MODEL PROGNOZUJĄCY EKOEFEKTYWNOŚĆ TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU W OPARCIU O SIECI NEURONOWE

ZADANIA 3.4., 3.5. 3.6 OPRACOWANIE, TESTOWANIE I WERYFIKACJA ALGORYTMU MODELU OCENY EKOEFEKTYWNOŚCI TECHNOLOGII MODEL PROGNOZUJĄCY EKOEFEKTYWNOŚĆ TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU W OPARCIU O SIECI NEURONOWE Autorzy: prof. dr hab. Tadeusz Weczorek dr nż. Sławomr Golak Opracowane wykonano w ramach projektu pod nazwą OPRACOWANIE MODELU OCENY EKOEFEKTYWNOŚCI TECHNOLOGII ZRÓWNOWAŻONEGO ROZWOJU. Projekt współfnansowany jest ze środków Europejskego Funduszu Rozwoju Regonalnego oraz budżetu państwa w ramach Programu Operacyjnego Innowacyjna Gospodarka. Katowce, czerwec 2010 r. 1

SPIS TREŚCI SPIS TREŚCI... 2 1. WPROWADZENIE... 2 2. SIECI NEURONOWE... 5 2.1 TWORZENIE NEURONOWEGO MODELU PROCESU... 6 2.2 MODEL NEURONU... 8 2.3 TOPOLOGIE SZTUCZNYCH SIECI NEURONOWYCH.... 10 3. PROGNOZOWANIE EKOEFEKTYWNOŚCI W OPARCIU O EKOWSKAŹNIK LCA... 12 3.1 SELEKCJA CECH... 12 3.2 PREPROCESSING DANYCH... 13 3.3 METODYKA BUDOWY SIECI NEURONOWEJ... 14 3.4 ANALIZA JAKOŚCI ODPOWIEDZI SIECI... 15 3.5 ROZWAŻANE WARIANTY EKOEFEKTYWNOŚCI... 17 3.6 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU I... 19 3.7 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU II... 23 3.8 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU III... 27 3.9 PROGNOZA EKOEFEKTYWNOŚCI WYZNACZONEJ WEDŁUG WARIANTU IV... 31 3.10 ANALIZA WYNIKÓW PROGNOZOWANIA EKOEFEKTYWNOŚCI NA PODSTAWIE EKOWSKAŹNIKA LCA... 35 4. PROGNOZOWANIE ŁĄCZNEGO EKOWSKAŹNIKA LCA W OPARCIU O EKOWSKAŹNIK DLA ETAPU UŻYTKOWANIA... 36 4.1 PREPROCESSING DANYCH... 36 4.2 PROGNOZA ŁĄCZNEGO LCA NA PODSTAWIE LCA DLA ETAPU UŻYTKOWANIA... 37 4.3 ANALIZA WYNIKÓW PROGNOZOWANIA ŁĄCZNEGO EKOWSKAŹNIKA LCA NA PODSTAWIE EKOWSKAŹNIKA DLA ETAPU UŻYTKOWANIA... 40 5. PROGNOZOWANIE EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTORY... 41 5.1 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O WARTOŚCI WSZYSTKICH PREDYKTORÓW... 41 5.2 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR ZUŻYCIA MATERIAŁÓW... 45 5.3 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR ZUŻYCIA ENERGII... 48 5.4 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR ODPADÓW... 51 5.5 PROGNOZA EKOEFEKTYWNOŚCI W OPARCIU O PREDYKTOR EMISJI... 54 5.6 ANALIZA WYNIKÓW PROGNOZOWANIA EKOEFEKTYWNOŚCI NA PODSTAWIE PREDYKTORÓW... 57 6. PODSUMOWANIE... 58 7. LITERATURA... 60 1. Wprowadzene Nowa tendencja w projektowanu polegająca na uwzględnanu wpływu tworzonej technolog na środowsko, zarówno na etape budowy, użytkowana, jak lkwdacj wymusza poszukwana w zakrese narzędz pozwalających w możlwe efektywny sposób oszacować jej wpływ na środowsko [1-4]. Poza ekowskażnkem, który jest wynkem analzy LCA [5,6] charakteryzuje jedyne sam wpływ technolog na środowsko, bardzo ważną marą jest ekoefektywność uwzględnająca dodatkowo aspekty ekonomczne oddzaływana technolog na środowsko. Klasyczne, analtyczne metody wyznaczana ekowskaźnka ekoefektywnośc wymagają przeprowadzena analzy ekonomcznej cyklu życa produktu. Podstawową nedogodnoścą takego podejśca, poza jego pracochłonnoścą, jest koneczność prowadzena powyższych 2

analz w oparcu o kompletny projekt technolog. W efekce wpływ technolog uzyskuje sę na końcu procesu projektowana, co w wypadku nekorzystnych wskaźnków oznacza kosztowną koneczność ponownego przeprowadzena procesu projektowego. Z tego powodu bardzo stotne jest znalezena narzędza, które pozwolłoby wyznaczyć ekoefektywność na wcześnejszym etape projektowana, na podstawe skromnejszego zboru danych, nż wymagają to klasyczne analzy. Drogą do zastąpena model analtycznych jest wykorzystane model opartych o zgromadzone dane opsujące parametry efekty już zastnałych procesów. W wypadku procesów o nskm stopnu złożonośc znalazły tutaj zastosowane klasyczne narzędza statystyczne z regresją lnową na czele. Jednakże w wypadku procesów bardzej złożonych, w których występują pomędzy ch parametram a wynkam zależnośc o charakterze nelnowym necągłym metody czysto statyczne ne przynoszą już oczekwanych efektów. Powszechność tego rodzaju procesów, slna potrzeba prognozowana ch wynków spowodowały dynamczny rozwój narzędz z dzedzny sztucznej ntelgencj, które umożlwają zamodelowane tak złożonych zagadneń. Najpowszechnej stosowane drzewa decyzyjne, sec neuronowe czy maszyny wektorów podperających udowodnły swoją skuteczność w ogromnej lczbe procesów przemysłowych, ekonomcznych naturalnych. Wszystke te metody, pommo różnych mechanzmów dzałana, reprezentują modele predykcyjne oparte o dane [7]. O przewadze poszczególnych narzędz decyduje charakter modelowanego procesu lość zgromadzonych danych hstorycznych. W praktycznych aplkacjach najpowszechnejsze zastosowane znalazły sztuczne sec neuronowe [8]. Zastosowane sztucznej sec neuronowej pozwala oszacować wpływ technolog na środowsko w oparcu o parametry o wysokm pozome ogólnośc lub w oparcu o nepełny zbór parametrów, a tym samym na dużo wcześnejszym etape projektowana procesu, nż byłoby to możlwe przy zastosowanu klasycznych metod analtycznych [9-11]. W perwszym etape badań skupono sę na stworzenu modelu neuronowego, który operając sę na nepełnej nformacj o technolog pozwolłby uzyskać możlwe najlepszą dokładność prognozy ekoektywnośc. Badana objęły także zastosowane sztucznych sec neuronowych do uproszczena procesu wyznaczana łącznego ekowskaźnka LCA na potrzeby analtycznym metod oceny ekoefektywnośc. 3

Dalsze badana dotyczyły budowy model neuronowych, które kosztem akceptowalne nższej dokładnośc, pozwolłyby oszacować ekoefektywnośc na mnmalnym zborze nformacj o analzowanej technolog. Celem było umożlwene oceny ekoefektywność na możlwe wczesnym etape projektu najmnejszym kosztem pracy. Dodatkowo badana dostarczyły nformacj o wpływe poszczególnych parametrów technolog na jej ekoefektywność. 4

