nowy wektor

wag w kolejnym (j+1szym) kroku uczenia jest obliczany zgodnie z prostą zasadą:

w(j+1)=w(j)+(d-y(j)). Taka adaptacyjna procedura zmian wag ma charakter iteracyjny i

stopniowo zmierza do wyzerowania błędu. Klasyczny perceptron stosowany był do

rozpoznawania wzorców i odnosił sukcesy, gdy dwie klasy wzorców były liniowo

separowalne. W późniejszym okresie model perceptronu został rozszerzony także na ciągłe

funkcje aktywacji, np. sigmoidalną unipolarną (2-4) lub bipolarną (2-5), stąd używana również

w literaturze nazwa „neuron sigmoidalny”.

sfy ;

N

0i

ii xws (2-3)

f(s)1βf(s)ds

df(s)

e1

1f(s)

βs

(2-4)

(s)f1βds

df(s)

βsthf(s)

2 (2-5)

10

gdzie jest współczynnikiem określającym nachylenie sigmoidy.

Rys. 2.4. Model perceptronu ze skokową (a) i ciągłą (b) funkcją aktywacji.

2.3 Topologie sztucznych sieci neuronowych.

Topologia sieci neuronowej będzie tu rozumiana jako sposób rozmieszczenia neuronów i

zbiór połączeń międzyneuronowych. Topologia sieci neuronowej determinuje jej

funkcjonalność i sposób przetwarzania danych. Większość sieci neuronowych (w tym

biologiczne) ma budowę warstwową (także np. sieci pamięci skojarzeniowych, czy

Kohonena, czy Hopfielda, w których warstwa wejściowa jest jednocześnie wyjściową).

Topologia sieci może więc być scharakteryzowana przez liczbę warstw i liczbę neuronów w

warstwie, wśród których rozróżniamy neurony wejściowe, ukryte i wyjściowe. W pewnych

sieciach neuronowych neurony są ze sobą powiązane w grupy, ale nie tworzą wyraźnych

warstw. Mówi się wtedy o zespołach, czy modułach. Neurony ukryte nie są zwykle

uporządkowane (wszystkie spełniają te same role) w odróżnieniu od neuronów wejściowych i

wyjściowych. Podział SSN pokazano na rys.2.5.

y

s

w1

w2

w3

wN

.

.

.

Σ

w0

s y

y

s

w1

w2

w3

wN

.

.

.

Σ

w0

s y

a

b

x1

x2

x3

xN

x1

x2

x3

xN

x0

x0

11

Rys. 2.5. Typy sztucznych sieci neuronowych

Spośród wymienionych struktur sieci neuronowych najpowszechniejsze zastosowanie

znalazły perceptrony wielowarstwowe .

SSN wykorzystywane są w czterech, najbardziej znanych, a równocześnie najogólniejszych

zastosowaniach tj. w problemie aproksymacji, klasyfikacji, analizie szeregów czasowych i

analizie skupień (klasyfikacji bezwzorcowej, grupowania danych, klasteryzacji).

jednokierunkowe rekurencyjne

Sztuczne Sieci Neuronowe

probabilistyczne

modularne specjalne

wielowarstwowe perceptrony

liniowe

Kohonena

częściowo połączone

całkowicie połączone

Boltzmanna

komitety asocjacyjne

uczenia ciągłego

neuronowo-rozmyte

Bayesa

kompozytowe

ontogeniczne

kaskadowe

pulsacyjne

dynamiczne

Hopfielda komórkowe

Elmana

Jordana

RBF

jednowarstwowe perceptrony

12

3. Prognozowanie ekoefektywności w oparciu o ekowskaźnik LCA

3.1 Selekcja cech

W ramach realizacji wcześniejszych zadań projektu przeprowadzono analizę

ekoefektywności 40 technologii. W procesie analitycznego wyznaczenia czteroma metodami

ekoefektywności uczestniczyły w sposób pośredni lub bezpośredni następujące dane

wejściowe (cechy):

Predyktory:

o Materiały

o Energia

o Odpady

o Emisje

Wyniki analizy LCA dla etapów:

o Budowa

o Użytkowanie

o Likwidacja

Wyniki analizy LCA wpływu na:

o Zdrowie człowieka

o Skutki ekologiczne

o Wykorzystanie zasobów

Łączny ekowskaźnik LCA

Łączny ekowskażnik LCA po korekcie

Lata życia

Roczna produkcja

Całkowita produkcja

Wskaźnik społeczny

NPV

NPV skorygowany

W wypadku sieci neuronowej, która jest modelem charakteryzującym się dużą liczbą

opisujących go parametrów, ilość zgromadzonych przykładów przy tak dużej liczbie cech jest

niewystarczająca. Metodą rozwiązania tego problemu jest selekcja cech wpływających na

efektywność i odrzucenie nieistotnych.

13

Wyróżnia się dwie podstawowe grupy metod selekcji cech:

Selekcja oparta o teorię informacji i analizę statystyczną stosowana dla dużych

zbiorów, niezidentyfikowanych cech

Selekcja oparta o znajomość modelowanego procesu, znaczenia i dostępności cech.

Ponieważ podstawową przesłanką zastosowania sieci neuronowej do prognozowania

ekoefektywności było umożliwienie jej wyznaczenia na możliwie wczesnym etapie i

najmniejszym nakładem pracy, w badaniach oparto się o selekcję opartą o znajomość

procesu.

Ze zbioru całego zbioru cech wybrano następujące:

Ekowskaźnik LCA dla etapu użytkowania


NPV

Wykorzystanie jedynie wyników LCA dla etapu użytkowania dało następujące korzyści:

Pozwoliło objąć jednym modelem neuronowym całkowicie odmienne grupy technologii: materiałowe, energetyczne i środowiskowe.

Wyniki LCA dla etapu użytkowania są najłatwiej dostępne spośród wszystkich analiz LCA.

3.2 Preprocessing danych

Zastosowanie modeli neuronowych, które nie posiadają zdolności ekstrapolacji, do predykcji

ekoefektywności wymusiło odrzucenie przypadków odstających. W przypadku technologii

„S-1: Technologia produkcji kruszyw z odpadów wydobywczych wraz z odzyskaniem węgla”

cztery warianty wskaźników ekofektywności całkowicie odbiegają od zakresu wyznaczanego

przez pozostałe technologie:

Tabela 3.1. Porównanie technologii S-1 z pozostałymi technologiami

Wariant Technologia S-1 Zakres pozostałych

technologii

I 4907341 0-1

II 15223409 0-1

III 27105564 0-5,5

IV 2507855789 1,5-45,6

14

W ramach preprocesingu przeprowadzono powszechnie stosowaną dla modeli budowanych

na danych standaryzacje cech wejściowych w celu wyrównania ich zakresów:

Tabela 3.2. Porównanie rzędów wielkości cech wejściowych

Cecha Jednostka Zakres

Od Do

LCA: Etap użytkowania Pt -1,5·107 4,7·1011

NPV zł -1,7·108 1,6·1010

Wskaźnik społeczy - 0,8 3,9

Standaryzację przeprowadzono według wzoru:

j

jji

ji

x ,

. (3-1)

gdzie:

jix , - standaryzowana j-ta cecha i-tego przypadku

j - średnia wartość j-tej cechy

j - odchylenie standardowe j-tej cechy

ji. - zestandaryzowana j-ta cecha i-tego przypadku

3.3 Metodyka budowy sieci neuronowej

Model neuronowy prognozujący ekofektywność zbudowano w oparciu o sieć neuronową

perceptronową dobrze sprawdzającą się w zagadnieniach regresyjnych, do który zalicza się

wyznacznie ekoefektywności.

