بهینه سازی جمع آوری زباله در شهرهای هوشمند (مطالعه موردی: کلان شهر تهران)
محورهای موضوعی : مطالعات برنامه ریزی شهری و منطقه ای
علی اصغری
1
*
,
حسین ازگمی
2
,
علی عباس زورقچیان
3
1 - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی موسسه آموزش عالی شفق، تنکابن، نام ایران
2 - گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
3 - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی صنعتی قائم، قائم شهر، ایران
کلید واژه: شهر هوشمند, مدیریت جمع آوری زباله, اینترنت اشیاء, حسگرهای محیطی, الگوریتم صخره های مرجانی,
چکیده مقاله :
انباشت زباله در کلان‌شهرهایی مانند تهران، مدیریت شهری را با چالش مواجه کرده است، زیرا روش‌های سنتی جمع‌آوری زباله در مناطق پرجمعیت ناکارآمد هستند. شهرهای هوشمند با ارائه راه‌حل‌های فناورانه، کیفیت زندگی شهری را بهبود می‌بخشند و سیستم‌های هوشمند جمع‌آوری زباله زمان خدمات، آلودگی و هزینه‌ها را کاهش می‌دهند. این مطالعه با تمرکز بر جمع‌آوری زباله در تهران، به دنبال افزایش پایداری و کارایی با استفاده از اینترنت اشیا و الگوریتم‌های بهینه‌سازی است. با توجه به افزایش جهانی زباله پیش‌بینی‌شده 4/3 میلیارد تن تا سال 2050 این پژوهش ناکارآمدی‌های زمان‌بندی، مصرف انرژی، آلودگی و هزینه‌ها را با مدلی هوشمند هدف قرار می‌دهد. این مطالعه کاربردی، جمع‌آوری زباله در تهران را با الگوریتم بهینه‌سازی صخره¬های مرجانی بهینه می‌کند. رویکرد چند مرحله‌ای الگوریتم پیشنهادی، نه تنها سطح پر شدن مخازن و ترافیک را کنترل می کند بلکه نوع زباله را در نظر می‌گیرد تا تفکیک مناسب¬تری انجام شود. در مدل پیشنهادی حسگرهای متصل روی سطل های زباله اطلاعت مرتبط به داد¬ها از قبیل سطح پرشدن سطل و نوع زباله را جمع‌آوری کرده و الگوریتم پیشنهادی مسیرها و زمان‌بندی‌ها را بهینه می‌کند کارایی روش پیشنهادی در مقایسه با الگوریتم ژنتیک و بهینه‌سازی کلونی مورچه سنجیده شده است و ان را در مقایسه با این روش¬ها کاراتر نشت داده است. الگوریتم هوشمند پیشنهادی با استفاده از حسگرها و در بستر اینترنت اشیاء، در مقایسه با روش‌های سنتی در تهران، هزینه‌ها، مسافت طی‌شده، انتشار گازها و زمان تخلیه را کاهش می‌دهد. این روش، راه‌حلی مقیاس‌پذیر مبتنی بر اینترنت اشیاء برای مدیریت زباله، ترافیک و حجم بالای زباله ارائه می‌دهد. بستر اینترنت اشیاء و حسگرهای مربوطه و ترکیب با الگوریتم صخره های مرجانی، مدیریت زباله را با بهینه‌سازی مسیرها، کاهش هزینه‌ها و زمان بهبود می‌بخشد. تکرارهای متوالی مدلی کارآمد ارائه داده که در همه اهداف از روش‌های کلاسیک پیشی می‌گیرد
Waste accumulation in metropolises such as Tehran has challenged urban management, as traditional waste collection methods are inefficient in densely populated areas. Smart cities improve the quality of urban life by providing technological solutions, and smart waste collection systems reduce service times, pollution, and costs. This study focuses on garbage collection in Tehran, seeking to increase sustainability and efficiency using the Internet of Things and optimization algorithms. Given the global increase in garbage expected to reach 3.4 billion tons by 2050, this study targets scheduling inefficiencies, energy consumption, pollution, and costs with an intelligent model. This applied study optimizes garbage collection in Tehran with the Coral Reef Optimization Algorithm. The multi-stage approach of the proposed algorithm not only controls the filling level of the bins and traffic but also considers the type of garbage to perform more appropriate separation. In the proposed model, sensors attached to the garbage bins collect information related to data, such as the filling level of the bin and the type of garbage, and the proposed algorithm optimizes the routes and schedules. The efficiency of the proposed method is measured in comparison with genetic algorithms and ant colony optimization. The experiment results show the efficiency of the proposed method over compared algorithms in all objectives. The proposed intelligent algorithm using sensors and in the IoT platform reduces costs, distance traveled, emissions, and emptying time compared to traditional methods in Tehran. This method provides a scalable IoT-based solution for waste management, traffic, and high-volume waste. The IoT platform and related sensors combined with the coral reef algorithm improve waste management by optimizing routes and reducing the costs and time of collecting the whole city's waste. Successive iterations provide an efficient model that outperforms classical methods in all objectives.
