مهندسی شیمی ایران

مهندسی شیمی ایران

مدل‌سازی انتشار ویروس کرونا با استفاده از روش زنجیره‌های مارکوف

نوع مقاله : مقاله پژوهشی

نویسندگان
محبوبه رحیم دل 1
محمدمهدی کامیابی 2
حدیث اقبالی 2
محمدجواد رحیم دل 3
1 دانشجوی کارشناسی ارشد مهندسی شیمی، دانشکدۀ فنی و مهندسی، دانشگاه ولی عصر(عج) رفسنجان
2 استادیار مهندسی شیمی، دانشکدۀ فنی و مهندسی، دانشگاه ولی عصر(عج) رفسنجان
3 استادیار مهندسی معدن، پردیس مهندسی، دانشگاه بیرجند
10.22034/ijche.2023.375344.1260
چکیده
در سال­های اخیر بیماری کووید-19 به‌عنوان یک بیماری مسری با قدرت انتشار بالا اثرات بسیار مخربی بر جوامع انسانی داشته‌است. از این رو، بررسی نحوۀ انتشار و انتقال آن ضرورت دارد. هدف از پژوهش حاضر، تخمین احتمال انتقال ویروس کرونا و پیش­بینی سرایت آن با استفاده از روش تصادفی زنجیره­های مارکوف است. برای این منظور به مدل‌سازی انتشار ویروس کرونا در کشورهای فرانسه، انگلستان، آلمان، ایران و نیجریه پرداخته شده‌است. باتوجه‌به نتایج، بیشترین احتمال انتقال این ویروس مربوط‌به کشور فرانسه است که با گذشت زمان به‌سرعت کاهش یافته‌است. علاوه‌بر این، موارد ابتلای پیش­بینی‌شده در سال 2021 برای کشورهای انگلیس، آلمان و ایران به‌ترتیب به‌اندازۀ 1.2، 1.8 و 0.7 درصد با مقادیر گزارش‌شده، اختلاف دارد. این نتایج بیانگر کارایی مدل پیشنهادی در پیش­بینی تعداد افراد مبتلا به ویروس کروناست.


کلیدواژه‌ها
همه‌گیرشناسی
کووید-19
احتمال انتقال
زنجیرۀ مارکوف

موضوعات

عنوان مقاله English

Modeling of the Propagation of Coronavirus by Using Markov Chains Method

نویسندگان English

M. Rahimdel 1
M. M. Kamyabi 2
H. Eghbali 2
M. J. Rahimdel 3
1 M. Sc. Student of Chemical Engineering, Vali-e-Asr University of Rafsanjan
2 Assistant Professor of Chemical Engineering, Vali-e-Asr University of Rafsanjan
3 Assistant Professor of Mining Engineering, University of Birjand
چکیده English

In recent years, Covid-19 disease, as a contagious disease with high spreading power, has had very destructive effects on human societies. Therefore, it is necessary to investigate how it is spread and transmitted. The aim of the current research is to estimate the probability of transmission of the coronavirus and to predict its spread using the random method of Markov chains. For this purpose, the spread of the coronavirus in France, England, Germany, Iran and Nigeria has been modeled. According to the results, the highest probability of transmission of this virus is related to France, which has decreased rapidly over time. In addition, the cases predicted in 2021 for England, Germany and Iran are 1.2%, 1.8% and 0.7% different from the reported values, respectively. These results show the effectiveness of the proposed model in predicting the number of people infected with the coronavirus.

