نقش هوش مصنوعی در پایداری محیط‌زیستی با تأکید بر مدیریت پسماند ساختمانی

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی عمران، دانشکده مهندسی، دانشگاه حکیم سبزواری، سبزوار، ایران

10.22059/jes.2025.400138.1008628

چکیده

هدف: هدف این پژوهش بررسی نقش دوگانه هوش مصنوعی در پایداری محیط‌زیست از طریق تحلیل اثرات سه مؤلفه بهره‌وری منابع مبتنی بر هوش مصنوعی، مصرف انرژی مرتبط با هوش مصنوعی و نظارت محیط‌زیستی هوشمند بر کاهش پسماندهای ساختمانی و تخریب در کلان‌شهر اصفهان است. این مطالعه با توجه به نبود یک مدل تجربی یکپارچه در ادبیات پژوهشی، به‌دنبال توسعه و آزمون چارچوبی جامع برای تبیین سازوکارهای اثرگذاری هوش مصنوعی در مدیریت پسماند ساختمانی است.
روش پژوهش: پژوهش حاضر از نوع کاربردی و مبتنی بر رویکرد کمّی است. داده‌ها از طریق پرسش‌نامه ساختاریافته پنج‌درجه‌ای لیکرت جمع‌آوری شد و 233 نفر از کارشناسان سازمان مدیریت پسماند شهرداری، پیمانکاران مجاز حمل و بازیافت نخاله، و مهندسان شاغل در شرکت‌های ساختمانی و محیط‌زیستی در شهر اصفهان در مطالعه شرکت کردند. ارزیابی پایایی و روایی سازه‌ها با استفاده از مدل اندازه‌گیری انجام شد و مدل ساختاری با بهره‌گیری از روش مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) مورد تحلیل قرار گرفت. چهار فرضیه برای بررسی مسیرهای مستقیم مثبت و منفی اثر هوش مصنوعی بر کاهش پسماند ساختمانی آزمون شد.
یافته‌ها: نتایج نشان داد که بهره‌وری منابع مبتنی بر هوش مصنوعی تأثیر مثبت و معناداری بر کاهش پسماند ساختمانی دارد (β = 0.48، p < 0.001) و نظارت محیط‌زیستی هوشمند قوی‌ترین اثر مثبت را بر بهبود عملکرد محیط‌زیستی ایفا می‌کند (β = 0.52، p < 0.001). در مقابل، مصرف انرژی مرتبط با هوش مصنوعی اثر منفی و معناداری بر شاخص‌های پایداری دارد (β = −0.28، p < 0.05) که بیانگر هزینه محیط‌زیستی بالای توان محاسباتی سیستم‌های هوشمند است. همچنین براساس نتایج بدست آمده، ادغام هوش مصنوعی در فرآیندهای صنعتی موجب کاهش اتلاف منابع و بهبود کارایی عملیاتی شد (β = 0.45، p < 0.001).
نتیجه‌گیری: یافته‌ها نشان می‌دهد که هوش مصنوعی می‌تواند از طریق بهبود مدیریت منابع و تقویت نظارت محیط‌زیستی لحظه‌ای، نقش مؤثری در کاهش پسماند ساختمانی ایفا کند؛ با این حال، مصرف انرژی بالا در مدل‌های هوش مصنوعی یکی از چالش‌های مهم در دستیابی به مزایای محیط‌زیستی خالص است. توسعه مدل‌های کم‌مصرف، بهره‌گیری از انرژی‌های تجدیدپذیر و به‌کارگیری هوش مصنوعی مسئولانه از الزامات اصلی برای ایجاد توازن میان منافع و هزینه‌های محیط‌زیستی است. مدل ارائه ‌شده می‌تواند به‌عنوان یک چارچوب تجربی معتبر برای سیاست‌گذاران و مدیران شهری در جهت ارتقای سیستم‌های هوشمند مدیریت پسماند ساختمانی به‌کار گرفته شود.

