نوآوری های صنعتی
سال:1403 | دوره:2 | شماره:3 |تعداد مقالات:6

در بین فرآیندهای تصفیه پساب های شهری و صنعتی، تکنولوژی راکتور بیوفیلمی بستر متحرک (MBBR) با قابلیت حذف موثر مواد آلی، مواد مغذی و برخی از ترکیبات مقاوم به حذف، توجه زیادی را به خود جلب کرده است. در این مطالعه، عملکرد فنی و اقتصادی یکی از تصفیه خانه فاضلاب شهر تهران با دبی m3/d 2400 به روش لجن فعال با هوادهی گسترده (EAAS) و مقایسه آن با تکنولوژِی MBBR، توسط شبیه سازی فرایند با استفاده از نرم افزار CapdetWorks مورد ارزیابی قرار گرفته است. نتایج شبیه سازی نشان داد که مشخصات جریان های خروجی از تصفیه خانه منطبق بر استاندارد FAO و سازمان محیط زیست ایران جهت رها سازی در طبیعت و یا آبیاری فضای سبز می باشد. همچنین محاسبات اقتصادی نشان داد که کل هزینه ساخت تصفیه خانه با استفاده از تکنولوژی MBBR حدود 14% کمتر از تکنولوژی EAAS می باشد، که این امر تواند به دلیل کاهش قابل ملاحظه حجم راکتور بیوفیلمی بستر متحرک (m3 649/21) در مقایسه با راکتور لجن فعال با هوادهی گسترده (4148/1 m3) باشد. همچنین نتایج نشان داد، هزینه های عملیاتی، نگهداری، و مواد شیمیایی مورد نیاز در روش MBBR در مقایسه با روش EAAS به ترتیب 9/2، 16/4 و 18/3 درصد کمتر، درحالیکه مقدار انرژی مصرفی تقریبا برابر می باشد. همچنین تاثیر کسر پرکننده (حامل بیوفیلم) بر روی هزینه کل ساخت پروژه در تکنولوژی MBBR مورد بررسی قرار گرفت. نتایج نشان داد با افزایش مقدار کسر پر کننده از 30% به 70% کل هزینه پروژه از 9/37 به 9/16 میلیون دلار کاهش می یابد.

در دنیای امروز، فناوری های تحول آفرین مانند هوش مصنوعی نقش کلیدی در پیشرفت اقتصادی و صنعتی ایفا می کنند. این پژوهش با هدف ارائه الگویی برای تعامل دانشگاه و صنعت در حوزه هوش مصنوعی با تأکید بر نقش نهادهای میانجی در دانشگاه های استان قم انجام شده است. روش تحقیق حاضر توصیفی-پیمایشی بوده و داده ها از طریق پرسشنامه ای محقق ساخته در پنج محور آموزش، هوش مصنوعی، شرکت های دانشگاهی، ارتباطات صنعتی و نهادهای میانجی جمع آوری شد. جامعه آماری شامل اساتید، دانشجویان و کارکنان دانشگاه های استان قم بود که از میان آنها 43 پرسشنامه قابل تحلیل گردآوری شد. نتایج پژوهش نشان داد که تمامی محورهای پنج گانه در سطح مطلوبی قرار دارند، به طوری که محور شرکت های دانشگاهی با میانگین 4.27 بالاترین امتیاز و محور ارتباطات صنایع با میانگین 3.87 پایین ترین امتیاز را کسب کردند. تحلیل داده ها با استفاده از آزمون t تک نمونه ای تأثیر مثبت و معنادار عوامل آموزش، هوش مصنوعی، شرکت های دانشگاهی و نهادهای میانجی بر تقویت ارتباطات صنعتی را تأیید کرد. یافته های این پژوهش می تواند به عنوان چارچوبی راهبردی برای سیاست گذاران، دانشگاه ها و صنایع در جهت توسعه همکاری های مؤثر در حوزه فناوری های تحول آفرین مورد استفاده قرار گیرد.

