بررسی نتایج پیش‌بینی کیفیت پساب تصفیه‌شده با شبکه عصبی و الگوریتم فراابتکاری (مطالعه موردی: کارخانه پگاه آذربایجان)

آب و توسعه پایدار

مقاله 7، دوره 7، شماره 3 - شماره پیاپی 17، آذر 1399، صفحه 63-72  

نوع مقاله: کاربردی

شناسه دیجیتال (DOI): 10.22067/jwsd.v7i3.86040

نویسندگان

مهدی یوسفی نژاد عطاری ؛ شاهین حبیبی؛ علی درخشان

گروه مهندسی صنایع، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران

چکیده

کاهش منابع آبی و افزایش تقاضا برای آب شرب سالم، لزوم توجه به منابع آبی که قابلیت برگشت به طبیعت و یا امکان استفاده در بخش صنعت یا کشاورزی را داشته باشد، می‌طلبد. در این راستا، استفاده از روش‌های بهینه و موثر برای تصفیه پساب و توسعه آن اهمیت به‌سزایی دارد. جهت افزایش کارایی سیستم تصفیه فاضلاب و در راستای کاهش بار آلودگی پساب خروجی، پیش‌بینی کیفیت پساب تصفیه‌شده بسیار حائز اهمیت است. در این کار پژوهشی، سیستم تصفیه پساب خروجی از کارخانه پگاه آذربایجان با الگوریتم ژنتیک و روش شبکه عصبی، مدل‌سازی شده و نتایج شبیه‌سازی‌شده جهت بهینه‌سازی فرآیند تصفیه پساب استفاده شد تا پیش‌بینی حذف و زدایش مواد باقیمانده کربنی و مواد آلاینده میکروبی، با توجه به داده‌های BOD5 و COD که کیفیت پساب خروجی را معین می‌کنند، ممکن شود. نتایج به‌دست آمده حاکی از این است که ترکیب دو الگوریتم فوق، در پیش‌بینی داده‌های خروجی و در مقایسه با داده‌های واقعی، موفق عمل کرده و تطابق داده‌ها 87 درصد است.

 

[1] biological oxygen demand

[2] Chemical Oxygen Demand

[3] Total Dissolved Solids

کلیدواژه‌ها

پساب؛ الگوریتم ژنتیک؛ شبکه عصبی؛ BOD5؛ COD

مراجع

مرادمند، م. و بیگی هرچگانی، ح. ۱۳۸۸. اثر آبیاری با پساب تصفیه‌شده بر توزیع سرب و نیکل در اندام فلفل سبز و خاک. مجله پژوهش آب ایران، ۵: ۶۳ – ۷۰۳.
رنگ‌زن، ن.، پاینده، خ. و لندی، ا. ۱۳۸۵. بررسی کیفیت پساب بر انباشت عناصر سنگین در دو گیاه سورگوم و شبدر .مجموعه مقالات نهمین کنگره علوم خاک ایران، تهران.
ترابیان، ع. و مطلبی، م. ۱۳۸۲. طرح مدیریتی استفاده مجدد از پساب تصفیه‌شده (مطالعه موردی: شهرک اکباتان). محیط‌شناسی، ۲۹(۳۲):57-62.

Chachuat B., Roche N. and Latfi M.A. 2005. OpTImal aera on control of industrial alterntiang activated sludge pants. Biochemical Engineering Journal, 23(3): 277-289.
Garcia M.D., Grau P., Huete H., Gomez J., Garcia-Heras L. and Ayesa E. 2009. New generic mathematical model for WWTP sludge digesters operating under aerobic and anaerobic conditions: Model building and experimental verification. Water Research, 43(18): 4626-4642.
Li Z, and Lerapetritou M. 2008. Process scheduling under uncertainly: Review and challenges. Computers and Chemical Engineering, 32(405): 715-727.
Lu H., and Ma X. 2020. Hybrid decision tree-based machine learning models for short-term water quality prediction. Chemosphere, 126169.
Metcalf, E. (1819). Inc.(2003), Wastewater engineering treatment and reuse.
Zhang L., Ma X., Shi P., Bi S. and Wang C. 2019. RegCNN: A Deep Multi-output Regression Method for Wastewater Treatment. In 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI) (pp. 816-823). IEEE.