Pregled bibliografske jedinice broj: 906987
Razvoj modela umjetnih neuronskih mreža za predviđanje emisija stakleničkih plinova s obzirom na sektorsku potrošnju energije u Republici Hrvatskoj
Razvoj modela umjetnih neuronskih mreža za predviđanje emisija stakleničkih plinova s obzirom na sektorsku potrošnju energije u Republici Hrvatskoj, 2017., doktorska disertacija, Fakultet kemijskog inženjerstva i tehnologije, Zagreb
CROSBI ID: 906987 Za ispravke kontaktirajte CROSBI podršku putem web obrasca
Naslov
Razvoj modela umjetnih neuronskih mreža za predviđanje emisija stakleničkih plinova s obzirom na sektorsku potrošnju energije u Republici Hrvatskoj
(Development of artificial neural network prediction model of greenhouse gas emissions based on sectoral energy consumption in Croatia)
Autori
Strahovnik, Tomislav
Vrsta, podvrsta i kategorija rada
Ocjenski radovi, doktorska disertacija
Fakultet
Fakultet kemijskog inženjerstva i tehnologije
Mjesto
Zagreb
Datum
17.11
Godina
2017
Stranica
131
Mentor
Bolanča, Tomislav ; Rogošić, Marko
Ključne riječi
staklenički plinovi, neposredna potrošnja energije, umjetne neuronske mreže, Strategija energetskog razvoja Republike Hrvatske, Levenberg-Marquardtova metodologija s Bayesovom regularizacijom
(greenhouse gases, final energy consumption, artificial neural networks, Energy Development Strategy of the Republic of Croatia, Levenberg-Marquardt methodology with Bayesian regularisation)
Sažetak
Predmet istraživanja u ovoj disertaciji je pronalaženje i razvoj optimalnog modela predviđanja emisija stakleničkih plinova s obzirom na realne projekcije sektorske potrošnje energije u Republici Hrvatskoj do 2030. U radu je izvršena korekcija dvaju postojećih scenarija neposredne potrošnje energije iz Strategije energetskog razvoja Republike Hrvatske iz 2009. godine. Projekcije sektorske potrošnje energije određene su ekstrapolacijom procijenjenih realnih godišnjih stopa rasta te su kreirani novi scenariji neposredne potrošnje energije korigirani BAU-scenarij, korigirani održivi scenarij i 4 podvarijante korigiranog održivog scenarija. Kao optimalne pokazale su se troslojne umjetne neuronske mreže s unaprednim vezama, sa šest neurona u skrivenom sloju. Kao optimalni algoritam za treniranje mreže pokazala se Levenberg-Marquardtova metodologija s Bayesovom regularizacijom. Rezultati pokazuju da se troslojne umjetne neuronske mreže mogu uspješno primijeniti za koreliranje postojećih podataka. Model je predvidio da će se najveće smanjenje emisija u odnosu na korigirani BAU-scenarij ostvariti kod podvarijante 4 korigiranog održivog scenarija, a da će mjere za smanjenje emisija najprije početi djelovati kod podvarijante-1 korigiranog održivog scenarija.
Izvorni jezik
Hrvatski
POVEZANOST RADA
Ustanove:
Fakultet kemijskog inženjerstva i tehnologije, Zagreb