Optymalna struktura sieci (ilość warstw ukrytych i liczba neuronów w warstwach) została

wyznaczona metodą przeglądu zupełnego spośród 420 sieci o jednej i dwóch warstwach

ukrytych. Ograniczenie poszukiwań do dwóch warstw ukrytych opiera się na twierdzeniu

Kołmogorowa, z którego wynika, iż już sieć o dwóch warstwach ukrytych może modelować

dowolną zależność nieliniową i nieciągłą. Rozważono zakres ilości neuronów w

poszczególnych warstwach od 0 (brak warstwy) do 20, co przy stosunkowo niewielkim

zbiorze zebranych przykładów uczących było całkowicie wystarczające.

15

Ponieważ zdolność sieci neuronowej do generalizacji modelowanego problemu, czyli

wywnioskowania zależności pomiędzy danymi wejściowymi i wyjściowymi, zależy przede

wszystkim od liczby parametrów ją opisujących, a dopiero w drugim rzędzie od dokładnych

rozkładów neuronów warstwach, w celu zobrazowania tendencji wpływu zmian struktury sieci

na jej efektywność w dalszych wynikach zaprezentowano ją w formie wykresu zależności

błędu sieci od liczb jej parametrów. Pozwoliło to istotnie zwiększyć czytelność zasady doboru

optymalnej struktury sieci, czyli takiego rozkładu warstw i neuronów, aby uzyskać

najmniejszy błąd prognozy.

Liczba parametrów opisujących sieć z jedną warstwą ukrytą i z jednym wyjściem została

wyznaczona ze wzoru:

12 1WWEP NNN (3-2)

Natomiast liczba parametrów opisujących sieć o dwóch warstwach ukrytych została

wyznaczona ze wzoru:

1)2(1 211 WWWWEP NNNNN (3-3)

gdzie:

PN - liczba parametrów sieci

WEN - liczba wejść sieci

1N - liczba neuronów w pierwszej warstwie ukrytej

2N - liczba neuronów w drugiej warstwie ukrytej.

3.4 Analiza jakości odpowiedzi sieci

Poprawna metodologia oceny jakości opracowanej sieci neuronowej wymaga jej testowania

na zbiorze przykładów rozłącznym ze zbiorem użytym do jej uczenia. Przy małej liczebności

zebranego zbioru przykładów, jak miało to miejsce w prowadzonych badaniach, standardową

metodą postępowania jest przeprowadzenie walidacji krzyżowej. Metoda polega na

wielokrotnym, niepowtarzalnym podziale zbioru przykładów na rozdzielne zbiory uczący i

walidacyjny. Po każdym podziale następuje trening sieci na bazie zbioru uczącego i kontrola

jakości jej odpowiedzi w oparciu o zbiór walidacyjny. Łączny błąd odpowiedzi sieci stanowi

16

średnią (ewentualnie medianę) błędów wyznaczony dla poszczególnych kroków walidacji

krzyżowej.

Ponieważ w opisywanych badaniach wykorzystywano stosunkowo niewielki zbiór

walidacyjny, aby uzyskać możliwie największy zbiór uczący, weryfikację stworzonej sieci

neuronowej oparto o walidację krzyżową typu Leave-one-out, która polega na umieszczeniu

przy każdej iteracji w zbiorze walidacyjnym tylko jednego przykładu. Dodatkową, ważną

zaletą wykorzystania tego typu walidacji jest uzyskanie błędów prognozy ekoefektywności

osobno dla każdej z rozważanych technologii, co zwiększa możliwości merytorycznej oceny

uzyskanych wyników.

Standardowy, bezwzględny błąd pojedynczej prognozy sieci wyznacza się ze wzoru:

iii dye (3-4)

gdzie:

iy - prognoza ekoefektywności dla i-tej prognozy wyznaczona przez sieć neuronową

id - wartość ekoefektywności wyznaczona metodami analitycznymi

Ponieważ model neuronowy został zastosowany do prognozowania ekoefektywności bardzo

różnych technologii a sama efektywność była wyznaczona w czterech różnych wariantach, w

celu ułatwienia porównań jakości odpowiedzi sieci dla wszystkich rozpatrywanych technologii

i wariantów w badaniach zastosowano względną miarę błędu prognozy:

%100i

ii

iy

dy (3-5)

Łączny błąd prognozy opisujący całkowitą zdolność prognozy sieci neuronowej został

wyznaczony ze wzoru:

N

i

iN

E1

1 (3-6)

17

3.5 Rozważane warianty ekoefektywności

W ramach badań tworzono modele neuronowe prognozujące ekoefektywność wyznaczoną

według czterech różnych wariantów. W poszczególnych wariantach kładziony jest różny

nacisk na poszczególne składniki ekofektywności, do których zalicza się ekowskaźnik, wpływ

społeczny i wartość bieżącą netto. Różne miary ekoefektywności oznaczają różny charakter

zależności pomiędzy parametrami technologii a jej globalnym wpływem na środowisko oraz

zróżnicowaną siłę oddziaływania poszczególnych parametrów, co przekłada się na

odmienne wyniki modeli neuronowych utworzonych dla poszczególnych wariantów.

Wariant I

1

101

min

8

min

LCALCA

WSPNPVNPVE

i

ii

i

minmax EE

EE i

i

(3-7)

gdzie:

iE - nieznormalizowany wskaźnik ekoefektywności

iNPV - wartość bieżąca netto dla i-tej technologii

minNPV - minimalna wartość bieżąca netto

iWSP - wskaźnik społeczny dla i-tej technologii

iLCA - ocena cyklu życia dla i-tej technologii

minLCA - minimalny wskaźnik oceny cyklu życia

minE ,maxE - minimalna i maksymalna wartość nieznormalizowanego wskaźnika

ekoefektywności

iE - końcowy, znormalizowany wskaźnik ekoefektywności

Wariant II

1

101

min

8

min

LCALCA

WSPNPVNPVE

i

ii

i

minmax EE

EE i

i

(3-8)

18

Wariant III

minmax

min

minmaxminmax

min

1

1

LCALCA

LCALCA

WSPWSP

WSP

NPVNPV

NPVNPV

E

i

ii

i (3-9)

gdzie:

maxNPV - maksymalna wartość bieżąca netto

maxWSP - maksymalny wskaźnik społeczny

maxLCA - maksymalny wskaźnik oceny cyklu życia

Wariant IV

minmax

min

minmaxminmax

min

1

1

LCALCA

LCALCA

WSPWSP

WSP

NPVNPV

NPVNPV

E

i

ii

i (3-10)

19

3.6 Prognoza ekoefektywności wyznaczonej według wariantu I

Dobór struktury sieci

W ramach przeglądu zupełnego struktur sieci neuronowych prognozujących ekoefektywność

w wariancie I, jako optymalną wyznaczono sieć o następującej strukturze:

Liczba wejść: 3 (ekowskaźnik dla etapu użytkowania, wpływ społeczny, NPV)

I warstwa ukryta: 6 neurony nieliniowe (sigmoidalna funkcja przejścia)

II warstwa ukryta: 9 neurony nieliniowe (sigmoidalna funkcja przejścia)

Warstwa wyjściowa: 1 neuron liniowy

Kryterium wyboru struktury sieci był względny, średni błąd prognozy uśredniony dla

wszystkich technologii. Na rysunku można zaobserwować początkową tendencję do spadku

błędu wraz z rozrostem struktury sieci i zwiększeniem jej liczby parametrów. Jednak po

przekroczeniu minimum dla 97 parametrów trend ulega odwróceniu, co ma związek ze

zwiększeniem skłonności sieci do przetrenowania, czyli utraty zdolności do generalizacji

(zrozumienia) problemu.

