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
Wskaźnik społeczny
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
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych prognozujących ekoefektywność
w wariancie II, jako optymalną strukturę sieci wyznaczono sieć o następującej strukturze:
Liczba wejść: 3 (ekowskaźnik dla etapu użytkowania, wpływ społeczny, NPV)
I warstwa ukryta: 14 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 20 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 3.5. Histogram częstości błędu prognozy dla wszystkich technologii
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)
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 11,59%
Mediana błędu względnego prognozy równa 1,39%
27
3.8 Prognoza ekoefektywności wyznaczonej według wariantu III
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych prognozujących ekoefektywność
w wariancie III, jako optymalną strukturę wybrano:
Liczba wejść: 3 (ekowskaźnik dla użytkowania, wpływ społeczny, NPV)
I warstwa ukryta: 9 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 10 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 3.8. Histogram częstości błędu prognozy dla wszystkich technologii
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 4,57%
Mediana błędu względnego prognozy równa 0,79%
30
Rys. 3.9. Wartości błędów względnych dla wszystkich technologii (wariant III)
31
3.9 Prognoza ekoefektywności wyznaczonej według wariantu IV
Dobór struktury sieci
Dobrano sieć o następującej strukturze:
Liczba wejść: 3 (ekowskaźnik dla użytkowania, wpływ społeczny, NPV)
I warstwa ukryta: 5 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 17 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 3.11. Histogram częstości błędu prognozy dla wszystkich technologii
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 1,54%
Mediana błędu względnego prognozy równa 0,38%
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
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych prognozujących łączne LCA,
jako optymalną wyznaczono sieć o następującej strukturze:
Liczba wejść: 1 (ekowskaźnik dla etapu użytkowania)
I warstwa ukryta: 8 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 7,50%
Mediana błędu względnego prognozy równa 3,99%
40
Rys. 4.3. Histogram częstości błędu prognozy dla wszystkich technologii
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
Wskaźnik społeczny
NPV
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych wybrano następującą strukturę
sieci:
Liczba wejść: 6 (predyktory materiałów, energii, odpadów i emisji; wpływ społeczny;
NPV)
I warstwa ukryta: 12 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 20 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 5.2. Histogram częstości błędu prognozy dla wszystkich technologii
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 2,05%
Mediana błędu względnego prognozy równa 0,33%
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
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych wybrano następującą strukturę
sieci:
Liczba wejść: 3 (predyktor materiałów, wpływ społeczny, NPV)
I warstwa ukryta: 11 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 12 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 5.5. Histogram częstości błędu prognozy dla wszystkich technologii
47
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 3,75%
Mediana błędu względnego prognozy równa 1,16%
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
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych wybrano następującą strukturę
sieci:
Liczba wejść: 3 (predyktor energii, wpływ społeczny, NPV)
I warstwa ukryta: 17 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 6 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 5.8. Histogram częstości błędu prognozy dla wszystkich technologii
50
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 6,51%
Mediana błędu względnego prognozy równa 0,77%
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
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych wybrano następującą strukturę
sieci:
Liczba wejść: 3 (predyktor odpadów, wpływ społeczny, NPV)
I warstwa ukryta: 5 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 6 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 5.11. Histogram częstości błędu prognozy dla wszystkich technologii
53
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 8,41%
Mediana błędu względnego prognozy równa 1,26%
Rys. 5.12. Wartości błędów względnych dla wszystkich technologii (wyznaczonej na podstawie predyktora odpadów)
54
5.5 Prognoza ekoefektywności w oparciu o predyktor emisji
Dobór struktury sieci
W ramach przeglądu zupełnego struktur sieci neuronowych wybrano następującą strukturę
sieci:
Liczba wejść: 3 (predyktor emisji, wpływ społeczny, NPV)
I warstwa ukryta: 9 neurony nieliniowe (sigmoidalna funkcja przejścia)
II warstwa ukryta: 18 neurony nieliniowe (sigmoidalna funkcja przejścia)
Warstwa wyjściowa: 1 neuron liniowy
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)
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Symbol Ekoefektywność
wyznaczona analitycznie
Ekoefektywność prognozowana
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
Rys. 5.14. Histogram częstości błędu prognozy dla wszystkich technologii
56
Łączne miary jakości prognoz sieci dla wszystkich technologii to:
Średni błąd względny prognozy równy 6,51%
Mediana błędu względnego prognozy równa 1,16%
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
Top Related