۲۱۱۶۷پ
per
ارزیابی کارایی شبکه های عصبی در پیش بینی کیفیت پساب خروجی تصفیه فاضلاب
Evaluating the Efficiency of Neural Networks in Predicting Effluent Quality of a Municipal Wastewater Treatment Plant
/عاطفه علی اشرفی
: عمران
، ۱۳۹۸
۱۲۶ص
چاپی
کارشناسی ارشد
عمران - گرایش محیط زیست
۱۳۹۸/۰۳/۱۱
تبریز
محدودیت منابع آبی از جمله مهمترین چالش های جهان امروز می باشد که استفاده مجدد از پساب های تصفیه شده ی شهری را، به ویژه برای مناطق خشک و نیمه خشک مانند کشور ایران، بیش از پیش پر رنگ تر می نماید .از این رو کنترل و مدیریت صحیح کیفیت فرایند تصفیه آب و فاضلاب جهت مصارف مجدد ، ضروری به نظر می رسد .با آگاهی از کارایی و کیفیت فرایند تصفیه می توان از ایرادات احتمالی فرایند پیش از رخداد مطلع و نسبت به بهبود عملکرد فرایند اقدام نمود .لذا توسعه یک ابزار ریاضی قدرتمند برای پیش بینی عملکرد تصفیه خانه بر اساس مشاهدات گذشته برخی از پارامتر های کلیدی، می تواند کارامد باشد .با این حال مدلسازی یک تصفیه خانه ی فاضلاب با نظر به پیچیدگی فرایند ها دشوار می باشد .هدف از انجام مطالعه ی حاضر تخمین پارامتر های کیفی پساب خروجی با استفاده از شبکه عصبی هیجانی و مقایسه ی عملکرد آن با شبکه های عصبی کلاسیک و رگرسیون بردار پشتیبان و بررسی تاثیر دسته بندی پارامتر های ورودی بر دقت مدلسازی می باشد .اساس عملکرد شبکه عصبی هیجانی بر پایه ی مدل مورون می باشد که از روش جدید یادگیری مغز پستانداران استفاده نموده و فرایند یادگیری شبکه را با لحاظ کردن پارامتر های هیجانی مغز، بهبود می بخشد .برای این منظور داده های روزانه و هفتگی ورودی و خروجی تصفیه خانه تبریز برای سال ها ۱۳۸۹ تا ۱۳۹۶ در قسمت اول مورد استفاده قرار گرفت .نتایج حاصل نشان داده الگوریتم شبکه های عصبی هیجانی می تواند عملکرد مدل را در مقایسه با شبکه های عصبی پیش خور تا ۳۱ و در مقایسه با رگرسیون بردار پشتیبان تا ۲۵ افزایش دهد .همچنین مدل جدید ارایه شده نه تنها قابلیت پیش بینی پارامتر های خروجی BOD,COD,TSS را دارد بلکه در مقایسه با شبکه های عصبی کلاسیک و هم چنین رگرسیون بردار پشتیبان عملکرد بهتری را از خود نشان می دهد چراکه پدیده ی از بر کردن که یکی از ایرادات و محدودیت های بارز شبکه های عصبی کلاسیک می باشد در این روش به حداقل رسیده است.اما بر خلاف شبکه های عصبی پیشخور و رگرسیون بردار پشتیبان، دسته بندی پارامتر های ورودی تاثیر چشمگیری بر عملکرد شبکه های هیجانی نداشت . همچنین با توجه به کاهش دقت مدل ها در پیش بینی پارامتر BOD در قسمت دوم پارامتر های ورودی قبل از معرفی به شبکه توسط سه روش اطلاعات مشترک،تحلیل مولفه های اصلی و نگاشت خود سازمانده دسته بندی و پیش پردازش شده اند تا از ورودی پارامتر های کم اهمیت جلوگیری شود.نتایج نشان داد روش نگاشت خود سازمانده در ترکیب با روش رگرسیون بردار پشتیبان و شبکه عصبی پیش خور می تواند دقت مدل را به ترتیب تا ۲۲ و ۱۸ درصد در پیش بینی پارامتر BOD افزایش دهد
It is well-known that water scarcity is one of the main problems that the world is suffering from today, and this problem is more highlighted in arid and semi-arid countries. Therefore, the application of treated wastewater can reduce the burden from available water recourses. In this way, monitoring the effluent quality and proper management of the treatment process seems essential. By predicting the quality and parameters of the treatment system, it would be possible to improve the performance of the treatment process and prevent potential problems. Therefore, the development of a powerful mathematical tool that is capable of predicting the performance and the key parameters of a wastewater treatment plant (WWTP) based on past observations, can be efficient. However, modeling of a WWTP is a difficult task due to the complexity of the existed chemical and biological processes. The objective of current study is to evaluate the capability of emotional neural networks in modeling and forecasting the key parameters of WWTP that are indicators of effluent quality. The result and performance of the developed models were also compared with Feed Forward Neural Networks (FFNN) and Support Vector Regression (SVR) models that were developed for predicting Total Suspended Solids (TSS), Chemical Oxygen Demand (COD), Biological Oxygen Demand (BOD). The ENNs work based on the Moron model, which uses the learning algorithm of the mammalian brain and improves the learning process by considering the brain's emotional parameters. The results show that this algorithm can increase the efficiency criteria of the model up to 31 compared to the FFNN and up to 25 compared with the SVR. The merit and superiority of this newly proposed method is not only its capability in providing more accurate results, but also ENN was able to minimize the overfitting problem which is one of the major defect of Artificial intelligence (AI) based methods. Also, for predicting BOD at the second part Mutual Information(MI) and Principal Component Analysis(PCA) and Self Organizing Map(SOM) were applied for clustering and pre-processing the input parameters before developing the models. The result showed that the application of SOM method beside FFNN and SVR methods increased the DC value respectively up to 22 and 18 percent in comparison with the models developed at the first part. Since this AI-based clustering method covered all the biological, chemical and physical characteristics of the WWTP in selecting the input variables
Evaluating the Efficiency of Neural Networks in Predicting Effluent Quality of a Municipal Wastewater Treatment Plant
علی اشرفی، عاطفه
Aliashrafi Zagi, Atefeh
سیاه و سفید
نمایه‌سازی قبلی