Rys. 3.1. Zależność błędu prognozy ekoefektywności (wariant I) od liczby parametrów sieci

20

Prognozy sieci

Poniża tabela prezentuje zestawienia prognoz ekoefektywności (wariant I) dostarczonych

przez siec dla każdej z 39 analizowanych technologii.

Tabela 3.3. Błędy bezwzględne prognozy ekoefektywności (wariant I)

Symbol Ekoefektywność

wyznaczona analitycznie

Ekoefektywność prognozowana

przez sieć

Błąd bezwzględny

E.02 0,5247 0,5303 0,0055

E.03 0,0801 0,0909 0,0108

E.04 0,1844 0,1835 -0,0008

E.08 0,1417 0,2045 0,0628

E.09 0,1252 0,4307 0,3055

E.10 0,0851 0,3900 0,3050

E.11 1,0000 0,4986 -0,5014

E.12 0,1719 0,1689 -0,0030

E.13 0,0928 0,0958 0,0030

E.15 0,0347 0,0819 0,0472

E.16 0,0000 0,0005 0,0005

E.17 0,1051 0,1078 0,0027

E.19 0,0334 0,0327 -0,0007

E.21 0,0005 0,0010 0,0005

E.23 0,1891 0,1924 0,0033

M.05 0,0531 0,0527 -0,0004

M.06 0,0489 0,0494 0,0005

M.07 0,0492 0,0499 0,0007

M.08 0,0542 0,0561 0,0019

M.09 0,0524 0,0525 0,0000

M.11 0,0453 0,0453 -0,0001

M.12 0,0970 0,0969 -0,0001

M.13 0,0437 0,0454 0,0016

M.15 0,0435 0,0442 0,0006

M.16 0,0385 0,0385 0,0000

M.19 0,1029 0,0804 -0,0225

M.23 0,0657 0,0658 0,0001

M.25 0,1125 0,1308 0,0182

M.26 0,0655 0,0659 0,0003

M.27 0,5921 0,5964 0,0043

M.33 0,0315 0,0318 0,0003

M.34 0,0534 0,0537 0,0003

S.2 0,0484 0,0494 0,0010

S.3 0,0520 0,0527 0,0007

S.4 0,0394 0,0393 0,0000

S.5 0,0395 0,0378 -0,0017

S.7 0,0313 0,0403 0,0090

S.8 0,0492 0,0494 0,0002

21

Histogram częstotliwości oraz wykres słupkowy względnych błędów dla analizowanych

technologii pozwala zauważyć, iż dla większości technologii prognoza sieci jest bliska

wartości ekoefektywności wyznaczonej analitycznie.

Rys. 3.2. Histogram częstości błędu prognozy dla wszystkich technologii

Łączne miary jakości prognoz sieci dla wszystkich technologii to:

Średni błąd względny prognozy równy 15,55%

Mediana błędu względnego prognozy równa 1,76%

22

Rys. 3.3. Wartości błędów względnych dla wszystkich technologii (wariant I)

23

3.7 Prognoza ekoefektywności wyznaczonej według wariantu II



w wariancie II, jako optymalną strukturę sieci wyznaczono sieć o następującej strukturze:

Liczba wejść: 3 (ekowskaźnik dla etapu użytkowania, wpływ społeczny, NPV)




Rys. 3.4. Zależność błędu prognozy ekoefektywności (wariant II) od liczby parametrów sieci

Prognozy sieci

Poniża tabela prezentuje zestawienia prognoz ekoefektywności (wariant II) dostarczonych

przez siec dla analizowanych technologii.

24

Tabela 3.4. Błędy bezwzględne prognozy ekoefektywności (wariant II)




przez sieć

Błąd bezwzględny

E.02 0,6725 0,6703 -0,0022

E.03 0,1152 0,1161 0,0008

E.04 0,2603 0,2521 -0,0081

E.08 0,1416 0,3477 0,2061

E.09 0,1250 0,1254 0,0004

E.10 0,0827 0,3814 0,2988

E.11 1,0009 0,9995 -0,0014

E.12 0,2591 0,2797 0,0207

E.13 0,2652 0,2616 -0,0036

E.15 0,0519 0,3199 0,2680

E.16 0,0765 0,2029 0,1263

E.17 0,3316 0,3319 0,0003

E.19 0,1295 0,1330 0,0035

E.21 0,0009 0,0078 0,0069

E.23 0,1864 0,1722 -0,0142

M.05 0,1635 0,1635 0,0000

M.06 0,1555 0,1605 0,0050

M.07 0,1564 0,1563 -0,0001

M.08 0,1615 0,1615 0,0000

M.09 0,1612 0,1613 0,0001

M.11 0,1495 0,1495 0,0000

M.12 0,2176 0,2209 0,0032

M.13 0,1471 0,1417 -0,0054

M.15 0,1467 0,1559 0,0092

M.16 0,1376 0,1380 0,0004

M.19 0,2381 0,2380 -0,0001

M.23 0,1854 0,1874 0,0020

M.25 0,2430 0,2503 0,0073

M.26 0,1852 0,1879 0,0027

M.27 0,7113 0,6715 -0,0398

M.33 0,1291 0,1675 0,0384

M.34 0,1622 0,1627 0,0005

S.2 0,1560 0,1539 -0,0021

S.3 0,1594 0,1591 -0,0003

S.4 0,1396 0,1400 0,0004

S.5 0,1595 0,1604 0,0010

S.7 0,1477 0,1444 -0,0033

S.8 0,1601 0,1595 -0,0006

25


Histogram częstotliwości oraz wykres słupkowy względnych błędów dla analizowanych

technologii potwierdza, że dla większości technologii prognoza sieci jest bliska wartości

ekoefetywności wyznaczonej analitycznie. Zwraca uwagę tendencja sieci do

przeszacowywania przez sieć neuronową ekoefektywność dla niektórych technologii

energetycznych.

26

Rys. 3.6. Wartości błędów względnych dla wszystkich technologii (wariant II)




27

3.8 Prognoza ekoefektywności wyznaczonej według wariantu III



w wariancie III, jako optymalną strukturę wybrano:

Liczba wejść: 3 (ekowskaźnik dla użytkowania, wpływ społeczny, NPV)




Rys. 3.7. Zależność błędu prognozy ekoefektywności (wariant III) od liczby parametrów sieci

Prognozy sieci

Poniża tabela prezentuje zestawienia prognoz ekoefektywności (wariant III) dostarczonych

przez siec dla każdej z 38 analizowanych technologii.