2. Sec neuronowe Sztuczne sec neuronowe (SSN) zdobyły ostatno ogromną popularność w welu dzedznach, ne tylko ze względu na ch zdolność do uczena sę, ale także na ch utyltarność znaczne wyższą dokładność w stosunku do klasycznych metod. Mogą być stosowane do rozwązywana problemów ne mających nc wspólnego z bologą czy neuropsychologą. Modele neuronowe są budowane dla zastosowań w dentyfkacj, klasyfkacj analze obrazów, rozpoznawanu wzorców, aproksymacj, optymalzacj, przetwarzanu sygnałów, robotyce, sterowanu adaptacyjnym, czy fnansach, bankowośc, ekonom, zarządzanu, medycyne n. Można stwerdzć, że SSN sprawdzły sę w zastosowanach praktycznych w prawe wszystkch dzedznach nauk technk [7,12-15]. Generalne SSN nne algorytmy ntelgentne można traktować, jako nową technkę oblczenową, nazywaną ostatno powszechne ntelgencją oblczenową. Nawet bez znajomośc konkretnych równań opsujących proces, można wykorzystać SSN do uzyskana skomplkowanych odwzorowań opsujących nelnowe zależnośc zachodzące pomędzy parametram wejścowym procesu a jego wynkem, których uzyskane w oparcu o układ równań jest nemożlwe. Jest to jedna z najczęścej przytaczanych zalet SSN, że mogą być traktowane, jako tzw. czarne skrzynk, potrafące rozwązać zagadnene, które użytkownk ne do końca rozume. Choć jest to prawdą, to prawdą jest równeż, że wele błędów lub rozwązań o małej dokładnośc, wynka z newedzy, doboru newłaścwej archtektury sec lub neodpowednego algorytmu uczena, zastosowanych przez użytkownka dla rozwązana tego problemu. Często występuje brak zrozumena, czym są sztuczne sec neuronowe, co właścwe robą jak uzyskać poprawne rozwązane stosując tę metodykę. Praktyczne wykorzystane modelowana neuronowego wymaga zrozumena, jak to podejśce ma sę do nnych metod matematycznych algorytmów heurystycznych. Koneczne jest także zrozumene, jake struktury danych mogą być reprezentowane przez neuronowe modele co modele te są w stane wylczyć. Sec neuronowe należą do grupy technk modelowana emprycznego, dlatego potrzebują dużej lczby danych pomarowych, wsperanych metodam statystycznym. Modelowane neuronowe, czyl konstruowane modelu procesu bazującego na sec neuronowej, prowadz sę zwykle dla takch procesów, które są opsywane przez dane. Zadane modelowana neuronowego można by sformułować tak: dany jest zestaw danych (pomarowych), należy zbudować model neuronowy procesu, który adekwatne aproksymuje opsywany przez te dane proces. Trudnośc fazy budowana modelu neuronowego, take jak: 5

dobór odpowednej topolog sec oraz efektywnego algorytmu uczącego, ogranczają powszechne stosowane modelowana neuronowego. Jest wele nejasnośc dotyczących doboru parametrów sec. Wybór takch, a ne nnych parametrów jest często przypadkowy. Najczęścej stosowane jest podejśce, że testowane są różne sec spośród nch wyberana jest najlepsza. Skutkuje to dużym różncam w dokładnośc modelu czase jego uczena. Podstawowym trudnoścam zwązanym z używanem sec neuronowych w praktyce jest ch skłonność do nadmernego dopasowana modelu do danych, nejednoznaczność stworzonego modelu neuronowego (zarówno, co do archtektury, jak parametrów modelu) oraz brak możlwośc znterpretowana zbudowanego przez seć modelu procesu. Nestety sec neuronowe ne dostarczają wedzy w postac zrozumałej dla człoweka. Trzeba z nch tę, zakodowaną w ch połączenach, wedzę ponowne wydobyć, a to może prowadzć do dodatkowych błędów. 2.1 Tworzene neuronowego modelu procesu Dla rozwązywana takch zagadneń stosuje sę dzś powszechne na śwece tzw. uczące sę systemy adaptacyjne (rys.2.1). Łączą one klasyczne algorytmy numeryczne z metodam ntelgencj oblczenowej (ang. computatonal ntellgence). Wśród tych metod do najważnejszych należą: sztuczne sec neuronowe, algorytmy genetyczne ewolucyjne, zbory rozmyte, algorytmy bazujące na podobeństwe SVM (maszyna wektorów podperających). Wartośc Welkośc poprawne Welkośc wejścowe System adaptacyjny (parametryczny) wyjścowe Ewaluacja Zmana parametrów Algorytm uczena Błąd Rys. 2.1. Schemat typowego systemu adaptacyjnego. Tworzone w oparcu o take podejśce modele ntelgentne pozwalają zarówno na stawane prognoz, czyl przewdywane odpowedz modelu w przyszłych chwlach czasu 6

(predykcja może dotyczyć zmennych loścowych - mowa wtedy o zmennych prognozowanych, lub zmennych jakoścowych - mowa wtedy o zdarzenach prognozowanych), a także na analzę zmennośc wyjść modelu (welkośc wyjścowych, zmennych zależnych) w zależnośc od wartośc zmennych wejścowych (zmennych nezależnych). Modele ntelgentne stosowane są w welu zagadnenach praktycznych z obszaru nżyner, ekonom, bolog, medycyny. Modelując rzeczywste procesy skazan jesteśmy na wnoskowane podejmowane decyzj w warunkach nepewnośc. Nepewność, albo wynka z nedokładnośc, błędów, braków, nejasnośc, losowośc, nejednoznacznośc danych, albo powodowana jest przez sam mechanzm wnoskowana (np. wnoskowane dedukcyjne). Tak węc, chcąc zastosować w praktyce ntelgentne systemy, trzeba zmerzyć sę z nepewnoścą nekompletnoścą nformacj zastosować odpowedne metody, pozwalające na poprawne wnoskowane w takch warunkach. Możlwe jest to przez połączene nformacj zawartej w danych pomarowych z algorytmam ntelgentnym oraz wedzą teoretyczną o procese (rys.2.2). Model analtyczny Nepewność Model neuronowy Nedokładnośc Dane eksperymentalne Błędy Model hybrydo wy Adaptacja modelu neuronowego Rys. 2.2. Schemat systemu hybrydowego, wykorzystującego wedzę teoretyczną o procese, dane pomarowe oraz algorytmy ntelgentne. Wycągane użytecznych wnosków z nekompletnych albo neprecyzyjnych danych, ne jest nemożlwe. W życu robmy to najczęścej. W nauce natomast, wykorzystuje sę metody wnoskowana dedukcyjnego, nemonotoncznego (wnoskowane, w którym zaufane do prawdzwośc przesłanek zmena sę na każdym etape wnoskowana). Inspracją do stworzena Sztucznych Sec Neuronowych (SSN) były bologczne sec neuronowe. Podstawową nadzeją, jaką z nm wązano było zrównoleglene przetwarzana danych uzyskane stotnej przewag szybkośc oblczeń nad tradycyjnym oblczenam szeregowym. Sztuczna seć neuronowa lub po prostu seć neuronowa jest systemem połączonych sztucznych neuronów, będących matematycznym modelam (mnej lub bardzej 7

uproszczonym) neuronów bologcznych, a jej celem jest przetwarzane nformacj oparte na koneksjonstycznym podejścu do oblczeń komputerowych. W wększośc przypadków SNN są systemam adaptacyjnym, które zmenają swoją strukturę wskutek dopływu nformacj dostarczanych na wejśca sec. W welu zastosowanach praktycznych SNN są nelnowym narzędzam do modelowana danych, wywodzącym sę ze statystyk. Używane są do modelowana skomplkowanych zależnośc medzy wejścam wyjścam do odkrywana wzorców w danych. 2.2 Model neuronu Operając sę wedzy z welu dyscypln naukowych stworzono komputerowy model sztucznego neuronu. Do tej pory opracowano wele typów sztucznych neuronów, przy czym wększość z nch może być opsana modelem formalnym (rys. 2. 3). Sztuczny neuron składa sę z zestawu wejść dla sygnałów opsywanych wektorem x=[x 1,,x n ], podawanych na odpowedne wejśca, przetwarzanych odpowedno wyprowadzanych jednym wyjścem. Sztuczny neuron może w czase dzałać zarówno dyskretne, jak w sposób cągły. Innym słowy, jego wartośc wejścowe (x), stan (s) wartość wyjścowa (y) mogą być zadawane tylko w poszczególnych chwlach czasu (t) lub być cągłym funkcjam czasu, określonym w pewnym przedzale. Neuron czasu dyskretnego (2-1) jest defnowany przez funkcję stanu, określającą, w jak sposób jest tworzony następny stan, powstający w wynku (natychmastowego) przetwarzana mpulsów wejścowych ew. stanu poprzednego oraz funkcję aktywacj (f 1 ), która transformuje beżący stan neuronu. Neuron tak ne ma pamęc jego stan beżący zależy tylko od stanu w chwl poprzednej. Neuron czasu cągłego jest równeż defnowany przez dwe funkcje: funkcję stanu (s), która w tym przypadku określa zmanę stanu w czase, zwykle przez odpowedne równane różnczkowe zwyczajne (np. 2-2) oraz funkcję aktywacj neuronu (f 2 ). x 1 x N.. s y Rys. 2.3. Model formalny sztucznego neuronu. 8

s(t) y(t) s x (t f (s(t)) 1 1 1),..., x n (t 1), s(t 1) (2-1) ds(t) dt f 2 (x 1(t),..., x n (t), s(t)) (2-2) Perceptron (Rosenblat 1958) był jednym z perwszych model neuronu, który potrafł sę uczyć. W czase wynalezene perceptronu problem uczena był neznanym nerozwązalnym zagadnenem, dlatego z perceptronem wązano ogromne nadzeje. W modelu perceptronu (rys.2.4) funkcja aktywacj jest albo funkcją skokową (typu sgnum - rys.2.4a) albo cągłą (rys.2.4b). Do uczena Rosenblat, zastosował metodę zwaną regułą perceptronu. Algorytm uczene perceptronu jest oparty na korekcj błędu, tzn. zmana wag jest proporcjonalna do welkośc błędu popełnanego przez perceptron: e=d-y, pomędzy aktualną wartoścą wyjścową y, a zadaną (znaną), poprawną odpowedzą d. Nowy wektor wag w kolejnym (j+1szym) kroku uczena jest oblczany zgodne z prostą zasadą: w(j+1)=w(j)+(d-y(j)). Taka adaptacyjna procedura zman wag ma charakter teracyjny stopnowo zmerza do wyzerowana błędu. Klasyczny perceptron stosowany był do rozpoznawana wzorców odnosł sukcesy, gdy dwe klasy wzorców były lnowo separowalne. W późnejszym okrese model perceptronu został rozszerzony także na cągłe funkcje aktywacj, np. sgmodalną unpolarną (2-4) lub bpolarną (2-5), stąd używana równeż w lteraturze nazwa neuron sgmodalny. y f s ; N s w x (2-3) 0 f(s) df(s) ds 1 1 e βs βf(s) 1 f(s) (2-4) f(s) df(s) ds thβs β 1 2 (2-5) f (s) 9

gdze jest współczynnkem określającym nachylene sgmody. x 1 w 1 x 0 w 0 a x 2 w 2 w 3. Σ s y s y x 3. w N b x 1 w 1 x 0 w 0 x 2 w 2 w 3. Σ s y s y x 3. w N Rys. 2.4. Model perceptronu ze skokową (a) cągłą (b) funkcją aktywacj. 2.3 Topologe sztucznych sec neuronowych. Topologa sec neuronowej będze tu rozumana jako sposób rozmeszczena neuronów zbór połączeń mędzyneuronowych. Topologa sec neuronowej determnuje jej funkcjonalność sposób przetwarzana danych. Wększość sec neuronowych (w tym bologczne) ma budowę warstwową (także np. sec pamęc skojarzenowych, czy Kohonena, czy Hopfelda, w których warstwa wejścowa jest jednocześne wyjścową). Topologa sec może węc być scharakteryzowana przez lczbę warstw lczbę neuronów w warstwe, wśród których rozróżnamy neurony wejścowe, ukryte wyjścowe. W pewnych secach neuronowych neurony są ze sobą powązane w grupy, ale ne tworzą wyraźnych warstw. Mów sę wtedy o zespołach, czy modułach. Neurony ukryte ne są zwykle uporządkowane (wszystke spełnają te same role) w odróżnenu od neuronów wejścowych wyjścowych. Podzał SSN pokazano na rys.2.5. 10

Sztuczne Sec Neuronowe jednokerunkowe rekurencyjne Bayesa modularne specjalne częścowo połączone całkowce połączone komtety asocjacyjne dynamczne jednowarstwowe perceptrony Jordana Elmana Boltzmanna kompozytowe pulsacyjne lnowe komórkowe Hopfelda kaskadowe RBF welowarstwowe perceptrony neuronoworozmyte Kohonena ontogenczne uczena cągłego probablstyczne Rys. 2.5. Typy sztucznych sec neuronowych Spośród wymenonych struktur sec neuronowych najpowszechnejsze zastosowane znalazły perceptrony welowarstwowe. SSN wykorzystywane są w czterech, najbardzej znanych, a równocześne najogólnejszych zastosowanach tj. w probleme aproksymacj, klasyfkacj, analze szeregów czasowych analze skupeń (klasyfkacj bezwzorcowej, grupowana danych, klasteryzacj). 11

3. Prognozowane ekoefektywnośc w oparcu o ekowskaźnk LCA 3.1 Selekcja cech W ramach realzacj wcześnejszych zadań projektu przeprowadzono analzę ekoefektywnośc 40 technolog. W procese analtycznego wyznaczena czteroma metodam ekoefektywnośc uczestnczyły w sposób pośredn lub bezpośredn następujące dane wejścowe (cechy): Predyktory: o Materały o Energa o Odpady o Emsje Wynk analzy LCA dla etapów: o Budowa o Użytkowane o Lkwdacja Wynk analzy LCA wpływu na: o Zdrowe człoweka o Skutk ekologczne o Wykorzystane zasobów Łączny ekowskaźnk LCA Łączny ekowskażnk LCA po korekce Lata życa Roczna produkcja Całkowta produkcja Wskaźnk społeczny NPV NPV skorygowany W wypadku sec neuronowej, która jest modelem charakteryzującym sę dużą lczbą opsujących go parametrów, lość zgromadzonych przykładów przy tak dużej lczbe cech jest newystarczająca. Metodą rozwązana tego problemu jest selekcja cech wpływających na efektywność odrzucene nestotnych. 12

Wyróżna sę dwe podstawowe grupy metod selekcj cech: Selekcja oparta o teorę nformacj analzę statystyczną stosowana dla dużych zborów, nezdentyfkowanych cech Selekcja oparta o znajomość modelowanego procesu, znaczena dostępnośc cech. Poneważ podstawową przesłanką zastosowana sec neuronowej do prognozowana ekoefektywnośc było umożlwene jej wyznaczena na możlwe wczesnym etape najmnejszym nakładem pracy, w badanach oparto sę o selekcję opartą o znajomość procesu. Ze zboru całego zboru cech wybrano następujące: Ekowskaźnk LCA dla etapu użytkowana Wskaźnk społeczny NPV Wykorzystane jedyne wynków LCA dla etapu użytkowana dało następujące korzyśc: Pozwolło objąć jednym modelem neuronowym całkowce odmenne grupy technolog: materałowe, energetyczne środowskowe. Wynk LCA dla etapu użytkowana są najłatwej dostępne spośród wszystkch analz LCA. 3.2 Preprocessng danych Zastosowane model neuronowych, które ne posadają zdolnośc ekstrapolacj, do predykcj ekoefektywnośc wymusło odrzucene przypadków odstających. W przypadku technolog S-1: Technologa produkcj kruszyw z odpadów wydobywczych wraz z odzyskanem węgla cztery waranty wskaźnków ekofektywnośc całkowce odbegają od zakresu wyznaczanego przez pozostałe technologe: Tabela 3.1. Porównane technolog S-1 z pozostałym technologam Warant Technologa S-1 Zakres pozostałych technolog I 4907341 0-1 II 15223409 0-1 III 27105564 0-5,5 IV 2507855789 1,5-45,6 13

