ANALISI FINALE

Il metodo di valutazione proposto è diverso dai metodi classici. Sebbene al momento non sia comune utilizzare algoritmi di intelligenza artificiale per la valutazione di impatto ambientale, i vantaggi del metodo in questo studio sono molteplici.
In primo luogo, questo metodo ha un'elevata comodità e praticabilità per il funzionamento. Quando i valori dell'indice di valutazione vengono inseriti nel modello, il valore di valutazione di impatto ambientale viene calcolato automaticamente dalla rete neurale BP. Questo complicato processo di analisi avviene istantaneamente. 
 A differenza del metodo tradizionale, il metodo di valutazione può essere utilizzato nelle prime fasi della progettazione del processo per ottenere rapidamente i risultati della previsione senza supervisione di esperti del processo. 
Il modello di valutazione della rete neurale BP, come il cervello umano, può imitare il modo di pensare umano e dedurre il valore di valutazione ragionevole in base al risultato dell'apprendimento. Ad esempio, i campioni di prova numerati da 16 a 20 nella figura 29 non sono stati applicati per addestrare il modello di valutazione. Questi campioni non sono stati studiati dal modello di valutazione, tuttavia, i valori effettivi di output del modello erano considerevolmente vicini ai valori attesi nel test e gli errori assoluti massimi tra i valori effettivi e attesi dei campioni di prova sono 0,1.
I campioni di prova vengono identificati correttamente in base all'intervallo discriminante di ciascuna categoria. I risultati dei test mostrano che il modello di valutazione della rete neurale BP addestrato può prevedere correttamente il grado di compatibilità dei processi e il metodo proposto può valutare efficacemente l'impatto ambientale. Inoltre, nel metodo proposto i risultati della valutazione hanno una maggiore stabilità.
 La matrice del criterio di valutazione che è il peso della rete neurale, viene fuori dall'apprendimento del modello di valutazione attraverso campioni “training". E’ stato presentato tra i metodi per costruire campioni di “training” l’ algoritmo di clustering fuzzy kernel. In seguito per i campioni di ciascuna categoria sono state fornite le aspettative corrispondenti attraverso specifici indici di valutazione, minore era il valore, minore era l'impatto ambientale. In base ai valori di ciascuna categoria calcolati attraverso l'equazione proposta, i valori attesi dalla prima categoria alla terza categoria di campioni di addestramento sono impostati rispettivamente pari a 0,2, 0,5 e 0,8. La soluzione di questo problema garantisce la robustezza di questo metodo.

Conclusione KFCM

La valutazione in questo studio si è concentrata sul garantire una produzione ecocompatibile e sull'applicazione di una tecnologia di intelligenza artificiale. Il modello di valutazione è stabilito sulla base del clustering KFCM e su una rete neurale BP. Pertanto, questo nuovo metodo di valutazione intelligente presenta alcuni potenziali vantaggi rispetto ad altri metodi di valutazione.
La pre-valutazione nella fase iniziale della progettazione può ridurre efficacemente il costo della valutazione e migliorarne l'efficienza. Il modello di valutazione che utilizza la rete neurale BP ha un alto livello di ragionamento, che può garantire la stabilità oggettiva dei risultati della valutazione. Questo è stato possibile attraverso l'esperimento di prova, la simulazione, la convergenza della rete neurale BP dopo 89 iterazioni e l' errore massimo assoluto del valore di valutazione dei campioni di prova. In conclusione, il metodo attuale fornisce una metodologia conveniente ed intelligente per la valutazione.