28

Tabela 3.5. Błędy bezwzględne prognozy ekoefektywności (wariant III)




przez sieć

Błąd bezwzględny

E.02 2,8983 2,8633 -0,0350

E.03 0,4424 0,4626 0,0203

E.04 1,0183 1,2712 0,2529

E.08 0,7826 0,7478 -0,0348

E.09 0,6915 0,6834 -0,0081

E.10 0,4698 0,4889 0,0191

E.11 5,5235 5,3338 -0,1896

E.12 0,9495 0,9644 0,0149

E.13 0,5126 0,5162 0,0035

E.15 0,1916 0,1915 -0,0001

E.16 0,0000 0,0167 0,0167

E.17 0,5805 0,5795 -0,0011

E.19 0,1844 0,1870 0,0026

E.23 1,0442 1,2519 0,2076

M.05 0,2934 0,2933 -0,0001

M.06 0,2699 0,2699 0,0000

M.07 0,2718 0,2718 0,0000

M.08 0,2994 0,2991 -0,0004

M.09 0,2895 0,2895 0,0000

M.11 0,2504 0,2526 0,0023

M.12 0,5358 0,5291 -0,0067

M.13 0,2416 0,2358 -0,0058

M.15 0,2403 0,2401 -0,0002

M.16 0,2126 0,2126 0,0000

M.19 0,5683 0,5550 -0,0132

M.23 0,3627 0,3627 0,0000

M.25 0,6215 0,6327 0,0111

M.26 0,3620 0,3621 0,0001

M.27 3,2705 3,1816 -0,0889

M.33 0,1742 0,1741 0,0000

M.34 0,2947 0,2947 0,0000

S.2 0,2671 0,2672 0,0001

S.3 0,2872 0,2872 0,0001

S.4 0,2174 0,2174 0,0000

S.5 0,2181 0,2208 0,0026

S.7 0,1729 0,1706 -0,0024

S.8 0,2718 0,2718 0,0000

S.20 0,2997 0,2997 0,0000

29





30

Rys. 3.9. Wartości błędów względnych dla wszystkich technologii (wariant III)

31

3.9 Prognoza ekoefektywności wyznaczonej według wariantu IV


Dobrano sieć o następującej strukturze:

Liczba wejść: 3 (ekowskaźnik dla użytkowania, wpływ społeczny, NPV)




Rys. 3.10. Zależność błędu prognozy ekoefektywności (wariant IV) od liczby parametrów sieci

Prognozy sieci

Wyznaczono przy pomocy sieci neuronowej ekoefektywność (wariant IV) dla 38

analizowanych technologii. Tabel prezentuje zestawienie wartości ekoefektywności

wyznaczone analitycznie i przy pomocy modelu neuronowego.

32

Tabela 3.6. Błędy bezwzględne prognozy ekoefektywności (wariant IV)




przez sieć

Błąd bezwzględny

E.02 30,0597 29,9754 -0,0843

E.03 11,8861 12,5163 0,6302

E.04 23,8080 25,6233 1,8154

E.08 2,1066 2,1555 0,0490

E.09 1,8263 1,8244 -0,0020

E.10 1,5099 1,6473 0,1374

E.11 15,2681 15,5640 0,2958

E.12 3,0739 2,9427 -0,1312

E.13 1,9745 1,9731 -0,0014

E.15 1,4861 1,5079 0,0218

E.16 22,3847 22,3456 -0,0391

E.17 13,7044 13,8198 0,1154

E.19 16,5909 16,6482 0,0573

E.23 5,8966 6,6848 0,7882

M.05 27,6837 27,3392 -0,3445

M.06 24,7996 24,7994 -0,0002

M.07 25,3132 25,3216 0,0084

M.08 26,8397 26,6382 -0,2015

M.09 25,8987 25,8823 -0,0164

M.11 22,0607 22,0294 -0,0313

M.12 33,7140 32,3741 -1,3399

M.13 19,8574 19,9297 0,0723

M.15 22,9681 22,9008 -0,0672

M.16 20,2270 20,2222 -0,0048

M.19 24,4018 24,3067 -0,0951

M.23 34,0178 34,0173 -0,0005

M.25 45,6252 45,5911 -0,0341

M.26 34,0183 34,0182 0,0000

M.27 38,3820 37,6992 -0,6828

M.33 13,4274 13,3663 -0,0611

M.34 23,6135 23,5049 -0,1086

S.2 25,2860 25,2275 -0,0585

S.3 24,5268 24,5873 0,0604

S.4 19,2000 19,1956 -0,0044

S.5 16,9476 16,8599 -0,0878

S.7 9,1847 8,9775 -0,2072

S.8 25,1826 25,0080 -0,1746

S.20 28,2935 28,2745 -0,0190

33





34

Rys. 3.12. Wartości błędów względnych dla wszystkich technologii (wariant IV)

35

3.10 Analiza wyników prognozowania ekoefektywności na podstawie ekowskaźnika LCA

Wyznaczone w ramach badań dotyczących prognozowania ekoefektywności sieci

neuronowe charakteryzują się stosunkowo rozbudowaną strukturą. Wskazuje to na dużą

złożoność zależności pomiędzy wykorzystywanymi parametrami opisującymi technologię a

wskaźnikiem ekoefektywności. Znajduje to już potwierdzenie w jawnej składowej tej

zależności - wykorzystywanych czterech wariantach miar ekoefektywności, które są

zależnościami złożonymi i wyraźnie nieliniowymi.

Jednakże uzyskany wynik w postaci średniego błędu prognozy, szczególnie w wypadku

czwartego wariantu ekoefektywności równy 1,54%, można uznać za bardzo zadawalający.

Analizując wyniki dla wszystkich wariantów ekoefektywności można zauważyć obecność

dużych błędów prognoz dla technologii z grupy technologii energetycznych. Szczególnie

niekorzystnie wyróżnia się tutaj technologia „E-16: Geotermia średniotemperaturowa”

niedokładnie prognozowana aż w 3 wariantach. Taki niekorzystny dla technologii

energetycznych wynik jest zastanawiający, ponieważ wydaje się, że wykorzystywany jako

wejście modeli neuronowych ekowskaźnik LCA dla etapu użytkowania jest najbardziej

reprezentatywny właśnie dla tej grupy technologii. Wymusiło to kontynuację badań także w

kierunku identyfikacji przyczyn tego zjawiska.

36

4. Prognozowanie łącznego ekowskaźnika LCA w oparciu o

ekowskaźnik dla etapu użytkowania

Miara ekoefektywności może być wyznaczona wieloma metodami, które kładą różny nacisk

na poszczególne składowe tego wskaźnika. Dobór odpowiedniego wariantu zależy od

subiektywnej decyzji oceniającego ekoefektywność. Ponieważ zależności wykorzystywane

do wyznaczenia ekoefektywności są stosunkowo prostymi formułami matematycznymi,

największą trudność stanowi wyznaczenie zmiennych niezależnych uczestniczących w tych

formułach.

Najbardziej pracochłonnym wskaźnikiem, którego wyznaczenie wymaga bardzo dokładnej

analizy ocenianej technologii, jest łączny wynik analizy LCA. Wszelkie uproszczenia w tym

zakresie istotnie przyczyniają się do zmniejszenia ogólnej pracochłonności oceny

ekoefektywności.

Z tego powodu badania dotyczące zastosowana sieci neuronowych do predykcji

ekoefektywności objęły także predykcje jej podstawowego elementu, jakim jest wynik LCA.

