دانشکده بهداشت دانشگاه علوم پزشکی شیراز
مدلسازی ویژگی های ضریب جذب صوتی الیاف جارو با استفاده از شبکههای عصبی مصنوعی
به گزارش روابط عمومی دانشکده، این جلسه با ارائه ی دانشجو «آرمان امیری» در مقطع دکتری تخصصی و موضوع "مدلسازی ویژگی های ضریب جذب صوتی الیاف جارو با استفاده از شبکههای عصبی مصنوعی" باراهنمایی دکتر «زهرا زمانیان» عضو هیات علمی گروه مهندسی بهداشت حرفه ای و ایمنی کار انجام گرفت.
در سالهای اخیر، بهرهگیری از روشهای یادگیری ماشین بهعنوان یکی از شاخههای کلیدی هوش مصنوعی، جایگاه فزایندهای در علوم مهندسی و بهویژه در حوزه بهداشت حرفهای و ایمنی کار یافته است. این الگوریتمها با فراهمسازی امکان مدلسازی پدیدههای پیچیده بدون نیاز به فرمولهسازی دقیق فیزیکی، ظرفیت بالایی در تحلیل سیستمهای غیرخطی و متغیرهای چندگانه دارند.
اهمیت این جهتگیری فناورانه زمانی دوچندان میگردد که بدانیم سازمان بینالمللی کار ILO در سال ۲۰۲۵، روز جهانی ایمنی و سلامت در کار را با شعار «انقلابی در ایمنی و سلامت: نقش هوش مصنوعی و دیجیتالی شدن در کار» نام گذاری کرد. این رویداد بر تأثیرات فناوریهای نوین بر سیستمهای ایمنی و سلامت شغلی در سراسر جهان تمرکز داشته و بیان می نماید که چگونه ابزارهای دیجیتال و هوش مصنوعی میتوانند با کاهش مواجهه با خطرات، پیشگیری از آسیبها و بهبود شرایط کاری، ایمنی و سلامت شغلی را متحول کنند. از سوی دیگر، در سال گذشته، ILO شعار خود را به موضوع تغییرات اقلیمی اختصاص داد و بر ضرورت توسعه راهکارهایی تأکید کرد که ضمن کاهش اثرات زیستمحیطی، زمینهساز اشتغال سبز باشند.
مقاله مورد بررسی، بهنحوی درخور توجه، هر دو موضوع را بهصورت همزمان هدف گرفته است. از یکسو، استفاده از الیاف گیاه جارو بهعنوان یک منبع طبیعی، بازیافتی و کمخطر برای محیطزیست، در راستای اهداف پایداری و کاهش ردپای کربن در طراحی مواد آکوستیکی است. از سوی دیگر، بهکارگیری روشهای یادگیری ماشین برای پیشبینی خواص مواد، بازتابی از کاربرد مستقیم هوش مصنوعی در مسائل واقعی حوزه بهداشت حرفهای و ایمنی کار است.
در این پژوهش، که در قالب ژورنال کلاب گروه بهداشت حرفهای و ایمنی کار توسط مهندس آرمان امیری، دانشجوی دکترای بهداشت حرفهای و ایمنی کار ارائه شد، به بررسی رفتار آکوستیکی الیاف طبیعی گیاه جارو با بهرهگیری از روشهای یادگیری ماشینی پرداخته شد. در این مطالعه، با استفاده از الگوریتم شبکه عصبی مصنوعی (ANN)، مدلی عددی جهت پیشبینی ضریب جذب صدا توسعه یافته و عملکرد آن با روشهای تجربی مانند استفاده از امپدانس تیوب مقایسه گردید.
ویژگیهای فیزیکی و آکوستیکی الیاف جارو شامل تخلخل، مقاومت جریان هوا و ضریب جذب صدا اندازهگیری گردید و دادههای حاصل، بهصورت یک مجموعه داده سازمانیافته برای آموزش و آزمون شبکه عصبی مصنوعی بهکار گرفته شد. عملکرد این مدل با یک مدل رگرسیون خطی تعمیمیافته (GLM) مقایسه شد و نتایج نشاندهنده دقت بسیار بالای مدل یادگیری ماشین در پیشبینی رفتار صوتی این مواد بوده است(ضریب همبستگی پیرسون: 0.989 در برابر 0.571 در مدل GLM).
اهمیت این مطالعه در آن است که نشان میدهد چگونه میتوان با تلفیق روشهای دادهمحور و مصالح طبیعی، گامی مؤثر در جهت توسعه جاذبهای صدای پایدار، قابل پیشبینی و کمهزینه برداشت. این دستاورد نه تنها میتواند در طراحی محیطهای کاری ایمنتر و کمصدا نقش مؤثری ایفا کند، بلکه بهعنوان الگویی قابل تعمیم برای بهرهبرداری از سایر منابع طبیعی بومی در حوزه مهندسی بهداشت و ایمنی مطرح است. پژوهش حاضر را میتوان تبلور عینی همافزایی میان رویکردهای زیستمحیطی و فناورانه در پاسخ به دغدغههای جهانی محیط کار دانست
نظر دهید