استفاده از ابزار داده پردازی برای بهبود عملکرد روشصهای هوش مصنوعی در تخمین پارامترهای پساب خروجی از تصفیه خانه فاضلاب
Using Data Processing Tools to Improve Performance of AI-Methods Predicting Effluent Parameters from Wastewate
/پریسا اصغری
: عمران
، ۱۳۹۷
۹۳ص
چاپی
فاقد کلید واژه و چکیده انگلیسی
کارشناسی ارشد
عمران - گرایش محیط زیست
۱۳۹۷/۰۶/۲۰
تبریز
دستیابی به طراحی دقیق و نیز راهبری صحیح تصفیه خانهصهای فاضلاب از جمله چالشصهای مهم در صنعت آب و فاضلاب کشور به شمار میصآید .در بسیاری از موارد، اینصگونه معضلات ناشی از عدم دسترسی به اطلاعات و دادصهای دقیق پارامترهای کمی و کیفی فاضلاب ورودی جهت طراحی و مدول-بندی تصفیهصخانه میصباشد .به دلیل مشکلات ناشی از اندازهصگیری های آزمایشگاهی، استفاده از روشصهای هوش مصنوعی میصتواند بسیار کارامد باشد .در این تحقیق مسئله عملکرد تصفیه خانه فاضلاب تبریز با استفاده از مدل های جعبه سیاه هوش مصنوعی (Artificial Intelligence) و مدل جعبه سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرکARIMA) - (Auto Regressive Integrated Moving Averageبر اساس ۲ سناریو مورد بررسی قرار گرفته است .سپس برای بهبود عملکرد مدل سازی، روش ترکیب مدل (Ensemble) با استفاده از خروجی مدل های منفرد مذکور، به عنوان یک روش پس پردازش، به کار گرفته شده است .ترکیب مدل به سه روش میانگین گیری خطی ساده، میانگین گیری خطی وزن دار و میانگین گیری غیر خطی با استفاده از شبکه عصبی مصنوعیANN) - (Artificial Neural Networkانجام گرفته است .در ادامه به عنوان یک روش پیش پردازش برای بهبود عملکرد مدل سازی، سری های نوفه با توزیع نرمال، میانگین صفر و انحراف معیارهای مختلف تولید شده اند که با افزودن آن ها به داده های اصلی و تشکیل مجموعه های آموزشی مختلف، پیش بینی پارامترهای تصفیه خانه فاضلاب شهر تبریز با استفاده از مدل های هوش مصنوعی انجام شده است و دوباره در این مرحله از کار نیز روش پس پردازش ترکیب مدل به کار گرفته شده است .نتایج حاکی از آن است که به کار گیری مدل های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل سازی تا تا ۹ در داده های هفتگی و تا ۱۴ در داده های روزانه می شود .همچنین به کار گیری هر دو روش تولید داده مصنوعی و ترکیب مدل، باعث بهبود دقت مدل سازی تا ۱۱ درداده های هفتگی و تا ۲۰ در داده های روزانه می شود
Using Data Processing Tools to Improve Performance of AI-Methods Predicting Effluent Parameters from Wastewate