4.1 Preprocessing danych

Ponieważ w poszczególnych technologiach miary LCA reprezentują całkowicie różne rzędy

wartości (poczynając od 102 a na 1011 kończąc), zasadne stało dla prawidłowego działania

modelu neuronowego przekształcenie tych wartości (zarówno pełniących rolę wejścia , jak i

wyjścia) w oparciu o skalę logarytmiczną.

jijiji xsignx ,,, 1ln (4-1)

iii dsignd 1ln (4-2)

gdzie:

jix , - skalowana j-ta cecha i-tego przypadku

id - skalowana wartość oczekiwana i-tego przypadku

ji. - przeskalowana j-ta cecha i-tego przypadku

i - przeskalowana wartość oczekiwana i-tego przypadku

37

Ponieważ sieć neuronowa nauczona na danych przeskalowanych dostarcza prognoz w skali

logarytmicznej, konieczne jest w celu wykorzystania prognozy i oceny jej jakości, ponowne

przekształcenie wartości wyjścia sieci neuronowej do skali liniowej według wzoru:

ii signey i 1 (4-3)

gdzie:

i - przekształcane wyjście sieci neuronowej dla i-tego przypadku (w skali

logarytmicznej)

iy - przekształcone wyjście sieci neuronowej dla i-tego przypadku (w skali liniowej)

4.2 Prognoza łącznego LCA na podstawie LCA dla etapu użytkowania


W ramach przeglądu zupełnego struktur sieci neuronowych prognozujących łączne LCA,

jako optymalną wyznaczono sieć o następującej strukturze:

Liczba wejść: 1 (ekowskaźnik dla etapu użytkowania)



Rys. 4.1. Zależność błędu prognozy LCA od liczby parametrów sieci

38

Prognozy sieci

Tabela 4.1. . Błędy bezwzględne prognozy

Symbol LCA łączna wyznaczona analitycznie

LCA łączna prognozowana

przez sieć

Błąd bezwzględny

E.02 2,03•1007 2,03•1007 7,09•1004

E.03 2,19•1008 1,99•1008 -1,99•1007

E.04 5,67•1007 5,63•1007 -4,20•1005

E.08 2,53•1009 2,53•1009 7,62•1006

E.09 2,96•1009 3,09•1009 1,27•1008

E.10 3,33•1009 3,17•1009 -1,64•1008

E.11 2,62•1008 2,39•1008 -2,30•1007

E.12 1,29•1009 1,33•1009 3,73•1007

E.13 2,25•1009 2,25•1009 1,36•1006

E.15 1,94•1009 1,93•1009 -2,56•1006

E.16 2,97•1007 3,02•1007 5,26•1005

E.17 7,55•1006 7,21•1006 -3,41•1005

E.19 3,28•1005 2,26•1005 -1,03•1005

E.21 4,67•1011 4,01•1011 -6,57•1010

E.23 6,73•1008 6,48•1008 -2,51•1007

M.05 9,46•1002 1,03•1003 8,76•1001

M.06 2,75•1005 2,73•1005 -2,50•1003

M.07 8,81•1004 9,21•1004 3,95•1003

M.08 3,88•1006 3,89•1006 7,78•1003

M.09 1,56•1005 1,52•1005 -3,79•1003

M.11 2,48•1004 2,03•1004 -4,50•1003

M.12 1,13•1006 1,20•1006 6,88•1004

M.13 5,87•1005 5,88•1005 8,43•1002

M.15 2,48•1004 2,95•1004 4,77•1003

M.16 2,05•1005 2,05•1005 -1,03•1002

M.19 1,19•1004 1,22•1004 2,52•1002

M.23 5,71•1004 5,98•1004 2,69•1003

M.25 1,32•1006 1,32•1006 -5,86•1002

M.26 5,37•1004 4,87•1004 -4,92•1003

M.27 2,74•1006 2,75•1006 8,39•1003

M.33 3,32•1006 3,39•1006 7,15•1004

M.34 9,79•1004 1,05•1005 7,23•1003

S.1 -9,46•1007 -9,44•1007 1,53•1005

S.2 -1,15•1006 -8,87•1005 2,68•1005

S.3 9,95•1005 7,12•1005 -2,84•1005

S.4 2,13•1005 2,36•1005 2,26•1004

S.5 -1,51•1007 -1,55•1007 -4,20•1005

S.7 1,11•1007 1,05•1007 -6,48•1005

S.8 -4,71•1006 -4,65•1006 6,54•1004

S.20 2,04•1005 2,47•1005 4,30•1004

39

Rys. 4.2. Wartości błędów względnych dla wszystkich technologii




40


4.3 Analiza wyników prognozowania łącznego ekowskaźnika LCA na podstawie ekowskaźnika dla etapu użytkowania

Badania wykazały, że jest możliwe szacowanie z zadawalającą dokładnością (7,50%)

wartości ekowskaźnika łącznego LCA wykorzystywanego w miarach ekoefektywności

jedynie na podstawie ekowskaźnika dla etapu użytkowania, który jest stosunkowo prosty do

uzyskania. Możliwość uproszczonego uzyskania łącznego ekowskaźnika pozwala na

wykorzystanie go w dowolnej mierze ekoefektywności.

Bardziej wyrównany poziom jakości prognoz ekowskaźnika w poszczególnych grupach

technologii w porównaniu z rozkładem jakości prognoz ekoefektywność wskazuje, że

przyczyną tamtej niejednorodności nie były składowe oceny cyklu życia, lecz raczej

nieprecyzyjnie wyznaczone dla tej grupy technologii wartości wpływu społecznego lub

wartości bieżącej netto NPV.

41

5. Prognozowanie ekoefektywności w oparciu o predyktory

Ponieważ wskaźnik LCA dla etapu użytkowania wykorzystywany w badaniach jest obliczany

jako suma tzw. predyktorów wyrażających zużycie materiałów, energii, wytwarzane opady i

emisję zanieczyszczeń, w ramach badań sprawdzono, czy bezpośrednie, samodzielnie lub

jednocześnie uwzględnienie tych czterech danych na wejściu modelu neuronowego

dostarczyłoby mu dodatkowej informacji i pozwoliło uzyskać dokładniejsze prognozy

ekoefektywności. Badania dotyczyły prognozowania ekoefektywności wyznaczanej według

wariantu IV, dla którego uzyskano na wcześniejszym etapie najlepszą jakość prognoz.

5.1 Prognoza ekoefektywności w oparciu o wartości wszystkich predyktorów

Ze zbioru cech wybrano następujące:

Predyktory:

o Materiały

o Energia

o Odpady

o Emisje


NPV


W ramach przeglądu zupełnego struktur sieci neuronowych wybrano następującą strukturę

sieci:

Liczba wejść: 6 (predyktory materiałów, energii, odpadów i emisji; wpływ społeczny;

NPV)




42

Rys. 5.1. Zależność błędu prognozy ekoefektywności (wyznaczonej na podstawie wszystkich predyktorów) od liczby parametrów sieci