کلیدواژه‌ها

موضوعات

مراجع

Amin, S., Khandaker, M. K., Jannat, J., Khan, F., & Rahman, S. Z. (2023). Cooperative environmental governance in urban South Asia: implications for municipal waste management and waste-to-energy. Environmental Science and Pollution Research, 30(26), 69550-69563. https://doi.org/10.1007/s11356-023-27152-5
Adeleke, O., Akinlabi, S. A., Jen, T. C., & Dunmade, I. (2021). Application of artificial neural networks for predicting the physical composition of municipal solid waste: An assessment of the impact of seasonal variation. Waste Management & Research, 39(8), 1058-1068. https://doi.org/10.1177/0734242X21991642
Brooks, S., Wang, X., & Sarker, S. (2012). Unpacking green IS: a review of the existing literature and directions for the future. Green business process management: Towards the sustainable enterprise, 15-37. https://doi.org/10.1007/ 978-3-642-27488-6_2
Bang, S., & Andersen, B. S. (2022). Utilising artificial intelligence in construction site waste reduction. https://doi.org/10.32738/JEPPM-2022-0022
Babu Kumar, S. (2025). Deep Learning in Waste Management and Recycling in Digital Smart City. Resilient Community Microgrids, 271-288.‏ ‏https://doi.org/10.1002/9781394272549.ch11
Cha, G. W., Moon, H. J., Kim, Y. M., Hong, W. H., Hwang, J. H., Park, W. J., & Kim, Y. C. (2020). Development of a prediction model for demolition waste generation using a random forest algorithm based on small datasets. International Journal of Environmental Research and Public Health, 17(19), 6997. https://doi.org/10.3390/ ijerph17196997
Cha, G. W., Choi, S. H., Hong, W. H., & Park, C. W. (2023). Developing a prediction model of demolition-waste generation-rate via principal component analysis. International Journal of Environmental Research and Public Health, 20(4), 3159. https://doi.org/10.3390/ijerph20043159
del Mar Martínez-Bravo, M., Martínez-del-Río, J., & Antolín-López, R. (2019). Trade-offs among urban sustainability, pollution and livability in European cities. Journal of cleaner production, 224, 651-660. https://doi.org/10.1016/ j.jclepro.2019.03.110
Felici-Castell, S., Segura-Garcia, J., Perez-Solano, J. J., Fayos-Jordan, R., Soriano-Asensi, A., & Alcaraz-Calero, J. M. (2023). AI-IoT low-cost pollution-monitoring sensor network to assist citizens with respiratory problems. Sensors, 23(23), 9585. https://doi.org/10.3390/s23239585
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39-50. https://doi.org/10.1177/002224378101800104
Ghahramani, M., Habibi, D., Ghahramani, M., Nazari-Heris, M., & Aziz, A. (2023). Sustainable buildings: a comprehensive review and classification of challenges and issues, benefits, and future directions. Natural Energy, Lighting, and Ventilation in Sustainable Buildings, 1-28. https://doi.org/10.1007/978-3-031-41148-9_1
Gupta, R., Nair, K., Mishra, M., Ibrahim, B., & Bhardwaj, S. (2024). Adoption and impacts of generative artificial intelligence: Theoretical underpinnings and research agenda. International Journal of Information Management Data Insights, 4(1), 100232. https://doi.org/10.1016/j.jjimei.2024.100232
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European business review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203
Jones, S., McCord, G., Mosnier, A., Godfray, C., & Smith, A. (2024). Achieving global biodiversity targets requires shifting food and land use system trajectories. https://doi.org/10.5281/zenodo.13961228
Joshi, V., Sharma, A., & Kumar, D. (2021). Optimization Model for Collection and Transportation of Municipal Solid Waste in Jaipur City. Science & Technology Asia, 134-142. https://doi.org/10.14456/scitechasia.2021.73
Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel psychology, 28(4). https://doi.org/ 10.1111/j.1744-6570.1975.tb01393.x
Pérez-Pérez, J. F., Parra, J. F., & Serrano-Garcia, J. (2021). A system dynamics model: Transition to sustainable processes. Technology in Society, 65, 101579. https://doi.org/10.1016/j.techsoc.2021.101579
Solano Meza, J. K., Orjuela Yepes, D., Rodrigo-Ilarri, J., & Rodrigo-Clavero, M. E. (2023). Comparative analysis of the implementation of support vector machines and long short-term memory artificial neural networks in municipal solid waste management models in megacities. International Journal of Environmental Research and Public Health, 20(5), 4256. https://doi.org/10.3390/ijerph20054256
Waltz, C. F., & Bausell, B. R. (1981). Nursing research: design statistics and computer analysis. Davis Fa. https://doi.org/10.5555/578318
Strubell, E., Ganesh, A., & McCallum, A. (2020). Energy and policy considerations for modern deep learning research. Proce AAAI Conf Artific Intell 34 (09): 3693–13696. https://doi.org/10.1609/aaai.v34i09.7123
Zhang, T., Jianming, Y., Wang, W., Chen, P., Chen, C., Wu, Z., ... & Yu, Q. (2024). Efficient utilization of waste shield slurry and CDW fines to prepare eco-friendly controlled low-strength material. Journal of Cleaner Production, 444, 141343. https://doi.org/10.1016/j.jclepro.2024.141343

فایل ها

هم رسانی

ارجاع به این مقاله

آمار