W ramach preprocesngu przeprowadzono powszechne stosowaną dla model budowanych na danych standaryzacje cech wejścowych w celu wyrównana ch zakresów: Tabela 3.2. Porównane rzędów welkośc cech wejścowych Cecha Jednostka Zakres Od Do LCA: Etap użytkowana Pt -1,5 10 7 4,7 10 11 NPV zł -1,7 10 8 1,6 10 10 Wskaźnk społeczy - 0,8 3,9 Standaryzację przeprowadzono według wzoru: gdze: j j x, j j x, - standaryzowana j-ta cecha -tego przypadku. (3-1) j j j - średna wartość j-tej cechy - odchylene standardowe j-tej cechy. j - zestandaryzowana j-ta cecha -tego przypadku 3.3 Metodyka budowy sec neuronowej Model neuronowy prognozujący ekofektywność zbudowano w oparcu o seć neuronową perceptronową dobrze sprawdzającą sę w zagadnenach regresyjnych, do który zalcza sę wyznaczne ekoefektywnośc. Optymalna struktura sec (lość warstw ukrytych lczba neuronów w warstwach) została wyznaczona metodą przeglądu zupełnego spośród 420 sec o jednej dwóch warstwach ukrytych. Ogranczene poszukwań do dwóch warstw ukrytych opera sę na twerdzenu Kołmogorowa, z którego wynka, ż już seć o dwóch warstwach ukrytych może modelować dowolną zależność nelnową necągłą. Rozważono zakres lośc neuronów w poszczególnych warstwach od 0 (brak warstwy) do 20, co przy stosunkowo newelkm zborze zebranych przykładów uczących było całkowce wystarczające. 14

Poneważ zdolność sec neuronowej do generalzacj modelowanego problemu, czyl wywnoskowana zależnośc pomędzy danym wejścowym wyjścowym, zależy przede wszystkm od lczby parametrów ją opsujących, a dopero w drugm rzędze od dokładnych rozkładów neuronów warstwach, w celu zobrazowana tendencj wpływu zman struktury sec na jej efektywność w dalszych wynkach zaprezentowano ją w forme wykresu zależnośc błędu sec od lczb jej parametrów. Pozwolło to stotne zwększyć czytelność zasady doboru optymalnej struktury sec, czyl takego rozkładu warstw neuronów, aby uzyskać najmnejszy błąd prognozy. Lczba parametrów opsujących seć z jedną warstwą ukrytą z jednym wyjścem została wyznaczona ze wzoru: N N N 1 (3-2) P WE 2 W1 Natomast lczba parametrów opsujących seć o dwóch warstwach ukrytych została wyznaczona ze wzoru: N N N ( N 2) N 1 (3-3) P WE 1 W1 W1 W 2 gdze: N P - lczba parametrów sec N WE - lczba wejść sec N 1 N 2 - lczba neuronów w perwszej warstwe ukrytej - lczba neuronów w drugej warstwe ukrytej. 3.4 Analza jakośc odpowedz sec Poprawna metodologa oceny jakośc opracowanej sec neuronowej wymaga jej testowana na zborze przykładów rozłącznym ze zborem użytym do jej uczena. Przy małej lczebnośc zebranego zboru przykładów, jak mało to mejsce w prowadzonych badanach, standardową metodą postępowana jest przeprowadzene waldacj krzyżowej. Metoda polega na welokrotnym, nepowtarzalnym podzale zboru przykładów na rozdzelne zbory uczący waldacyjny. Po każdym podzale następuje trenng sec na baze zboru uczącego kontrola jakośc jej odpowedz w oparcu o zbór waldacyjny. Łączny błąd odpowedz sec stanow 15

średną (ewentualne medanę) błędów wyznaczony dla poszczególnych kroków waldacj krzyżowej. Poneważ w opsywanych badanach wykorzystywano stosunkowo newelk zbór waldacyjny, aby uzyskać możlwe najwększy zbór uczący, weryfkację stworzonej sec neuronowej oparto o waldację krzyżową typu Leave-one-out, która polega na umeszczenu przy każdej teracj w zborze waldacyjnym tylko jednego przykładu. Dodatkową, ważną zaletą wykorzystana tego typu waldacj jest uzyskane błędów prognozy ekoefektywnośc osobno dla każdej z rozważanych technolog, co zwększa możlwośc merytorycznej oceny uzyskanych wynków. Standardowy, bezwzględny błąd pojedynczej prognozy sec wyznacza sę ze wzoru: gdze: e y d (3-4) y d - prognoza ekoefektywnośc dla -tej prognozy wyznaczona przez seć neuronową - wartość ekoefektywnośc wyznaczona metodam analtycznym Poneważ model neuronowy został zastosowany do prognozowana ekoefektywnośc bardzo różnych technolog a sama efektywność była wyznaczona w czterech różnych warantach, w celu ułatwena porównań jakośc odpowedz sec dla wszystkch rozpatrywanych technolog warantów w badanach zastosowano względną marę błędu prognozy: y y d 100% (3-5) Łączny błąd prognozy opsujący całkowtą zdolność prognozy sec neuronowej został wyznaczony ze wzoru: E 1 N N 1 (3-6) 16

3.5 Rozważane waranty ekoefektywnośc W ramach badań tworzono modele neuronowe prognozujące ekoefektywność wyznaczoną według czterech różnych warantów. W poszczególnych warantach kładzony jest różny nacsk na poszczególne składnk ekofektywnośc, do których zalcza sę ekowskaźnk, wpływ społeczny wartość beżącą netto. Różne mary ekoefektywnośc oznaczają różny charakter zależnośc pomędzy parametram technolog a jej globalnym wpływem na środowsko oraz zróżncowaną słę oddzaływana poszczególnych parametrów, co przekłada sę na odmenne wynk model neuronowych utworzonych dla poszczególnych warantów. Warant I E NPV E NPV LCA mn 1 LCA mn E E max E mn WSP 1 10 8 (3-7) gdze: E NPV - neznormalzowany wskaźnk ekoefektywnośc - wartość beżąca netto dla -tej technolog NPV mn - mnmalna wartość beżąca netto WSP LCA - wskaźnk społeczny dla -tej technolog - ocena cyklu życa dla -tej technolog LCA mn - mnmalny wskaźnk oceny cyklu życa E mn, E max - mnmalna maksymalna wartość neznormalzowanego wskaźnka ekoefektywnośc E - końcowy, znormalzowany wskaźnk ekoefektywnośc Warant II E NPV E NPV LCA mn 1 LCA mn E E max E mn WSP 1 10 8 (3-8) 17

Warant III NPV NPV mn NPV max NPV mn WSPmax WSPmn E (3-9) LCA LCA 1 LCA max 1 mn LCA mn WSP gdze: NPV max - maksymalna wartość beżąca netto WSP max - maksymalny wskaźnk społeczny LCA max - maksymalny wskaźnk oceny cyklu życa Warant IV NPV NPV mn 1 NPV max NPV mn WSP max WSP mn E (3-10) LCA LCA 1 LCA max mn LCA mn WSP 18

3.6 Prognoza ekoefektywnośc wyznaczonej według warantu I Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych prognozujących ekoefektywność w warance I, jako optymalną wyznaczono seć o następującej strukturze: Lczba wejść: 3 (ekowskaźnk dla etapu użytkowana, wpływ społeczny, NPV) I warstwa ukryta: 6 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 9 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Kryterum wyboru struktury sec był względny, średn błąd prognozy uśrednony dla wszystkch technolog. Na rysunku można zaobserwować początkową tendencję do spadku błędu wraz z rozrostem struktury sec zwększenem jej lczby parametrów. Jednak po przekroczenu mnmum dla 97 parametrów trend ulega odwrócenu, co ma zwązek ze zwększenem skłonnośc sec do przetrenowana, czyl utraty zdolnośc do generalzacj (zrozumena) problemu. Rys. 3.1. Zależność błędu prognozy ekoefektywnośc (warant I) od lczby parametrów sec 19