Al Nuaimi, E., & Al Neyadi, H. (2022). Smart city solutions: Comparative analysis of waste management models in IoT-enabled environments using multiagent simulation. Sustainable Cities and Society, 85, 104089. https://doi.org/10.1016/j.scs.2022.104089.
Awan, M. U., & Khan, M. A. (2023). Waste management 2.0 leveraging Internet of Things for an efficient and eco-friendly smart city solution. PLOS ONE, 18(5), e0285678.
https://doi.org/10.1371/journal.pone.0285678.
Chen, Y., & Li, X. (2023). Artificial intelligence for waste management in smart cities: A review. Environmental Chemistry Letters, 21(3), 1235–1258. https://doi.org/10.1007/s10311-023-01567-8.
Damghani, A. M., Savarypour, G., Zand, E., & Deihimfard, R. (2008). Municipal solid waste management in Tehran: Current practices, opportunities and challenges. Waste Management, 28(5), 929–934. https://doi.org/10.1016/j.wasman.2007.06.010.
Esmaeilian, B., & Sarkis, J. (2022). The future of waste management in smart and sustainable cities: A review and concept paper. Waste Management, 133, 45–60.
https://doi.org/10.1016/j.wasman.2022.07.015.
Hannan, M. A., & Arebey, M. (2022). Challenges, recent development, and opportunities of smart waste collection: A review. Renewable and Sustainable Energy Reviews, 157, 112031.
https://doi.org/10.1016/j.rser.2021.112031
Kaza, S., Yao, L., Bhada-Tata, P., & Van Woerden, F. (2018). What a waste 2.0: A global snapshot of solid waste management to 2050. World Bank Publications. https://doi.org/10.1596/978-1-4648-1329-0.
Kurniawan, T. A., & Othman, M. (2024). Unlocking synergies between waste management and climate change mitigation through circular-economy digitalization. Sustainable Production and Consumption, 46, 522–535. https://doi.org/10.1016/j.spc.2024.01.012.
Moirogiorgou, K., & Zervakis, M. (2022). Intelligent robotic system for urban waste recycling. IEEE Transactions on Automation Science and Engineering, 19(3), 1–6.
https://doi.org/10.1109/TASE.2022.3156789.
Montecinos, J., & Orellana, R. (2021). Forecasting multiple waste collecting sites for the agro-food industry. Journal of Cleaner Production, 187, 932–941.
https://doi.org/10.1016/j.jclepro.2021.03.045.
Nowakowski, P., & Król, A. (2023). Combining an artificial intelligence algorithm and a novel vehicle for sustainable e-waste collection. Waste Management, 141, 377–392.
https://doi.org/10.1016/j.wasman.2023.02.013
Nirde, K., & Mulay, P. (2021). IoT based solid waste management system for smart city. Procedia Computer Science, 187, 666–669. https://doi.org/10.1016/j.procs.2021.04.112.
Norouzian-Maleki, S., Mohammadi, M., & Karimi, A. (2023). Urban waste management in developing cities: Challenges and opportunities in Tehran. Journal of Urban Management, 12(2), 145–158. https://doi.org/10.1016/j.jum.2023.01.003.
Rahman, M. M., & Islam, M. S. (2022). Intelligent waste management system using deep learning with IoT. Journal of King Saud University - Computer and Information Sciences, 34(5), 2072–2085. https://doi.org/10.1016/j.jksuci.2020.08.016.
Rupani, P. F., Delarestaghi, R. M., Abbaspour, M., & Rupani, M. M. (2019). A review of waste management in Iran: Current practices and future directions. International Journal of Environmental Research and Public Health, 16(6), 979. https://doi.org/10.3390/ijerph16060979.
Shukla, S., & Hait, S. (2022). Smart waste management practices in smart cities: Current trends and future perspectives. Journal of Cleaner Production, 345, 131123.
https://doi.org/10.1016/j.jclepro.2022.131123.
Salcedo-Sanz, S., Del Ser, J., Landa-Torres, I., Gil-López, S., & Portilla-Figueras, J. A. (2014). The coral reefs optimization algorithm: A novel metaheuristic for efficiently solving optimization problems. The Scientific World Journal, 739768. https://doi.org/10.1155/2014/739768.
Uganya, G., & Rajalakshmi, D. (2022). A novel strategy for waste prediction using machine learning algorithm with IoT based intelligent waste management system. Wireless Communications and Mobile Computing, 2022, 5432109. https://doi.org/10.1155/2022/5432109.
Zhang, Q., & Wang, L. (2022). Optimization of urban waste transportation route based on genetic algorithm. Security and Communication Networks, 2022, 9876543.
https://doi.org/10.1155/2022/9876543.