Prognozy sieci

Tabela 5.1. Błędy bezwzględne prognozy ekoefektywności (wyznaczonej na podstawie wszystkich predyktorów)




przez sieć

Błąd bezwzględny

E.02 30,0597 29,9949 -0,0648

E.03 11,8861 11,8587 -0,0274

E.04 23,8080 24,0483 0,2403

E.08 2,1066 2,1383 0,0317

E.09 1,8263 1,8289 0,0026

E.10 1,5099 1,4961 -0,0138

E.11 15,2681 15,4860 0,2179

E.12 3,0739 2,4739 -0,6000

E.13 1,9745 1,8922 -0,0824

E.15 1,4861 1,4849 -0,0012

E.16 22,3847 24,4318 2,0472

E.17 13,7044 13,6977 -0,0068

E.19 16,5909 17,6835 1,0926

E.23 5,8966 5,8173 -0,0793

M.05 27,6837 27,7387 0,0550

M.06 24,7996 24,8163 0,0167

M.07 25,3132 25,3202 0,0070

M.08 26,8397 26,7863 -0,0534

M.09 25,8987 25,9224 0,0237

M.11 22,0607 22,2885 0,2278

M.12 33,7140 33,7114 -0,0026

M.13 19,8574 19,7987 -0,0587

43




przez sieć

Błąd bezwzględny

M.15 22,9681 22,9068 -0,0613

M.16 20,2270 20,2590 0,0320

M.19 24,4018 24,4839 0,0820

M.23 34,0178 34,0162 -0,0016

M.25 45,6252 40,9103 -4,7148

M.26 34,0183 34,0061 -0,0121

M.27 38,3820 38,5176 0,1356

M.33 13,4274 13,2636 -0,1638

M.34 23,6135 23,6235 0,0099

S.2 25,2860 25,2021 -0,0839

S.3 24,5268 24,4917 -0,0351

S.4 19,2000 19,0218 -0,1782

S.5 16,9476 16,0451 -0,9025

S.7 9,1847 9,4081 0,2234

S.8 25,1826 25,4270 0,2444

S.20 28,2935 27,8212 -0,4723





44

Rys. 5.3. Wartości błędów względnych dla wszystkich technologii (wyznaczonej na podstawie wszystkich predyktorów)

45

5.2 Prognoza ekoefektywności w oparciu o predyktor zużycia materiałów



sieci:

Liczba wejść: 3 (predyktor materiałów, wpływ społeczny, NPV)




Rys. 5.4. Zależność błędu prognozy ekoefektywności (wyznaczonej na podstawie predyktora zużycia materiałów) od liczby parametrów sieci

Prognozy sieci

Tabela 5.2. Błędy bezwzględne prognozy ekoefektywności (wyznaczonej na podstawie predyktora zużycia materiałów)




przez sieć

Błąd bezwzględny

E.02 30,0597 29,7234 -0,3363

E.03 11,8861 12,3347 0,4486

E.04 23,8080 24,5241 0,7162

E.08 2,1066 2,0048 -0,1018

E.09 1,8263 1,7648 -0,0615

E.10 1,5099 1,5046 -0,0053

E.11 15,2681 15,0952 -0,1729

E.12 3,0739 3,0548 -0,0191

46




przez sieć

Błąd bezwzględny

E.13 1,9745 1,7711 -0,2034

E.15 1,4861 1,3663 -0,1198

E.16 22,3847 24,3149 1,9303

E.17 13,7044 13,5423 -0,1621

E.19 16,5909 17,4406 0,8496

E.23 5,8966 5,5739 -0,3227

M.05 27,6837 27,6062 -0,0775

M.06 24,7996 24,7574 -0,0422

M.07 25,3132 25,2790 -0,0342

M.08 26,8397 26,4290 -0,4107

M.09 25,8987 25,6544 -0,2443

M.11 22,0607 22,1158 0,0551

M.12 33,7140 33,8334 0,1195

M.13 19,8574 19,8409 -0,0165

M.15 22,9681 23,1704 0,2023

M.16 20,2270 20,4666 0,2396

M.19 24,4018 23,9296 -0,4722

M.23 34,0178 33,9221 -0,0956

M.25 45,6252 29,4542 -16,1710

M.26 34,0183 33,8862 -0,1320

M.27 38,3820 37,8497 -0,5323

M.33 13,4274 13,3023 -0,1251

M.34 23,6135 23,5977 -0,0159

S.2 25,2860 25,2355 -0,0505

S.3 24,5268 25,3597 0,8328

S.4 19,2000 18,6834 -0,5165

S.5 16,9476 16,0725 -0,8751

S.7 9,1847 9,0878 -0,0969

S.8 25,1826 25,0694 -0,1132

S.20 28,2935 26,9645 -1,3290


47




Rys. 5.6. Wartości błędów względnych dla wszystkich technologii (wyznaczonej na podstawie predyktora zużycia materiałów)

48

5.3 Prognoza ekoefektywności w oparciu o predyktor zużycia energii



sieci:

Liczba wejść: 3 (predyktor energii, wpływ społeczny, NPV)




Rys. 5.7. Zależność błędu prognozy ekoefektywności (wyznaczonej na podstawie predyktora zużycia energii) od liczby parametrów sieci

Prognozy sieci

Tabela 5.3. Błędy bezwzględne prognozy ekoefektywności (wyznaczonej na podstawie predyktora zużycia energii)




przez sieć

Błąd bezwzględny

E.02 30,0597 30,3642 0,3045

E.03 11,8861 16,5511 4,6650

E.04 23,8080 26,5087 2,7007

E.08 2,1066 2,5913 0,4847

E.09 1,8263 1,7306 -0,0957

E.10 1,5099 1,9206 0,4107

E.11 15,2681 11,3356 -3,9325

E.12 3,0739 4,3247 1,2508

E.13 1,9745 1,9734 -0,0011

49




przez sieć

Błąd bezwzględny

E.15 1,4861 1,7423 0,2562

E.16 22,3847 22,8317 0,4471

E.17 13,7044 13,6629 -0,0415

E.19 16,5909 16,6067 0,0158

E.23 5,8966 5,7232 -0,1734

M.05 27,6837 27,8656 0,1819

M.06 24,7996 24,7940 -0,0057

M.07 25,3132 25,3777 0,0645

M.08 26,8397 27,1589 0,3191

M.09 25,8987 25,7962 -0,1025

M.11 22,0607 21,9997 -0,0610

M.12 33,7140 33,7037 -0,0103

M.13 19,8574 19,9713 0,1139

M.15 22,9681 22,9615 -0,0066

M.16 20,2270 20,2213 -0,0057

M.19 24,4018 24,2507 -0,1512

M.23 34,0178 33,7280 -0,2898

M.25 45,6252 29,3618 -16,2634

M.26 34,0183 33,8746 -0,1437

M.27 38,3820 38,5579 0,1759

M.33 13,4274 14,2829 0,8556

M.34 23,6135 24,5186 0,9050

S.2 25,2860 25,3706 0,0846

S.3 24,5268 24,8164 0,2895

S.4 19,2000 19,3275 0,1275

S.5 16,9476 16,8329 -0,1147

S.7 9,1847 8,8771 -0,3076

S.8 25,1826 25,3036 0,1210

S.20 28,2935 27,9720 -0,3215


50




Rys. 5.9. Wartości błędów względnych dla wszystkich technologii (wyznaczonej na podstawie predyktora zużycia energii)

51

5.4 Prognoza ekoefektywności w oparciu o predyktor odpadów



sieci:

Liczba wejść: 3 (predyktor odpadów, wpływ społeczny, NPV)




Rys. 5.10. Zależność błędu prognozy ekoefektywności (wyznaczonej na podstawie predyktora odpadów) od liczby parametrów sieci