بیکاری یکی از مشکلات اقتصاد ایران است و با توجه به اثرات زیان بار اقتصادی-اجتماعی آن همواره مورد توجه قانون گذاران و دولت ها بوده است. در راستای رفع بیکاری، برنامه های متنوعی در ایران تدوین و اجرایی شده است، یکی از این برنامه های با هدف اشتغال زایی در مناطق شهری و روستایی طرح توسعه مشاغل خرد و خانگی است. ارائه تسهیلات بانکی در راستای ایجاد و تثبیت مشاغل خرد و خانگی یکی از اهداف اصلی این طرح است. بر این اساس هدف اصلی این پژوهش شناسایی موانع و تنگناهای اثربخشی تسهیلات در ایجاد و تثبیت مشاغل خرد و خانگی است. بدین منظور پس از شناسایی و احصاء عوامل موثر، با استفاده از رویکرد تحلیل سلسله مراتبی موانع و تنگناها رتبه بندی شده و بر این اساس راهکارهای پژوهش جهت بهبود اثربخشی تسهیلات ارائه شده است. نتایج به دست آمده نشان می دهد که در دسته بندی کلی عوامل نهادی، محیطی و اجتماعی با وزن 0.318 از بالاترین اهمیت برخوردارند و پس از آن به ترتیب عوامل قانونی و بروکراسی، و فردی و شخصیتی با وزن های 0.242 و 0.184 در رتبه های بعدی قرار دارند. در میان فاکتورها نیز بی ثباتی سیاست ها، بی ثباتی قوانین و شرایط ناپایدار اقتصادی به ترتیب با وزن های 0.070، 0.053 و 0.049 از اهمیت بیشتری برخورداند. بر اساس نتایج پژوهش می توان گفت مهمترین موانع توسعه مشاغل خرد و خانگی در استان مرکزی محیط نامساعد و شرایط نهادی بی ثبات هستند و بر این اساس برنامه ریزی در راستای بهبود فضای کسب وکار و ساختار نهادهای رسمی بیشترین تاثیر را در افزایش اثربخشی مشاغل خرد و خانگی در استان مرکزی دارند.

ریزش مشتری یکی از چالش های اساسی و حیاتی در فضای تجارت الکترونیک محسوب می شود که تأثیر مستقیم و گسترده ای بر سودآوری، رشد و پایداری بلندمدت سازمان ها دارد، از طرفی شناسایی عوامل مؤثر بر ریزش مشتری و اتخاذ راهکارهای پیشگیرانه برای تضمین پایداری، رشد و موفقیت بلندمدت کسب وکارها از اهمیت حیاتی برخوردار است. هدف اصلی این پژوهش، ارائه مدلی جامع و کارآمد برای پیش بینی و پیشگیری از ریزش مشتریان در بستر تجارت الکترونیکی با بهره گیری از فناوری های نوین هوش تجاری و الگوریتم های پیشرفته یادگیری ماشین (ML) است. در این مسیر، الگوریتم ماشین بردار پشتیبان (SVM) به عنوان ابزاری قوی جهت تحلیل داده های مشتریان و پیش بینی رفتار آنان انتخاب شد. نتایج حاصل نشان داد که مدل توانایی مناسبی در شناسایی مشتریان در معرض ریزش با دقت قابل قبول دارد و می تواند به عنوان ابزاری مؤثر در پیش بینی رفتار مشتریان به کار گرفته شود. یافته ها حاکی از آن است که رویکرد هوش تجاری مبتنی بر یادگیری ماشین نه تنها در پیش بینی ریزش بلکه در بهبود فرآیندهای تصمیم گیری استراتژیک و حفظ مشتریان نقش برجسته ای دارد. این پژوهش ضمن ارتقاء دانش علمی در حوزه مدیریت ریزش مشتری، راهکارهای عملی و اثربخشی برای بهبود تعاملات سازمان با مشتریان و افزایش رضایت و وفاداری آنان ارائه می دهد. در نهایت، مدل پیشنهادی می تواند به سازمان ها کمک کند تا با شناخت دقیق تر الگوهای رفتاری مشتریان، سیاست ها و استراتژی های هدفمند و کارآمدی را برای کاهش ریزش و تقویت وفاداری مشتریان تدوین و اجرا نمایند.

