توسعه فزاینده تولید پسماند در جهان همراه با پیچیدگیهای ذاتی مسائل مربوطه که ناشی از تعدد بالای عوامل دخیل است، لزوم بهرهگیری از روشهای نوین مدلسازیهای مبتنی برهوش مصنوعی را در مباحث مدیریت پسماند بارز میسازد. اما عدم توجه به جزئیات بکار گرفته شده در این مدلها میتواند به تولید نتایج غیرواقعی و یا مدلهای غیرمعتبر بیانجامد. در این مقاله سعی شده با معرفی مرسومترین روشهای مدلسازی استفاده شده در مباحث مدیریت پسماند، جزئیات کاربردی آنها تشریح و نکات مغفول مانده یا چالشهای مرتبط با هریک بسط داده شود. همچنین زمینههای کاربرد آنها در حوزههای مختلف مدیریت پسماند طبقهبندی شده است. نظر به کاربرد وسیع شبکههای عصبی مصنوعی در بسیاری از مطالعات، تمرکز بیشتری بر ورودیها و خروجیها و نیز جزئیات اجرائی این مدلها همراه با شاخصهای ارزیابی، چیدمان، ساختار، تعداد لایهها و گرهها و ملاحظات اعتبارسنجی و عدم قطعیت شده است. در انتها محدویتها، چالشها و فرصتهای پیش رو جهت مطالعات آتی جمعبندی شده است.