Prognozy sieci

Tabela 5.4. Błędy bezwzględne prognozy ekoefektywności (wyznaczonej na podstawie predyktora odpadów)




przez sieć

Błąd bezwzględny

E.02 30,0597 29,9516 -0,1081

E.03 11,8861 20,0735 8,1874

E.04 23,8080 23,8713 0,0634

E.08 2,1066 3,2816 1,1750

E.09 1,8263 1,8040 -0,0223

E.10 1,5099 2,2502 0,7403

E.11 15,2681 16,7468 1,4787

E.12 3,0739 2,6564 -0,4175

52




przez sieć

Błąd bezwzględny

E.13 1,9745 2,2439 0,2694

E.15 1,4861 1,8313 0,3452

E.16 22,3847 22,5367 0,1520

E.17 13,7044 13,7366 0,0322

E.19 16,5909 16,6193 0,0284

E.23 5,8966 4,8013 -1,0952

M.05 27,6837 27,5990 -0,0846

M.06 24,7996 24,9615 0,1618

M.07 25,3132 25,1744 -0,1388

M.08 26,8397 26,2070 -0,6327

M.09 25,8987 25,4292 -0,4695

M.11 22,0607 22,0669 0,0062

M.12 33,7140 33,0117 -0,7022

M.13 19,8574 19,5781 -0,2793

M.15 22,9681 22,8619 -0,1062

M.16 20,2270 20,2120 -0,0149

M.19 24,4018 24,3610 -0,0408

M.23 34,0178 31,3243 -2,6934

M.25 45,6252 27,0933 -18,5319

M.26 34,0183 33,5052 -0,5131

M.27 38,3820 30,0070 -8,3750

M.33 13,4274 13,6190 0,1916

M.34 23,6135 23,6820 0,0684

S.2 25,2860 25,5267 0,2407

S.3 24,5268 24,5071 -0,0198

S.4 19,2000 20,6529 1,4530

S.5 16,9476 17,0729 0,1253

S.7 9,1847 9,3041 0,1194

S.8 25,1826 25,3724 0,1898

S.20 28,2935 28,2757 -0,0178


53




Rys. 5.12. Wartości błędów względnych dla wszystkich technologii (wyznaczonej na podstawie predyktora odpadów)

54

5.5 Prognoza ekoefektywności w oparciu o predyktor emisji



sieci:

Liczba wejść: 3 (predyktor emisji, wpływ społeczny, NPV)




Rys. 5.13. Zależność błędu prognozy ekoefektywności (wyznaczonej na podstawie predyktora emisji) od liczby parametrów sieci

Prognozy sieci

Tabela 5.5. Błędy bezwzględne prognozy ekoefektywności (wyznaczonej na podstawie predyktora emisji)




przez sieć

Błąd bezwzględny

E.02 30,0597 30,0792 0,0196

E.03 11,8861 11,4956 -0,3905

E.04 23,8080 26,8796 3,0716

E.08 2,1066 1,9022 -0,2044

E.09 1,8263 2,5650 0,7387

E.10 1,5099 1,5837 0,0738

E.11 15,2681 14,1579 -1,1102

E.12 3,0739 2,6355 -0,4384

E.13 1,9745 3,0046 1,0301

55




przez sieć

Błąd bezwzględny

E.15 1,4861 1,4189 -0,0672

E.16 22,3847 25,3855 3,0008

E.17 13,7044 13,6884 -0,0160

E.19 16,5909 16,5514 -0,0395

E.23 5,8966 5,2672 -0,6293

M.05 27,6837 27,6038 -0,0798

M.06 24,7996 24,8132 0,0136

M.07 25,3132 25,2159 -0,0973

M.08 26,8397 26,9956 0,1559

M.09 25,8987 25,5770 -0,3217

M.11 22,0607 21,8743 -0,1864

M.12 33,7140 34,0731 0,3592

M.13 19,8574 19,3581 -0,4993

M.15 22,9681 22,9411 -0,0270

M.16 20,2270 20,1000 -0,1270

M.19 24,4018 24,3392 -0,0627

M.23 34,0178 33,9323 -0,0855

M.25 45,6252 30,3431 -15,2821

M.26 34,0183 34,0006 -0,0176

M.27 38,3820 31,4678 -6,9142

M.33 13,4274 14,4640 1,0366

M.34 23,6135 23,6048 -0,0088

S.2 25,2860 25,2829 -0,0031

S.3 24,5268 24,5264 -0,0004

S.4 19,2000 19,2007 0,0007

S.5 16,9476 17,7129 0,7652

S.7 9,1847 9,2729 0,0882

S.8 25,1826 24,1434 -1,0392

S.20 28,2935 27,4168 -0,8768


56




Rys. 5.15. Wartości błędów względnych dla wszystkich technologii (wyznaczonej na podstawie predyktora emisji)

57

5.6 Analiza wyników prognozowania ekoefektywności na podstawie predyktorów

Wprowadzenie na wejście modelu neuronowego składowych ekowskaźnika LCA dla etapu

użytkowania spowodowało pogorszenie jakości prognoz. Przyczyną jest pogorszenie

proporcji pomiędzy liczbą parametrów opisujących technologię (z 3 do 6), a tym samym

liczbą wejść sieci neuronowej i liczbą dostępnych w procesie uczenia przykładów. Jeżeli

nawet rozbicie ekowskaźnika LCA na predyktory dostarczyło modelowi neuronowemu

dodatkowych informacji, to nie zrównoważyło to pogorszenia jego zdolności do generalizacji

problemu spowodowanego rozrostem struktury sieci.

Uwzględnienie pojedynczych predyktorów nie powodowało już pogorszenia zdolności do

generalizacji spowodowanej rozrostem struktury sieci, ale z oczywistych względów wiązało

się z dostarczeniem do modelu neuronowego uboższej informacji w porównaniu do sytuacji,

gdy wykorzystywano kompletny ekowskaźnik LCA dla etapu użytkowania. W związku z tym

w przypadku wszystkich predyktorów uzyskano gorszą jakość prognoz. Jednakże mniejsza

dokładność szacowania ekoefektywności jest równoważona istotnie mniejszym nakładem

pracy koniecznej do przygotowania danych wejściowych dla modelu neuronowego.

Szczególnie w przypadku predyktora zużycia materiałów spadek jakości prognoz z 1,54% na

3,75% jest najmniej dotkliwy. Wskazuje to jednocześnie na największe znaczenie tego

predyktora w szacowaniu ekoefektywności.

Akceptowalna jakość prognoz dla pojedynczych predyktorów świadczy o silnej korelacji

pomiędzy tymi parametrami, która pozwala wyrazić za pomocą jednego predyktora

pozostałe.

W wynikach zwraca uwagę zła jakość prognoz (uzyskana w wypadku stosowania

pojedynczych predyktorów) dla technologii M25: Badanie i określenie zasad możliwości

wykonywania odlewów ze stopów Al i Mg o strukturze drobnoziarnistej bez nieciągłości

strukturalnych w skali makro i mikro technologii precyzyjnymi. Wskazuje to na silną

wzajemną niezależność predyktorów materiałów, energii, odpadów i emisji w tej technologii.

58

6. Podsumowanie

W ramach badań przeprowadzono analizę możliwości zastosowania sztucznych sieci

neuronowych do prognozowania ekoefektywności technologii z trzech grup: materiałowej,

energetycznej i środowiskowej.

Podstawowym założeniem prowadzonych badań było sprawdzenie, czy sieci neuronowe

pozwolą na wyznaczenie ekoefektywności na wcześniejszym etapie projektowania

technologii, niż ma to miejsce w klasycznej metodyce oceny ekofektywności, w przypadku

której informację o wpływie technologii na środowisko uzyskujemy w zasadzie na końcu

procesu projektowego. Utrudnia to znacznie bezpośrednie uwzględnienie wpływu na

środowisko w trakcie projektowania technologii.