Prognozy sec Ponża tabela prezentuje zestawena prognoz ekoefektywnośc (warant I) dostarczonych przez sec dla każdej z 39 analzowanych technolog. Tabela 3.3. Błędy bezwzględne prognozy ekoefektywnośc (warant I) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 0,5247 0,5303 0,0055 E.03 0,0801 0,0909 0,0108 E.04 0,1844 0,1835-0,0008 E.08 0,1417 0,2045 0,0628 E.09 0,1252 0,4307 0,3055 E.10 0,0851 0,3900 0,3050 E.11 1,0000 0,4986-0,5014 E.12 0,1719 0,1689-0,0030 E.13 0,0928 0,0958 0,0030 E.15 0,0347 0,0819 0,0472 E.16 0,0000 0,0005 0,0005 E.17 0,1051 0,1078 0,0027 E.19 0,0334 0,0327-0,0007 E.21 0,0005 0,0010 0,0005 E.23 0,1891 0,1924 0,0033 M.05 0,0531 0,0527-0,0004 M.06 0,0489 0,0494 0,0005 M.07 0,0492 0,0499 0,0007 M.08 0,0542 0,0561 0,0019 M.09 0,0524 0,0525 0,0000 M.11 0,0453 0,0453-0,0001 M.12 0,0970 0,0969-0,0001 M.13 0,0437 0,0454 0,0016 M.15 0,0435 0,0442 0,0006 M.16 0,0385 0,0385 0,0000 M.19 0,1029 0,0804-0,0225 M.23 0,0657 0,0658 0,0001 M.25 0,1125 0,1308 0,0182 M.26 0,0655 0,0659 0,0003 M.27 0,5921 0,5964 0,0043 M.33 0,0315 0,0318 0,0003 M.34 0,0534 0,0537 0,0003 S.2 0,0484 0,0494 0,0010 S.3 0,0520 0,0527 0,0007 S.4 0,0394 0,0393 0,0000 S.5 0,0395 0,0378-0,0017 S.7 0,0313 0,0403 0,0090 S.8 0,0492 0,0494 0,0002 20

Hstogram częstotlwośc oraz wykres słupkowy względnych błędów dla analzowanych technolog pozwala zauważyć, ż dla wększośc technolog prognoza sec jest blska wartośc ekoefektywnośc wyznaczonej analtyczne. Rys. 3.2. Hstogram częstośc błędu prognozy dla wszystkch technolog Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 15,55% Medana błędu względnego prognozy równa 1,76% 21

Rys. 3.3. Wartośc błędów względnych dla wszystkch technolog (warant I) 22

3.7 Prognoza ekoefektywnośc wyznaczonej według warantu II Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych prognozujących ekoefektywność w warance II, jako optymalną strukturę sec wyznaczono seć o następującej strukturze: Lczba wejść: 3 (ekowskaźnk dla etapu użytkowana, wpływ społeczny, NPV) I warstwa ukryta: 14 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 20 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 3.4. Zależność błędu prognozy ekoefektywnośc (warant II) od lczby parametrów sec Prognozy sec Ponża tabela prezentuje zestawena prognoz ekoefektywnośc (warant II) dostarczonych przez sec dla analzowanych technolog. 23

Tabela 3.4. Błędy bezwzględne prognozy ekoefektywnośc (warant II) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 0,6725 0,6703-0,0022 E.03 0,1152 0,1161 0,0008 E.04 0,2603 0,2521-0,0081 E.08 0,1416 0,3477 0,2061 E.09 0,1250 0,1254 0,0004 E.10 0,0827 0,3814 0,2988 E.11 1,0009 0,9995-0,0014 E.12 0,2591 0,2797 0,0207 E.13 0,2652 0,2616-0,0036 E.15 0,0519 0,3199 0,2680 E.16 0,0765 0,2029 0,1263 E.17 0,3316 0,3319 0,0003 E.19 0,1295 0,1330 0,0035 E.21 0,0009 0,0078 0,0069 E.23 0,1864 0,1722-0,0142 M.05 0,1635 0,1635 0,0000 M.06 0,1555 0,1605 0,0050 M.07 0,1564 0,1563-0,0001 M.08 0,1615 0,1615 0,0000 M.09 0,1612 0,1613 0,0001 M.11 0,1495 0,1495 0,0000 M.12 0,2176 0,2209 0,0032 M.13 0,1471 0,1417-0,0054 M.15 0,1467 0,1559 0,0092 M.16 0,1376 0,1380 0,0004 M.19 0,2381 0,2380-0,0001 M.23 0,1854 0,1874 0,0020 M.25 0,2430 0,2503 0,0073 M.26 0,1852 0,1879 0,0027 M.27 0,7113 0,6715-0,0398 M.33 0,1291 0,1675 0,0384 M.34 0,1622 0,1627 0,0005 S.2 0,1560 0,1539-0,0021 S.3 0,1594 0,1591-0,0003 S.4 0,1396 0,1400 0,0004 S.5 0,1595 0,1604 0,0010 S.7 0,1477 0,1444-0,0033 S.8 0,1601 0,1595-0,0006 24

Rys. 3.5. Hstogram częstośc błędu prognozy dla wszystkch technolog Hstogram częstotlwośc oraz wykres słupkowy względnych błędów dla analzowanych technolog potwerdza, że dla wększośc technolog prognoza sec jest blska wartośc ekoefetywnośc wyznaczonej analtyczne. Zwraca uwagę tendencja sec do przeszacowywana przez seć neuronową ekoefektywność dla nektórych technolog energetycznych. 25

Rys. 3.6. Wartośc błędów względnych dla wszystkch technolog (warant II) Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 11,59% Medana błędu względnego prognozy równa 1,39% 26

3.8 Prognoza ekoefektywnośc wyznaczonej według warantu III Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych prognozujących ekoefektywność w warance III, jako optymalną strukturę wybrano: Lczba wejść: 3 (ekowskaźnk dla użytkowana, wpływ społeczny, NPV) I warstwa ukryta: 9 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 10 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 3.7. Zależność błędu prognozy ekoefektywnośc (warant III) od lczby parametrów sec Prognozy sec Ponża tabela prezentuje zestawena prognoz ekoefektywnośc (warant III) dostarczonych przez sec dla każdej z 38 analzowanych technolog. 27

Tabela 3.5. Błędy bezwzględne prognozy ekoefektywnośc (warant III) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 2,8983 2,8633-0,0350 E.03 0,4424 0,4626 0,0203 E.04 1,0183 1,2712 0,2529 E.08 0,7826 0,7478-0,0348 E.09 0,6915 0,6834-0,0081 E.10 0,4698 0,4889 0,0191 E.11 5,5235 5,3338-0,1896 E.12 0,9495 0,9644 0,0149 E.13 0,5126 0,5162 0,0035 E.15 0,1916 0,1915-0,0001 E.16 0,0000 0,0167 0,0167 E.17 0,5805 0,5795-0,0011 E.19 0,1844 0,1870 0,0026 E.23 1,0442 1,2519 0,2076 M.05 0,2934 0,2933-0,0001 M.06 0,2699 0,2699 0,0000 M.07 0,2718 0,2718 0,0000 M.08 0,2994 0,2991-0,0004 M.09 0,2895 0,2895 0,0000 M.11 0,2504 0,2526 0,0023 M.12 0,5358 0,5291-0,0067 M.13 0,2416 0,2358-0,0058 M.15 0,2403 0,2401-0,0002 M.16 0,2126 0,2126 0,0000 M.19 0,5683 0,5550-0,0132 M.23 0,3627 0,3627 0,0000 M.25 0,6215 0,6327 0,0111 M.26 0,3620 0,3621 0,0001 M.27 3,2705 3,1816-0,0889 M.33 0,1742 0,1741 0,0000 M.34 0,2947 0,2947 0,0000 S.2 0,2671 0,2672 0,0001 S.3 0,2872 0,2872 0,0001 S.4 0,2174 0,2174 0,0000 S.5 0,2181 0,2208 0,0026 S.7 0,1729 0,1706-0,0024 S.8 0,2718 0,2718 0,0000 S.20 0,2997 0,2997 0,0000 28

