بهینه سازی عملکرد

با توجه به اهمیت فدراسیون های ورزشی در ترویج ورزش در سطح کشور، علاوه بر ارزیابی عملکرد، مدیریت عملکرد آنها برای بهبود کارایی، اثربخشی و در نهایت بهره وری فدراسیون از اهمیت به سزایی برخوردار است. پژوهش حاضر تلاش نموده است تا ضمن ارزیابی عملکرد فدراسیون های ورزشی منتخب جمهوری اسلامی ایران در سال 1392 با روش تحلیل پوششی داده ها، راهکارهایی را برای بهینه سازی عملکرد هر یک از آنها ارائه نماید. بر اساس فرمول های روش تحلیل پوششی داده ها، 12 فدراسیون از 50 فدراسیون فعال در سال 1392، با روش نمونه گیری هدف دار و بر اساس نتایج کسب شده در ارزیابی های پیشین وزارت ورزش و جوانان، به عنوان نمونه انتخاب شدند و مورد ارزیابی قرار گرفتند. بر اساس نتایج ارزیابی، از 12 فدراسیون مورد بررسی، تنها 5 فدراسیون (تکواندو، کاراته، کوهنوردی، شطرنج و کشتی)، با امتیاز کارایی یک، کاملا کارا بودند و سایر فدراسیون ها، با امتیاز کارایی کمتر از یک، به عنوان فدراسیون هایی ناکارا تعیین شدند. میانگین کارایی فدراسیون های مورد بررسی در کارایی مقیاس برابر با 724/0، در کارایی مدیریتی 738/0 و در کارایی فنی 589/0 تعیین شد. بنابراین می توان ناکارایی فنی و پس از آن، ناکارایی مقیاس را مهم ترین عامل ناکارایی فدراسیون های مورد بررسی دانست. از دیگر نتایج تحقیق، ارائه الگویی مجازی برای دستیابی هر یک از فدراسیون های ناکارا به سطح مطلوب کارایی، شامل معرفی فدراسیون های کارا به عنوان الگو و تعیین مقادیر مازاد و بهینه متغیرهای ورودی است تا فدراسیون ها برای تدوین برنامه های آینده خود هدایت شوند.

هدف : در سال های اخیر، بهره برداری بهینه از تصفیه خانه های آب با چالش های متعددی از جمله نوسانات کیفیت آب، افزایش هزینه های عملیاتی و نیاز به تصمیم گیری سریع و هوشمند مواجه شده است. در این راستا، استفاده از فناوری های نوین مدیریت دانش، داده کاوی و هوش مصنوعی به عنوان ابزارهای توانمند برای بهینه سازی فرایندهای عملیاتی اهمیت یافته است. هدف این پژوهش، ارزیابی تأثیر الگوریتم های یادگیری ماشین بر بهینه سازی عملکرد تصفیه خانه کوت امیر اهواز با تأکید بر نقش مدیریت دانش بوده است. روش پژوهش : این پژوهش از نوع کاربردی و با رویکرد داده محور انجام شده است. جامعه پژوهش شامل بیش از 40,000 رکورد داده های واقعی ثبت شده طی پنج سال از پارامترهای کیفی و عملیاتی تصفیه خانه کوت امیر بود. داده ها پس از گردآوری، پیش پردازش و نرمال سازی شدند و در قالب دو مجموعه آموزشی (%70) و آزمون (%30) مورد استفاده قرار گرفتند. سه مدل یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) برای پیش بینی کیفیت آب و بهینه سازی مصرف مواد شیمیایی مورد ارزیابی قرار گرفتند. از برنامه نویسی Python و نرم افزارهای SPSS و Excel برای تحلیل و مدل سازی داده ها استفاده شد. یافته ها : نتایج ارزیابی مدل ها نشان داد که مدل شبکه عصبی مصنوعی با دقت ۹۴.۷ درصد و شاخص تعیین ۰.۹۱، بهترین عملکرد را در پیش بینی تغییرات کیفیت آب داشته است. مدل جنگل تصادفی نیز با دقت ۹۲.۱ درصد و شاخص تعیین ۰.۸۸، توانایی بالایی در شناسایی الگوهای پیچیده کیفیت آب نشان داد. مدل ماشین بردار پشتیبان با دقت ۸۹.۳ درصد و خطای بالاتر، عملکرد کمتری داشت. پیاده سازی مدیریت دانش با استفاده از این مدل ها منجر به پیش بینی بهبود کیفیت آب خروجی و چگونگی تسهیل انتقال دانش عملیاتی به اپراتورها می گردد. نتیجه گیری : نتایج نشان می دهد که ادغام مدیریت دانش و یادگیری ماشین، راهکاری مؤثر برای بهینه سازی عملکرد تصفیه خانه های آب است و می تواند به عنوان الگویی برای سایر تأسیسات مشابه مورد استفاده قرار گیرد. بهره گیری از فناوری های نوین، می تواند در پیش بینی و انتقال دانش در سازمان های داده محور مؤثر باشد.