Dzięki zastosowaniu sztucznych sieci neuronowych okazało się możliwe trafne

prognozowanie ekoefektywności bez konieczności przeprowadzenia pełnej, bardzo

pracochłonnej oceny cyklu życia technologii (LCA). Usprawnia to proces projektowy i obniża

koszty oceny ekoefektywności.

W pierwszym etapie badań wykazano, że możliwa jest precyzyjna ocena ekofektywności

jedynie na podstawie stosunkowo łatwo dostępnej analizy LCA dla etapu użytkowania, miary

wpływu społecznego oraz wartości bieżącej netto. Przy tym niepełnym zestawie danych

wejściowych precyzja prognoz mieściła się w zakresie od 1,54 % (dla wariantu IV miary

ekoefektywności) do 15,55 % (dla wariantu I miary ekoefektywności). Szczególnie jakość

prognoz dla czwartego wariantu oceny ekofektywności można uznać za bardzo

satysfakcjonującą, jeżeli weźmiemy pod uwagę fakt, iż same dane opisujące technologie

także charakteryzowały się pewnym, nieuniknionym błędem.

Analiza wyników dla wszystkich rozpatrywanych wariantów wskazała, że najgorsze prognozy

uzyskano dla technologii z grupy technologii energetycznych. Biorąc pod uwagę, że w

wykorzystywanym modelu neuronowym wejście stanowił ekowskaźnik LCA dla etapu

użytkowania, który powinien mieć największe znaczenie w tej grupie technologii, można

uznać uzyskany wynik za zaskakujący. Dalsze badania dotyczące prognozowania LCA

łącznego na podstawie LCA dla etapu użytkowania pokazały, że w takim przypadku nie

występuje niższa jakość prognoz dla technologii energetycznych. Sugeruje to, że

najprawdopodobniej pogorszenie prognoz ekefektywności wynika z pewnej niedokładności

wyznaczenia, w tej grupie technologii, jej pozostałych składników – wpływu społecznego i

wartości bieżącej netto.

59

Oprócz wyjaśnienia wyżej wspomnianych wyników dla technologii energetycznych. badania

dotyczące prognozowania LCA łącznego jedynie na podstawie LCA dla etapu użytkowania

dały wygodne narzędzie dostarczające danej wsadowej (z dokładnością 7,50%) do

wyznaczenia ekoefektywności według dowolnej miary, także innej niż wykorzystywanej w

czterech rozważanych w ramach badań wariantach.

Ponieważ wskaźnik LCA dla etapu użytkowania wykorzystywany w badaniach jest obliczany

jako suma tzw. predyktorów wyrażających zużycie materiałów, energii, wytwarzane opady i

emisję zanieczyszczeń, w ramach badań sprawdzono, czy bezpośrednie uwzględnienie tych

czterech danych na wejściu modelu neuronowego dostarczyłoby mu dodatkowej informacji i

pozwoliło uzyskać dokładniejsze prognozy ekoefektywności. Uzyskany wynik na poziomie

2,05% (dla wariantu IV) wskazuje jednak, iż ewentualna dodatkowo informacja nie

zrównoważyła nieuniknionego rozrostu struktury sieci neuronowej (większa liczba wejść), a

tym samym zmniejszenia jej zdolności do generalizacji problemu.

W dalszym etapie badań skupiono się na możliwościach prognozowania ekoefektywności

jedynie na podstawie pojedynczych predyktorów. Celem było umożliwienie wyznaczenia

ekofefektywności na jeszcze wcześniejszym etapie projektu i przy jeszcze mniej puli

zgromadzonych danych. Uzyskane dokładności prognozy ekoefektywnośc w zakresie od

3,75 % (predyktor zużycia materiałów) do 8,41 % (predyktor odpadów) można uznać za

zadawalające szczególnie w świetle znacznego zmniejszenia nakładu pracy koniecznej do

przygotowania danych wejściowych. Dobry wynik uzyskany w oparciu o predyktor zużycia

materiałów wskazuje na najsilniejsze oddziaływanie tego parametru na ekoefektywność.

Badania dotyczące zastosowania sieci neuronowych do prognozowania ekoefektywności

wykazały, że narzędzie to może być bardzo przydatne w ocenie wpływu technologii na

środowisko zmniejszając pracochłonność takiej analizy oraz pozwalając uzyskać wynik na

podstawie istotnie zawężonego zbioru informacji o rozważanej technologii.

60

7. Literatura

1. FARGNOLI M.: Design Process Optimization for EcoDesign, International Journal of Automation Technology, vol.3, nr 1, 2009

2. LEWIS H., GERTSAKIS J., GRANT T., MORELLI N., SWEATMAN A.: Design and Environment - a Global Quide to Designing Greener Goods, Greenleaf Publishing, New York 2001.

3. KNIGHT P., JENKINS J. O.: Adopting and Applying Eco-Design Techniques: A Practitioners Perspective, Journal of Cleaner Production, nr 17, 2009, 549

4. LUTTROPP C., LAGERSTEDT J., EcoDesign and The Ten Golden Rules: Generic Advice for Merging Environmental Aspects into Product Development, Journal of Cleaner Production, vol. 14, nr 15-16, 2006

5. EN ISO 14040:2006. Environmental management. Life cycle assessment. Principles and framework

6. CZAPLICKA-KOLARZ K., BOJARSKA-KRAUS M., WACHOWICZ J.: A Life Cycle Method for Assessment of a Colliery Colliery’s Eco-balance Balance, The International Journal of Life Cycle Assessment, nr 9, 2004, s. 247

7. WIECZOREK T.: Neuronowe modelowanie procesów technologicznych, Wydawnictwo Politechniki Śląskiej, Gliwice 2008

8. HORNIK K., STINCHCOMBE M., WHITE H., Multilayer feedforward networks are universal approximators, Neural Networks 2 (1989), s. 359–366.

9. SEO K.K. KIM W.K.: Approximate Life Cycle Assessment of Product Concepts Using a Hybrid Genetic Algorithm and Neural Network Approach: ICHIT 2006, LNAI 4413, s. 258

10. JIANZHI LI J., WU Z. ZHANG H.CH.: Application of neural network on environmental impact assessment tools, International Journal of Sustainable Manufacturing, Nr. 1/2, 2008

11. BURCHART-KOROL D., GOLAK S.: Application of environmental LCA and ANN connection for product design, InvEnt 2010

12. WIECZOREK T. , GOLAK S. : An algorithm of knowledge extraction from trained neural networks, Advances in Soft Computing, IIP WM'04, Springer-Verlag , 2004, s. 470-474

13. GOLAK S. : A MLP Solver for First and Second Order Partial Differential Equations, Lecture Notes of Computer Science , v. 4669T08:15 , 2007, s. 789-797

14. GOLAK S. : Sieci neuronowe w ilościowej analizie procesów, VIII Konferencja Badania Naukowe w Elektrotermii, Międzybrodzie Żywieckie, 2000

15. GROSMAM F. , GOLAK S. , WIECZOREK T. : Application of neural network for analysis of hot-dip zinc coating process, Sächsische Fachtagung Umformtechnik, Freiberg, 2001, s. 93-98

MODEL PROGNOZUJĄCY EKOEFEKTYWNOŚĆ TECHNOLOGII ... · TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU W...

Documents

Transcript of MODEL PROGNOZUJĄCY EKOEFEKTYWNOŚĆ TECHNOLOGII ... · TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU W...