۲۰۰۰۴پ
per
ارزیابی عدم قطعیت تکنیک‌های هوش مصنوعی در مدلسازی کیفیت پساب خروجی تصفیه‌خانه فاضلاب
Uncertainty Assessment of Artificial Intelligence Techniques in Effluent Quality of Wastewater Treatment Plant Modeling
/نسیم حجابی
: مهندسی عمران
، ۱۳۹۷
، افشار
۱۲۹ص
چاپی - الکترونیکی
ارشد
مهندسی و مدیریت منابع آب
۱۳۹۷/۰۶/۱۲
تبریز
در مناطق خشک و نیمه خشک مانند کشور ایران که با کمبود منابع آب شیرین مواجه هستند، استفاده مجدد از پساب‌ها و آب‌های برگشتی از اهمیت بالایی برخوردار است.در دو دهه اخیر کاربرد مدل‌های هوش مصنوعی به منظور بهره‌برداری صحیح از تصفیه‌خانه فاضلاب و حفظ پایداری فرایندهای تصفیه در شرایط مطلوب، توسط محققین بسیار فراگیر شده است .این مدل‌ها می‌توانند به عنوان ابزاری موثر برای پیش‌بینی عملکرد تصفیه‌خانه به کار برده شوند .در مطالعه حاضر دو مدل شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی کیفیت پساب خروجی تصفیه‌خانه فاضلاب تبریز مورد استفاده قرار گرفته است، سپس میزان عدم قطعیت حاکم بر نتایج مدل‌ها براساس روش مونت کارلو مورد ارزیابی و مقایسه قرار گرفته است .داده‌های ورودی شامل پارامترهای اکسیژن مورد نیاز بیوشیمیایی(BOD) ، اکسیژن مورد نیاز شیمیایی(COD) ، کل جامدات معلق (TSS) و PH فاضلاب در ورودی تصفیه‌خانه تبریز، برای پیش‌بینی مقادیر متناظر مشخصه‌های اکسیژن مورد نیاز بیوشیمیایی(BOD) ، اکسیژن مورد نیاز شیمیایی(COD) ، کل جامدات معلق (TSS) در پساب خروجی تصفیه‌خانه به کار برده شده است .داده‌ها بصورت میانگین ۲ روز، هفتگی و ماهانه مورد بررسی قرار گرفته است .طبق نتایج بدست آمده، دو مدل ذکر شده در پیش‌بینی پارامتر BOD پساب خروجی تصفیه‌خانه عملکرد بهتری نسبت به COD و TSS دارا می‌باشد و هر دو مدل در مدلسازی کیفیت پساب خروجی به صورت ماهانه عملکرد بهتری را دارا می‌باشد .پس از بررسی عدم قطعیت مدل‌ها، نتایج نشان داد که مدل ماشین بردار پشتیبان دارای عدم قطعیت کمتر نسبت به مدل شبکه عصبی مصنوعی می‌باشد.
Due to limited freshwater resources in arid and semi-arid regions such as Iran, reusing of waste water and reclaimed water are considered as important sources of water. In recent two decades, Artificial Intelligence (AI) models have been widely used by scientists for accurate utilization of WasteWater Treatment Plant (WWTP) and maintaining the stability of purification under preferred conditions. These models can be used as effective tools in order to predict the performance of treatment plant. In this present research, two Artificial Intelligence models including Artificial Neural Network (ANN) and Support Vector Machine (SVM) have been used for modeling effluent quality of Tabriz Wastewater Treatment Plant. Then the uncertainty of models results assessed with Monte Carlo Method (MCM) and they compared together. Input data of models consists of Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), Total Suspended Solid (TSS)and PH of influent sewage related to Tabriz Treatment Plant have been used to predict the corresponding value of Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), Total Suspended Solid (TSS) concerning the treatment plant effluent. The data is studied on average by 2 days, weekly and monthly. According to results the two models mentioned before in the prediction of the BOD parameter of effluent have better performance than COD and TSS and both of these models show better performance on monthly effluent quality of Wastewater Treatment Plant modeling. The results show that Support Vector Machine model has less uncertainty in comparison with Artificial Neural Network Model
Uncertainty Assessment of Artificial Intelligence Techniques in Effluent Quality of Wastewater Treatment Plant Modeling
حجابی، نسیم
Hejabi, Nasim
سیاه و سفید
نمایه‌سازی قبلی
