Sustainable solutions with AHP, reliability, and HAN-fuzzy sensitivity analysis for landfills in Saudi Arabia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Landfills in arid and hot regions pose unique challenges due to accelerated decomposition rates and heightened risks of environmental contamination. This study explores the processes, treatment methods, and design considerations critical for managing waste in such extreme environments. Focusing on Saudi Arabia as a case study, the analysis highlights the need for climate-specific solutions to improve the design and operational efficiency of landfills. To identify key sustainability drivers, a hybrid sensitivity framework combining the Analytic Hierarchy Process (AHP) and a Hybrid Adaptive Neuro-Fuzzy Inference System (HAN-Fuzzy) was employed. AHP-derived weights ranged from 0.07 to 0.43, reflecting expert prioritization of variables such as resource reservoir (RR), design, construction & maintenance costs (DS and M&O), and site selection (SS). In contrast, HAN-Fuzzy revealed that RR was the most influential variable (RMSE = 3.29 × 10⁻⁶), followed by DS and M&O (RMSE = 2.20 × 10⁻⁵) and SS (RMSE = 3.28 × 10⁻⁵), illustrating a notable divergence between expert perception and data-driven impact. These findings underscore the importance of aligning strategic planning with both stakeholder input and empirical sensitivity outputs. The study offers actionable insights for policymakers, landfill operators, and environmental engineers seeking to optimize waste management in arid regions. Future directions include incorporating predictive modeling, advanced biodegradation technologies, and stakeholder engagement frameworks, all in alignment with Saudi Arabia’s Vision 2030 goals for sustainable resource use and environmental resilience. • A novel integration of AHP and HAN-Fuzzy models is proposed to assess landfill sustainability in arid and hot climates. • The study identifies Resource Reservoir, DS & M&O costs, and Site Selection as the most sensitive variables influencing landfill performance. • A comprehensive sensitivity analysis was conducted using real data and expert-derived weights across five decision criteria. • Outputs are linked to Saudi Vision 2030 goals, supporting policy on sustainable waste management and circular economy initiatives. • First study to apply HAN-Fuzzy for feature selection and sensitivity analysis in landfill evaluation within the Saudi Arabian context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle