卡車是港口運輸最重要的工具之一。然而，目前，中國許多港口公司的智能水平較低，甚至一些港口公司仍然使用地磅的現場指導方法進行稱重。這種人工干預效率低，錯誤率高，人工成本高，貨物風險高。因此，設計一個高效的地磅系統對于港口企業改善稱重管理尤為重要。基于物聯網技術，設計了無人值守地磅系統。無人值守地磅系統將物聯網地磅與生產業務系統相結合。物聯網地磅負責收集稱重數據，而生產業務系統負責處理遙控器數據和發送命令。

    該系統實現了稱重的自動化，提高了稱重效率，節省了人力成本，降低了貨物的風險，具有很高的實用價值。從Sezela地磅提供的托運單中獲取數據的重復任務經常導致錯誤。錯誤是由于托運單上的數據不正確、粗心、交貨高峰期的壓力和疲勞造成的。隨著Sezela地磅自動數據采集和稱重系統的開發和引入，這些問題已經消除。除了消除不正確的數據捕獲，該系統還提高了磨機的生產率，并顯著節約了成本。本文討論了該系統的開發和運行以及遇到的問題。發展中國家城市垃圾管理不健全的情況增加，影響了居民的公共健康。固體廢物管理得到了市政當局的廣泛關注。城市固體廢物管理系統的可持續規劃和設計需要準確預測城市當局在垃圾填埋場產生和收集的固體廢物，以供最終處置控制器和其他可再生能源選擇。

    在這項研究中，使用人工神經網絡（ANN）替代模型來預測2012年至2016年在達卡南城市公司（DSCC）Matuail填埋場收集的固體廢物。120個月固體廢物量和從地磅獲得的車輛行程數用作模型的輸入數據。70%的數據用于模型訓練，15%的數據用于驗證，15%的用于測試。剩余的60個月廢物量用作開發模型的輸出。前饋-反饋傳播神經網絡與雙曲正切S形激活函數和Levenberg–Marquardt優化方法一起使用。基于性能度量，即MSE的最小值和回歸的高值，選擇具有2-5-1-1拓撲的模型作為最佳拓撲。基于ANN的固體廢物預測模型使用具有確定系數（R2）的可用地磅數據進行訓練和測試0.85和0.86，表現出良好的前景。所開發的模型可以成功地與垃圾填埋場中的重量橋軟件一起使用，以有效地預測固體廢物收集，特別是在人口和社會環境相似的國家。考慮到其他擬議的備選處置方案和廢物特征，對所需的填埋場面積進行了估計，發現填埋當局可以節省寶貴的城市填埋場面積需求達28.6%。結果表明，通過人工神經網絡和最終處置方法進行填埋場面積估計的創新方法可以交替使用，這有助于更好地填埋場的規劃和無線遙控器管理。