ارائه روش تجربی برآورد تراز صدا با استفاده از شبکه عصبی مصنوعی در محیط های صنعتی بسته

زمینه و هدف: پیشرفت روزافزون صنعت و تکنولوژی منجر به ایجاد عوامل مخاطره زا در محیط های کاری و صنایع شده است.آلودگی صدا به عنوان یک آلاینده فیزیکی در محیط کار، از مهم ترین مباحث مخاطرات شغلی در محیط های صنعتی و اززیانبارترین عوامل در کارگران تحت مواجهه می باشد. این مطالعه با هدف ارائه روش تجربی برآورد تراز صدا با استفاده از شبکهعصبی مصنوعی در محیط های صنعتی بسته بر اساس نقطه برش فرکانسی انجام گردید.مواد و روش ها: در این مطالعه توصیفی تحلیلی و مقطعی که در هفت گروه صنعتی از صنایع تولیدی شرق کشور انجام شد،داده ها از طریق اندازه گیری دستگاهی، محاسباتی و مشاهدات جمع آوری گردید. تراز صدای محیطی با استفاده از دستگاهصداسنج اندازه گیری و مشخصات هندسی و آکوستیکی بنا ثبت گردید. پس از آنالیز فرکانسی، فرکانس غالب سالن ها مشخصو دسته بندی آن ها بر اساس نقطه برش فرکانسی 250 هرتز انجام شد. با به کارگیری نرم افزارهای SPSS نسخه 20 و Matlabنسخه 2016، میانگین تراز صدا به صورت میانگین شاخص کل و شاخص رفرانس در قالب مدل های تجربی و با استفاده ازروش های تحلیل رگرسیونی و شبکه عصبی مصنوعی برآورد گردید.یافته ها: در بررسی فرکانس غالب، تعداد 28 تا از 56 سالن صنعتی در محدوده فرکانس غالب کمتر یا مساوی 250 هرتز قرارگرفتند. پس از انتخاب متغیرهای با میزان معنی داری کمتر از 0/2، برآورد با استفاده از روش تحلیل رگرسیون چندگانه براساس نقطه برش فرکانسی انجام شد. با توجه به خطای حدود 2 تا 3 دسی بل بدست آمده از برآورد تراز صدا در روشرگرسیونی، از روش های هوش مصنوعی در برآورد تراز صدا استفاده شد. دو مدل پیش بینی کننده تراز صدای محیطی درفرکانس غالب کمتر یا مساوی 250 هرتز و بالاتر از آن با ضرایب تعیین 0/99 و خطای 0/79 و 0/39 بهترین عملکرد را درشبکه عصبی مصنوعی نشان دادند. با توجه به نتایج تجزیه و تحلیل حساسیت در هر دو سالن های با فرکانس غالب کمتر یامساوی 250 هرتز و بالاتر، وضوح مکالمه در فاصله یک متری به عنوان موثرترین متغیر شناسایی گردیده و بعد از آن،متغیرهای ضریب کاهش صدا و مشخصه های ارتفاع بنا در سالن نقش موثری را در تخمین میزان تراز صدای محیطی نشان دادند.نتیجه گیری: در سناریوهای تست شده در مدل ها، پس از بررسی خطا و انتخاب ساختارهای مختلف برای شبکه، بهترینسناریوها بر اساس میزان خطا در پیش بینی در نظر گرفته شده است. با توجه به پراکندگی و تنوع متغیرهای ورودی،تکنیک های شبکه عصبی توسعه داده شده توانستند با اعتبار بالایی تراز صدای محیطی را در سالن های صنعتی مورد نظر برمبنای فرکانس غالب پیش بینی نمایند. با توجه به تنوع و گستردگی سالن های صنعتی پیشنهاد می گردد تا روش های ارائهشده برای سالن های با فرآیندهای صنعتی مختلف به صورت جداگانه مورد تحقیق و بررسی قرار گیرند.

Keywords:

شبکه عصبی مصنوعی , رگرسیون چندگانه , تخمین صدا , فرکانس غالب , مدل سازی