کلیدواژه‌ها English

Epidemiology
Covid-19
Probability of Transmission
Markov Chain
[1]        Martinez-Rodriguez, C. (2021). A Markov Chain Model for COVID19 in Mexico City. arXiv preprint arXiv: 2110, 13816, 1-21.
[2]        Boskabadi, M., & Doostparast, M. (2020). Modeling and data mining of global data on patients with COVID-19. Iranian Journal of Emergency Medicine, 7(1), 1-40.
[3]        Gralinski, L. E., & Menachery, V. D. (2020). Return of the Coronavirus: 2019-nCo Viruses. Viruses, 12(2), 135, (2020).
[4]        Wilson, M. E., & Chen, L. H. (2020). Travellers give wings to novel coronavirus (2019-nCoV). Journal of travel medicine, 27(2), 15.
[5]        Parsamanesh, M., & Erfanian, M. (2020). Global dynamics of a mathematical model for propagation of infection diseases with saturated incidence rate. Journal of Advanced Mathematical Modeling (JAMM), 11(1), 69-81.
[6]        Niksirat, M., & Nasseri, S. H. (2021). Forecasting of the number of cases and deaths due to corona disease using neuro-fuzzy networks. Journal of decisions and operations research, 5(4), 414-425.
[7]        Ross, R. (1910). The prevention of malaria. Dutton, 669.
[8]        Kermack, W. O., & Mckendrick, A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London – Series A: Containing Papers of a Mathematical and Physical Character, 115(772), 700-721.
[9]        Yaesoubi, R., & Ted, C. (2011). Generalized Markov models of infectious disease spread: A novel framework for developing dynamic health policies. European journal of operational research, 215(3), 679-687.
[10]      Overton, C. E., Stage, H. B., Ahmad, S., Curran-Sebastian, J., Dark, P., Das, R., Fearon, E., Felton, T., Fyles, M., Gent, N., & Hall, I. (2020). Using statistics and mathematical modelling to understand infectious disease outbreaks: COVID-19 as an example. Infectious Disease Modelling, 5, 409-441.
[11]      Romeu, J. L. (2020). A markov chain model for covid-19 survival analysis. PhD, Syracuse University. https://www. researchgate. net/profile/Jorge–Romeu.
[12]      Achmad, A., Mahrudinda, M., & Ruchjana, B. (2021). Stationary Distribution Markov Chain for COVID-19 Pandemic. International Journal of Global Operations Research, 1(2), 71-74.
[13]      Akay, H., & Barbastathis, G. (2020). Markovian random walk modeling and visualization of the epidemic spread of Covid-19. medRxiv, 2020-04.
[14]      Dehghan Shabani, Z., & Shahnazi, R. (2020). Spatial distribution dynamics and prediction of COVID‐19 in Asian countries: Spatial Markov chain approach. Regional Science Policy and Practice, 12(6), 1005-1025.
[15]      Parsamanesh, M., Erfanian, M., & Mehrshad, S. (2020). Stability and bifurcations in a discrete-time epidemic model with vaccination and vital dynamics. BMC bioinformatics, 21, 1-15.
[16]      Twumasi, C., Asiedu, L., & Ezekiel, N. (2019). Statistical modeling of HIV, tuberculosis, and hepatitis b transmission in Ghana. Canadian journal of infectious disease and medical microbiology, 1-8.
[17]      Parsamanesh, M., & Erfanian, M. (2021). Stability and bifurcations in a discrete-time SIVS model with saturated incidence rate. Chaos, Solitons & Fractals, 150, 111178.
[18]      Billinton, R., & Allan, R. N. (1992). Reliability evaluation of engineering systems. Plenum press, New York, 280.
[19]      Ajdar, F. (2018). Estimation of transition probabilities in Markov chains. Journal of Research in Science, Engineering and Technology, 6(4), 12-18.
[20]      Tavanpour, N., Ghaemi, A. A., Honar, T., & Shirvani, A. (2018). Investigation the Occurrence Probability and Persistence of Rainy Days by Using Markov Chain Model (Case Study: Lamerd City). Iran-Water Resources Research, 14(2), 1-11.
[21]      Parsamanesh, M., Erfanian, M., & Akrami, A. (2021). Modeling of the propagation of infectious diseases: mathematics and population. EBNESINA, 22(4),
60-74.
[22]      Miller, S., & Childers, D. (2012). Probability and random processes: With applications to signal processing and communications. Academic Press, 593.
[23]      FPHS. (2021). www.santepubliquefrance.fr/dossiers/coronavirus-covid-19, French Public Health Service, available in September 2021.
[24]      Worldometers. (2021). https://www.worldometers.info/coronavirus/country, available in September 2021.
[25]      IRNA. (2022). Niger is the Land that Covid-19 Forgot, The Islamic Republic News Agency, Code: 84409080. https://www.irna.ir/news/84409080.
مهندسی شیمی ایران
دوره 22، شماره 131 - شماره پیاپی 131
بهمن و اسفند 1402
صفحه 65-77