در ژورنال کلاب  گروه مهندسی بهداشت محیط، مقاله‌ای با عنوان زیر توسط خانم «مهسا کشتکار»، دانشجوی مقطع دکترای تخصصی این رشته و با حضور اساتید و دانشجویان این گروه مورد بررسی قرار گرفت.

 «A deep learning approach for cost-effective and environmentally sustainable waste transportation systems in developing countries»

به گزارش روابط عمومی دانشکده بهداشت، این پژوهش به یکی از چالش‌های مهم عصر حاضر یعنی افزایش تولید پسماند در نتیجه رشد سریع شهرنشینی پرداخته و راهکاری نوین مبتنی بر هوش مصنوعی برای مدیریت کارآمد و پایدار حمل‌ونقل پسماند ارائه می‌دهد.

در این مطالعه، پژوهشگران با بهره‌گیری از شبکه‌های LSTM  برای پیش‌بینی ریسک‌های هزینه حمل‌ونقل و شبکه‌های CNN  برای ارزیابی شدت اثرات زیست‌محیطی، مدلی ترکیبی طراحی کرده‌اند که توانسته با دقت بالا عملکرد خود را نشان دهد. نتایج آزمایش‌ها حاکی از آن است که مدل LSTM به خطای میانگین مطلق 48.77  در پیش‌بینی هزینه‌ها دست یافته و مدل CNN نیز با دقت 96.41  درصد شدت اثرات زیست‌محیطی را طبقه‌بندی کرده است. این رویکرد نوین با استفاده از داده‌های واقعی یک شرکت مدیریت پسماند در شمال آفریقا و در چارچوب استانداردهای بین‌المللی ISO 14001:2015  و ISO 9001:2015  توسعه یافته است. همچنین مقایسه با مدل‌های سنتی یادگیری ماشین نشان داد که روش‌های یادگیری عمیق از نظر دقت و کارایی برتری قابل توجهی دارند. پژوهشگران تأکید کردند که این دستاورد می‌تواند به سیاست‌گذاران و فعالان صنعت کمک کند تا با تصمیم‌گیری مبتنی بر داده، ریسک‌های پرهزینه و پرخطر زیست‌محیطی را کاهش داده و تاب‌آوری سیستم‌های حمل‌ونقل پسماند را ارتقا دهند. علاوه بر این، تحلیل هزینه-فایده انجام‌شده نشان می‌دهد که استفاده از راهکارهای مبتنی بر هوش مصنوعی نه تنها از نظر اقتصادی مقرون‌به‌صرفه است، بلکه مزایای بلندمدت قابل توجهی نیز برای توسعه پایدار شهری به همراه دارد.