هندسه مقطع رودخانه و تغییر شکل آن یکی از مسائل مهم و تاثیرگذار در زمینه مهندسی آب و رودخانه بوده و تاثیر مستقیم بر مدیریت، سلامت و جریان رودخانه دارد. دستیابی به شکل بهینه مقطع رودخانه از جمله مهمترین اقدامات سازه ای برای مدیریت رودخانه بوده که به کنترل سیل و کاهش تلفات جانی و مالی می انجامد. در این مطالعه، ابتدا از نرم افزار HEC-RAS به منظور استخراج پارامترهای هندسی مقاطع عرضی و بررسی شرایط هیدرولیکی جریان بر روی بازه یک کیلومتری از رودخانه زاینده رود در ایران استفاده شد. پس از انجام شبیه سازی هیدرولیکی، هندسه بهینه مقاطع عرضی رودخانه توسط الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO) تعیین شد که هدف آن، حداکثرسازی حجم لایروبی در عین حفظ پایداری هیدرولیکی بود. سپس، ارزیابی میزان تطابق هر مقطع با حالت بهینه آن انجام پذیرفت. بررسی نتایج حاصل از شبیه سازی هیدرولیکی نشان داد که روند تغییرات دو پارامتر عرض و عمق به ترتیب افزایش 69/26 درصد و کاهش 28/78 درصدی را از بالادست به پایین دست داشته اند. پس از فرآیند بهینه سازی، مساحت بهینه مقاطع بین %2/16 تا %28/24 افزایش داشته و روند افزایشی آن از بالا دست به پایین دست مشهود بود که بیانگر نیاز بیشتر به اصلاح مقطع در مقاطع پایین دست است. در نهایت، این رویکرد بهینه سازی اثربخشی قابل توجهی نشان داد، به گونه ای که ظرفیت آبگذری رودخانه پس از اجرای بهینه سازی تا %10/13 افزایش یافت و این امر در راستای هدف اصلی پژوهش، یعنی کنترل و کاهش ریسک سیلاب و کاهش خسارات جانی و مالی، محقق شد.

مدیریت بحران در کلان شهرها، به ویژه در مواجهه با زلزله، از چالش های حیاتی عصر حاضر محسوب می شود و نیازمند راهکارهایی برای تخصیص بهینه منابع است. در این پژوهش، مدلی ترکیبی بر پایه هوش مصنوعی و الگوریتم های فراابتکاری توسعه یافته که با رویکرد چندهدفه به بهینه سازی تخصیص منابع می پردازد. هدف اصلی این مدل کاهش ریسک، هزینه و زمان واکنش در شرایط بحرانی است. در گام نخست، الگوریتم های یادگیری ماشین KNN و XGBoost برای پیش بینی شدت اثر زلزله در مناطق 22 گانه شهر تهران به کار گرفته شده اند. این پیش بینی بر اساس سه شاخص کلیدی؛ میزان فرسودگی بافت، تراکم جمعیت و تعداد زیرساخت ها انجام شده است. سپس با ارزیابی معیارهای طبقه بندی نظیر accuracy، precision، recall و f1-score، الگوریتم برتر انتخاب و داده های حاصل به عنوان ورودی مدل ریاضی استفاده گردید. مدل ریاضی پیشنهادی با بهره گیری از ترکیب روش دقیق و الگوریتم فراابتکاری NSGA-II حل شد. یافته ها نشان دادند؛ که NSGA-II از نظر زمان محاسباتی عملکرد کارآمدتری دارد. همچنین ادغام روش های یادگیری ماشین با مدل بهینه سازی منجر به بهبود معنادار در توابع هدف، شامل کاهش ریسک، هزینه و زمان خدمت رسانی شد. نتایج تحلیل حساسیت نشان داد که افزایش نیاز به منابع بیشترین تأثیر را بر تابع هدف ریسک دارد. علاوه بر این، بررسی متغیرها بیانگر آن است که تراکم جمعیت مهم ترین عامل در پیش بینی شدت اثر زلزله محسوب می شود، در حالی که دو متغیر فرسودگی و زیرساخت ها اثر مشابهی داشته و در رتبه های بعدی قرار می گیرند. بدین ترتیب، تراکم جمعیت به عنوان اثرگذارترین ویژگی در مدل یادگیری ماشین معرفی می شود.