Rys. 3.8. Hstogram częstośc błędu prognozy dla wszystkch technolog Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 4,57% Medana błędu względnego prognozy równa 0,79% 29

Rys. 3.9. Wartośc błędów względnych dla wszystkch technolog (warant III) 30

3.9 Prognoza ekoefektywnośc wyznaczonej według warantu IV Dobór struktury sec Dobrano seć o następującej strukturze: Lczba wejść: 3 (ekowskaźnk dla użytkowana, wpływ społeczny, NPV) I warstwa ukryta: 5 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 17 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 3.10. Zależność błędu prognozy ekoefektywnośc (warant IV) od lczby parametrów sec Prognozy sec Wyznaczono przy pomocy sec neuronowej ekoefektywność (warant IV) dla 38 analzowanych technolog. Tabel prezentuje zestawene wartośc ekoefektywnośc wyznaczone analtyczne przy pomocy modelu neuronowego. 31

Tabela 3.6. Błędy bezwzględne prognozy ekoefektywnośc (warant IV) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 30,0597 29,9754-0,0843 E.03 11,8861 12,5163 0,6302 E.04 23,8080 25,6233 1,8154 E.08 2,1066 2,1555 0,0490 E.09 1,8263 1,8244-0,0020 E.10 1,5099 1,6473 0,1374 E.11 15,2681 15,5640 0,2958 E.12 3,0739 2,9427-0,1312 E.13 1,9745 1,9731-0,0014 E.15 1,4861 1,5079 0,0218 E.16 22,3847 22,3456-0,0391 E.17 13,7044 13,8198 0,1154 E.19 16,5909 16,6482 0,0573 E.23 5,8966 6,6848 0,7882 M.05 27,6837 27,3392-0,3445 M.06 24,7996 24,7994-0,0002 M.07 25,3132 25,3216 0,0084 M.08 26,8397 26,6382-0,2015 M.09 25,8987 25,8823-0,0164 M.11 22,0607 22,0294-0,0313 M.12 33,7140 32,3741-1,3399 M.13 19,8574 19,9297 0,0723 M.15 22,9681 22,9008-0,0672 M.16 20,2270 20,2222-0,0048 M.19 24,4018 24,3067-0,0951 M.23 34,0178 34,0173-0,0005 M.25 45,6252 45,5911-0,0341 M.26 34,0183 34,0182 0,0000 M.27 38,3820 37,6992-0,6828 M.33 13,4274 13,3663-0,0611 M.34 23,6135 23,5049-0,1086 S.2 25,2860 25,2275-0,0585 S.3 24,5268 24,5873 0,0604 S.4 19,2000 19,1956-0,0044 S.5 16,9476 16,8599-0,0878 S.7 9,1847 8,9775-0,2072 S.8 25,1826 25,0080-0,1746 S.20 28,2935 28,2745-0,0190 32

Rys. 3.11. Hstogram częstośc błędu prognozy dla wszystkch technolog Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 1,54% Medana błędu względnego prognozy równa 0,38% 33

Rys. 3.12. Wartośc błędów względnych dla wszystkch technolog (warant IV) 34

3.10 Analza wynków prognozowana ekoefektywnośc na podstawe ekowskaźnka LCA Wyznaczone w ramach badań dotyczących prognozowana ekoefektywnośc sec neuronowe charakteryzują sę stosunkowo rozbudowaną strukturą. Wskazuje to na dużą złożoność zależnośc pomędzy wykorzystywanym parametram opsującym technologę a wskaźnkem ekoefektywnośc. Znajduje to już potwerdzene w jawnej składowej tej zależnośc - wykorzystywanych czterech warantach mar ekoefektywnośc, które są zależnoścam złożonym wyraźne nelnowym. Jednakże uzyskany wynk w postac średnego błędu prognozy, szczególne w wypadku czwartego warantu ekoefektywnośc równy 1,54%, można uznać za bardzo zadawalający. Analzując wynk dla wszystkch warantów ekoefektywnośc można zauważyć obecność dużych błędów prognoz dla technolog z grupy technolog energetycznych. Szczególne nekorzystne wyróżna sę tutaj technologa E-16: Geoterma średnotemperaturowa nedokładne prognozowana aż w 3 warantach. Tak nekorzystny dla technolog energetycznych wynk jest zastanawający, poneważ wydaje sę, że wykorzystywany jako wejśce model neuronowych ekowskaźnk LCA dla etapu użytkowana jest najbardzej reprezentatywny właśne dla tej grupy technolog. Wymusło to kontynuację badań także w kerunku dentyfkacj przyczyn tego zjawska. 35

4. Prognozowane łącznego ekowskaźnka LCA w oparcu o ekowskaźnk dla etapu użytkowana Mara ekoefektywnośc może być wyznaczona weloma metodam, które kładą różny nacsk na poszczególne składowe tego wskaźnka. Dobór odpowednego warantu zależy od subektywnej decyzj ocenającego ekoefektywność. Poneważ zależnośc wykorzystywane do wyznaczena ekoefektywnośc są stosunkowo prostym formułam matematycznym, najwększą trudność stanow wyznaczene zmennych nezależnych uczestnczących w tych formułach. Najbardzej pracochłonnym wskaźnkem, którego wyznaczene wymaga bardzo dokładnej analzy ocenanej technolog, jest łączny wynk analzy LCA. Wszelke uproszczena w tym zakrese stotne przyczynają sę do zmnejszena ogólnej pracochłonnośc oceny ekoefektywnośc. Z tego powodu badana dotyczące zastosowana sec neuronowych do predykcj ekoefektywnośc objęły także predykcje jej podstawowego elementu, jakm jest wynk LCA. 4.1 Preprocessng danych Poneważ w poszczególnych technologach mary LCA reprezentują całkowce różne rzędy wartośc (poczynając od 10 2 a na 10 11 kończąc), zasadne stało dla prawdłowego dzałana modelu neuronowego przekształcene tych wartośc (zarówno pełnących rolę wejśca, jak wyjśca) w oparcu o skalę logarytmczną., j x, j 1 sgn x, j ln (4-1) ln d 1 sgn d (4-2) gdze: x, - skalowana j-ta cecha -tego przypadku j d - skalowana wartość oczekwana -tego przypadku. j - przeskalowana j-ta cecha -tego przypadku - przeskalowana wartość oczekwana -tego przypadku 36

Poneważ seć neuronowa nauczona na danych przeskalowanych dostarcza prognoz w skal logarytmcznej, koneczne jest w celu wykorzystana prognozy oceny jej jakośc, ponowne przekształcene wartośc wyjśca sec neuronowej do skal lnowej według wzoru: y e 1 sgn (4-3) gdze: y - przekształcane wyjśce sec neuronowej dla -tego przypadku (w skal logarytmcznej) - przekształcone wyjśce sec neuronowej dla -tego przypadku (w skal lnowej) 4.2 Prognoza łącznego LCA na podstawe LCA dla etapu użytkowana Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych prognozujących łączne LCA, jako optymalną wyznaczono seć o następującej strukturze: Lczba wejść: 1 (ekowskaźnk dla etapu użytkowana) I warstwa ukryta: 8 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 4.1. Zależność błędu prognozy LCA od lczby parametrów sec 37

Prognozy sec Tabela 4.1.. Błędy bezwzględne prognozy Symbol LCA łączna wyznaczona analtyczne LCA łączna prognozowana przez seć Błąd bezwzględny E.02 2,03 10 07 2,03 10 07 7,09 10 04 E.03 2,19 10 08 1,99 10 08-1,99 10 07 E.04 5,67 10 07 5,63 10 07-4,20 10 05 E.08 2,53 10 09 2,53 10 09 7,62 10 06 E.09 2,96 10 09 3,09 10 09 1,27 10 08 E.10 3,33 10 09 3,17 10 09-1,64 10 08 E.11 2,62 10 08 2,39 10 08-2,30 10 07 E.12 1,29 10 09 1,33 10 09 3,73 10 07 E.13 2,25 10 09 2,25 10 09 1,36 10 06 E.15 1,94 10 09 1,93 10 09-2,56 10 06 E.16 2,97 10 07 3,02 10 07 5,26 10 05 E.17 7,55 10 06 7,21 10 06-3,41 10 05 E.19 3,28 10 05 2,26 10 05-1,03 10 05 E.21 4,67 10 11 4,01 10 11-6,57 10 10 E.23 6,73 10 08 6,48 10 08-2,51 10 07 M.05 9,46 10 02 1,03 10 03 8,76 10 01 M.06 2,75 10 05 2,73 10 05-2,50 10 03 M.07 8,81 10 04 9,21 10 04 3,95 10 03 M.08 3,88 10 06 3,89 10 06 7,78 10 03 M.09 1,56 10 05 1,52 10 05-3,79 10 03 M.11 2,48 10 04 2,03 10 04-4,50 10 03 M.12 1,13 10 06 1,20 10 06 6,88 10 04 M.13 5,87 10 05 5,88 10 05 8,43 10 02 M.15 2,48 10 04 2,95 10 04 4,77 10 03 M.16 2,05 10 05 2,05 10 05-1,03 10 02 M.19 1,19 10 04 1,22 10 04 2,52 10 02 M.23 5,71 10 04 5,98 10 04 2,69 10 03 M.25 1,32 10 06 1,32 10 06-5,86 10 02 M.26 5,37 10 04 4,87 10 04-4,92 10 03 M.27 2,74 10 06 2,75 10 06 8,39 10 03 M.33 3,32 10 06 3,39 10 06 7,15 10 04 M.34 9,79 10 04 1,05 10 05 7,23 10 03 S.1-9,46 10 07-9,44 10 07 1,53 10 05 S.2-1,15 10 06-8,87 10 05 2,68 10 05 S.3 9,95 10 05 7,12 10 05-2,84 10 05 S.4 2,13 10 05 2,36 10 05 2,26 10 04 S.5-1,51 10 07-1,55 10 07-4,20 10 05 S.7 1,11 10 07 1,05 10 07-6,48 10 05 S.8-4,71 10 06-4,65 10 06 6,54 10 04 S.20 2,04 10 05 2,47 10 05 4,30 10 04 38

Rys. 4.2. Wartośc błędów względnych dla wszystkch technolog Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 7,50% Medana błędu względnego prognozy równa 3,99% 39

Rys. 4.3. Hstogram częstośc błędu prognozy dla wszystkch technolog 4.3 Analza wynków prognozowana łącznego ekowskaźnka LCA na podstawe ekowskaźnka dla etapu użytkowana Badana wykazały, że jest możlwe szacowane z zadawalającą dokładnoścą (7,50%) wartośc ekowskaźnka łącznego LCA wykorzystywanego w marach ekoefektywnośc jedyne na podstawe ekowskaźnka dla etapu użytkowana, który jest stosunkowo prosty do uzyskana. Możlwość uproszczonego uzyskana łącznego ekowskaźnka pozwala na wykorzystane go w dowolnej merze ekoefektywnośc. Bardzej wyrównany pozom jakośc prognoz ekowskaźnka w poszczególnych grupach technolog w porównanu z rozkładem jakośc prognoz ekoefektywność wskazuje, że przyczyną tamtej nejednorodnośc ne były składowe oceny cyklu życa, lecz raczej neprecyzyjne wyznaczone dla tej grupy technolog wartośc wpływu społecznego lub wartośc beżącej netto NPV. 40

5. Prognozowane ekoefektywnośc w oparcu o predyktory Poneważ wskaźnk LCA dla etapu użytkowana wykorzystywany w badanach jest oblczany jako suma tzw. predyktorów wyrażających zużyce materałów, energ, wytwarzane opady emsję zaneczyszczeń, w ramach badań sprawdzono, czy bezpośredne, samodzelne lub jednocześne uwzględnene tych czterech danych na wejścu modelu neuronowego dostarczyłoby mu dodatkowej nformacj pozwolło uzyskać dokładnejsze prognozy ekoefektywnośc. Badana dotyczyły prognozowana ekoefektywnośc wyznaczanej według warantu IV, dla którego uzyskano na wcześnejszym etape najlepszą jakość prognoz. 5.1 Prognoza ekoefektywnośc w oparcu o wartośc wszystkch predyktorów Ze zboru cech wybrano następujące: Predyktory: o Materały o Energa o Odpady o Emsje Wskaźnk społeczny NPV Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych wybrano następującą strukturę sec: Lczba wejść: 6 (predyktory materałów, energ, odpadów emsj; wpływ społeczny; NPV) I warstwa ukryta: 12 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 20 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy 41

Rys. 5.1. Zależność błędu prognozy ekoefektywnośc (wyznaczonej na podstawe wszystkch predyktorów) od lczby parametrów sec Prognozy sec Tabela 5.1. Błędy bezwzględne prognozy ekoefektywnośc (wyznaczonej na podstawe wszystkch predyktorów) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 30,0597 29,9949-0,0648 E.03 11,8861 11,8587-0,0274 E.04 23,8080 24,0483 0,2403 E.08 2,1066 2,1383 0,0317 E.09 1,8263 1,8289 0,0026 E.10 1,5099 1,4961-0,0138 E.11 15,2681 15,4860 0,2179 E.12 3,0739 2,4739-0,6000 E.13 1,9745 1,8922-0,0824 E.15 1,4861 1,4849-0,0012 E.16 22,3847 24,4318 2,0472 E.17 13,7044 13,6977-0,0068 E.19 16,5909 17,6835 1,0926 E.23 5,8966 5,8173-0,0793 M.05 27,6837 27,7387 0,0550 M.06 24,7996 24,8163 0,0167 M.07 25,3132 25,3202 0,0070 M.08 26,8397 26,7863-0,0534 M.09 25,8987 25,9224 0,0237 M.11 22,0607 22,2885 0,2278 M.12 33,7140 33,7114-0,0026 M.13 19,8574 19,7987-0,0587 42

Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny M.15 22,9681 22,9068-0,0613 M.16 20,2270 20,2590 0,0320 M.19 24,4018 24,4839 0,0820 M.23 34,0178 34,0162-0,0016 M.25 45,6252 40,9103-4,7148 M.26 34,0183 34,0061-0,0121 M.27 38,3820 38,5176 0,1356 M.33 13,4274 13,2636-0,1638 M.34 23,6135 23,6235 0,0099 S.2 25,2860 25,2021-0,0839 S.3 24,5268 24,4917-0,0351 S.4 19,2000 19,0218-0,1782 S.5 16,9476 16,0451-0,9025 S.7 9,1847 9,4081 0,2234 S.8 25,1826 25,4270 0,2444 S.20 28,2935 27,8212-0,4723 Rys. 5.2. Hstogram częstośc błędu prognozy dla wszystkch technolog Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 2,05% Medana błędu względnego prognozy równa 0,33% 43

Rys. 5.3. Wartośc błędów względnych dla wszystkch technolog (wyznaczonej na podstawe wszystkch predyktorów) 44

5.2 Prognoza ekoefektywnośc w oparcu o predyktor zużyca materałów Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych wybrano następującą strukturę sec: Lczba wejść: 3 (predyktor materałów, wpływ społeczny, NPV) I warstwa ukryta: 11 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 12 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 5.4. Zależność błędu prognozy ekoefektywnośc (wyznaczonej na podstawe predyktora zużyca materałów) od lczby parametrów sec Prognozy sec Tabela 5.2. Błędy bezwzględne prognozy ekoefektywnośc (wyznaczonej na podstawe predyktora zużyca materałów) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 30,0597 29,7234-0,3363 E.03 11,8861 12,3347 0,4486 E.04 23,8080 24,5241 0,7162 E.08 2,1066 2,0048-0,1018 E.09 1,8263 1,7648-0,0615 E.10 1,5099 1,5046-0,0053 E.11 15,2681 15,0952-0,1729 E.12 3,0739 3,0548-0,0191 45

Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.13 1,9745 1,7711-0,2034 E.15 1,4861 1,3663-0,1198 E.16 22,3847 24,3149 1,9303 E.17 13,7044 13,5423-0,1621 E.19 16,5909 17,4406 0,8496 E.23 5,8966 5,5739-0,3227 M.05 27,6837 27,6062-0,0775 M.06 24,7996 24,7574-0,0422 M.07 25,3132 25,2790-0,0342 M.08 26,8397 26,4290-0,4107 M.09 25,8987 25,6544-0,2443 M.11 22,0607 22,1158 0,0551 M.12 33,7140 33,8334 0,1195 M.13 19,8574 19,8409-0,0165 M.15 22,9681 23,1704 0,2023 M.16 20,2270 20,4666 0,2396 M.19 24,4018 23,9296-0,4722 M.23 34,0178 33,9221-0,0956 M.25 45,6252 29,4542-16,1710 M.26 34,0183 33,8862-0,1320 M.27 38,3820 37,8497-0,5323 M.33 13,4274 13,3023-0,1251 M.34 23,6135 23,5977-0,0159 S.2 25,2860 25,2355-0,0505 S.3 24,5268 25,3597 0,8328 S.4 19,2000 18,6834-0,5165 S.5 16,9476 16,0725-0,8751 S.7 9,1847 9,0878-0,0969 S.8 25,1826 25,0694-0,1132 S.20 28,2935 26,9645-1,3290 Rys. 5.5. Hstogram częstośc błędu prognozy dla wszystkch technolog 46

Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 3,75% Medana błędu względnego prognozy równa 1,16% Rys. 5.6. Wartośc błędów względnych dla wszystkch technolog (wyznaczonej na podstawe predyktora zużyca materałów) 47

5.3 Prognoza ekoefektywnośc w oparcu o predyktor zużyca energ Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych wybrano następującą strukturę sec: Lczba wejść: 3 (predyktor energ, wpływ społeczny, NPV) I warstwa ukryta: 17 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 6 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 5.7. Zależność błędu prognozy ekoefektywnośc (wyznaczonej na podstawe predyktora zużyca energ) od lczby parametrów sec Prognozy sec Tabela 5.3. Błędy bezwzględne prognozy ekoefektywnośc (wyznaczonej na podstawe predyktora zużyca energ) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 30,0597 30,3642 0,3045 E.03 11,8861 16,5511 4,6650 E.04 23,8080 26,5087 2,7007 E.08 2,1066 2,5913 0,4847 E.09 1,8263 1,7306-0,0957 E.10 1,5099 1,9206 0,4107 E.11 15,2681 11,3356-3,9325 E.12 3,0739 4,3247 1,2508 E.13 1,9745 1,9734-0,0011 48

Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.15 1,4861 1,7423 0,2562 E.16 22,3847 22,8317 0,4471 E.17 13,7044 13,6629-0,0415 E.19 16,5909 16,6067 0,0158 E.23 5,8966 5,7232-0,1734 M.05 27,6837 27,8656 0,1819 M.06 24,7996 24,7940-0,0057 M.07 25,3132 25,3777 0,0645 M.08 26,8397 27,1589 0,3191 M.09 25,8987 25,7962-0,1025 M.11 22,0607 21,9997-0,0610 M.12 33,7140 33,7037-0,0103 M.13 19,8574 19,9713 0,1139 M.15 22,9681 22,9615-0,0066 M.16 20,2270 20,2213-0,0057 M.19 24,4018 24,2507-0,1512 M.23 34,0178 33,7280-0,2898 M.25 45,6252 29,3618-16,2634 M.26 34,0183 33,8746-0,1437 M.27 38,3820 38,5579 0,1759 M.33 13,4274 14,2829 0,8556 M.34 23,6135 24,5186 0,9050 S.2 25,2860 25,3706 0,0846 S.3 24,5268 24,8164 0,2895 S.4 19,2000 19,3275 0,1275 S.5 16,9476 16,8329-0,1147 S.7 9,1847 8,8771-0,3076 S.8 25,1826 25,3036 0,1210 S.20 28,2935 27,9720-0,3215 Rys. 5.8. Hstogram częstośc błędu prognozy dla wszystkch technolog 49

Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 6,51% Medana błędu względnego prognozy równa 0,77% Rys. 5.9. Wartośc błędów względnych dla wszystkch technolog (wyznaczonej na podstawe predyktora zużyca energ) 50

5.4 Prognoza ekoefektywnośc w oparcu o predyktor odpadów Dobór struktury sec W ramach przeglądu zupełnego struktur sec neuronowych wybrano następującą strukturę sec: Lczba wejść: 3 (predyktor odpadów, wpływ społeczny, NPV) I warstwa ukryta: 5 neurony nelnowe (sgmodalna funkcja przejśca) II warstwa ukryta: 6 neurony nelnowe (sgmodalna funkcja przejśca) Warstwa wyjścowa: 1 neuron lnowy Rys. 5.10. Zależność błędu prognozy ekoefektywnośc (wyznaczonej na podstawe predyktora odpadów) od lczby parametrów sec Prognozy sec Tabela 5.4. Błędy bezwzględne prognozy ekoefektywnośc (wyznaczonej na podstawe predyktora odpadów) Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.02 30,0597 29,9516-0,1081 E.03 11,8861 20,0735 8,1874 E.04 23,8080 23,8713 0,0634 E.08 2,1066 3,2816 1,1750 E.09 1,8263 1,8040-0,0223 E.10 1,5099 2,2502 0,7403 E.11 15,2681 16,7468 1,4787 E.12 3,0739 2,6564-0,4175 51

Symbol Ekoefektywność wyznaczona analtyczne Ekoefektywność prognozowana przez seć Błąd bezwzględny E.13 1,9745 2,2439 0,2694 E.15 1,4861 1,8313 0,3452 E.16 22,3847 22,5367 0,1520 E.17 13,7044 13,7366 0,0322 E.19 16,5909 16,6193 0,0284 E.23 5,8966 4,8013-1,0952 M.05 27,6837 27,5990-0,0846 M.06 24,7996 24,9615 0,1618 M.07 25,3132 25,1744-0,1388 M.08 26,8397 26,2070-0,6327 M.09 25,8987 25,4292-0,4695 M.11 22,0607 22,0669 0,0062 M.12 33,7140 33,0117-0,7022 M.13 19,8574 19,5781-0,2793 M.15 22,9681 22,8619-0,1062 M.16 20,2270 20,2120-0,0149 M.19 24,4018 24,3610-0,0408 M.23 34,0178 31,3243-2,6934 M.25 45,6252 27,0933-18,5319 M.26 34,0183 33,5052-0,5131 M.27 38,3820 30,0070-8,3750 M.33 13,4274 13,6190 0,1916 M.34 23,6135 23,6820 0,0684 S.2 25,2860 25,5267 0,2407 S.3 24,5268 24,5071-0,0198 S.4 19,2000 20,6529 1,4530 S.5 16,9476 17,0729 0,1253 S.7 9,1847 9,3041 0,1194 S.8 25,1826 25,3724 0,1898 S.20 28,2935 28,2757-0,0178 Rys. 5.11. Hstogram częstośc błędu prognozy dla wszystkch technolog 52

Łączne mary jakośc prognoz sec dla wszystkch technolog to: Średn błąd względny prognozy równy 8,41% Medana błędu względnego prognozy równa 1,26% Rys. 5.12. Wartośc błędów względnych dla wszystkch technolog (wyznaczonej na podstawe predyktora odpadów) 53