بررسی پیش‌بینی میزان تزریق ماده منعقدکننده در فرآیند تصفیه آب شرب با استفاده از تحلیل رگرسیون فازی (مطالعه موردی: تصفیه‌خانه شماره سه آب مشهد)

آب و توسعه پایدار

مقاله 10، دوره 10، شماره 4 - شماره پیاپی 30، اسفند 1402، صفحه 89-96   

نوع مقاله: پژوهشی کاربردی

شناسه دیجیتال (DOI): 10.22067/jwsd.v10i4.2305-1240

نویسندگان

زینب وکیلی¹؛ ابراهیم علامتیان^{* 2}؛ محمد زنگویی³

¹دانش‌آموخته کارشناسی‌ارشد عمران-محیط‌زیست، گروه عمران، موسسه آموزش عالی خاوران، مشهد، ایران

²استادیار گروه عمران، موسسه آموزش عالی خاوران، مشهد، ایران

³دانشجوی دکترای تخصصی برق، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

آب‌های سطحی دارای ناخالصی‌های مختلفی می‌باشند. تجمیع ذرات و تبدیل آنها از حالت‌های پراکنده و ریز به حالت درشت، توسط فرآیند انعقاد انجام می‌شود. این فرآیند یکی از فرآیندهای اساسی در تصفیه‌خانه‌های آب شرب است. هدف از این تحقیق، ارائه رابطه مناسب برای تعیین میزان تزریق ماده منعقدکننده کلروفریک در فرآیند انعقاد و لخته‌سازی با استفاده از رگرسیون فازی در تصفیه‌خانۀ آب شرب شماره سه مشهد است. دما، PH، کدورت، هدایت الکتریکی و TDS آب خام و تصفیه شده به عنوان داده اولیه برای تعیین معادلۀ مناسب، جهت پیش‌بینی میزان تزریق منعقد کننده در فرآیند تصفیه استفاده شده است. ضرایب مناسب برای مدل‌های مختلف خطی، توانی، نمایی و درجه دو در دو نوع کمترین مربعات و رگرسیون تعیین گردید. با توجه به نتایج بدست آمده در این تحقیق، مدل نمایی- رگرسیون با RMSE برابر 0/68 به عنوان مدل مطلوب معرفی شده است

کلیدواژه‌ها

رگرسیون فازی؛ منعقدکننده؛ آب شرب؛ انعقاد

مراجع

شرکت مهندسین مشاور سروآب. (1392). گزارش مطالعات تصفیه‌خانه شماره 3 آب مشهد. مشهد. ایران.
زنگویی، حسین، دلنواز، محمد، و اسداله فردی، غلام‌رضا. (۱۳۹۵). مدل‌سازی فرآیند انعقاد و لخته‌سازی توسط روش‌های استنتاج عصبی- فازی تطبیقی، شبکه‌های عصبی مصنوعی و رگرسیون فازی. مهندسی عمران مدرس، ۱۶(۳)، ۷۳-۸۵. URL: http://mcej.modares.ac.ir/article-16-2112-fa.html
قائدرحمتی، مجتبی، معاضد، هادی، و تیشه‌زن، پروانه. (1399). تخمین TSS خروجی تصفیه‌خانه فاضلاب اهواز با استفاده از مدل‌های هوشمند. مجله علوم و تکنولوژی محیط زیست، 22(9)، 251-267. https://doi.org/10.22034/JEST.2019.37718.4377 
Bagastyo, A.Y., Nurhayati, E., Manah, S.P.H., Iswari, A.A.W.R., Yulikasari, A., Warmadewanthi, I.D.A.A. & Lin, T.F. (2023). The role of aeration and pre-chlorination prior to coagulation-flocculation process in water treatment: A laboratory and field research in Indonesia. Case Studies in Chemical and Environmental Engineering, 7, 100352. https://doi.org/10.1016/j.cscee.2023.100352
Jiang, J.Q. (2015). The role of coagulation in water treatment. Current Opinion in Chemical Engineering, 8, 36-44. https://doi.org/10.1016/j.coche.2015.01.008
Khedher, M., Awad, J., Donner, E., Drigo, B., Fabris, R., Harris, M., Braun, K. & Chow, C.W. (2023). Using the Flocculation Index to optimise coagulant dosing during drinking water treatment. Journal of Water Process Engineering, 51, 103394. https://doi.org/10.1016/j.jwpe.2022.103394
Moreira, V.R., Guimaraes, R.N., Moser, P.B., Santos, L.V., de Paula, E.C., Lebron, Y.A., Silva, A.F.R., Casella, G.S. & Amaral, M.C. (2023). Restrictions in water treatment by conventional processes (coagulation, flocculation, and sand-filtration) following scenarios of dam failure. Journal of Water Process Engineering, 51, 103450. https://doi.org/10.1016/j.jwpe.2022.103450
Nadiri A., Shokri S., Tsai F. & Moghaddam A. (2018). Prediction of Effluent Quality Parameters of a Wastewater Treatment Plant Using a Supervised Committee Fuzzy Logic Model. Journal of Cleaner Production, 180, 539-549.  https://doi.org/10.1016/j.jclepro.2018.01.139
Pai, T. Y., Yang, P. Y., Wang, S. C., Lo, M. H., Chiang, C. F., Kuo, J. & LChang, Y.H. (2011). Predicting effluent from the wastewater treatment plant of industrial park based on fuzzy network and influent quality. Applied Mathematical Modelling, 35(8), 3674-3684. https://doi.org/10.1016/j.apm.2011.01.019
Ruan, J., Zhang, C., Li, Y., Li, P., Yang, Z., Chen, X., & Zhang, T. (2017). Improving the efficiency of dissolved oxygen control using an on-line control system based on a genetic algorithm evolving FWNN software sensor. Journal of Environmental Management, 187, 550–559. https://doi.org/10.1016/j.jenvman.2016.10.056
Tanaka, H. (1987). Fuzzy data analysis by possibility linear models, Fuzzy Sets and Systems, 24(3), 363- 375. https://doi.org/10.1016/0165-0114(87)90033-9
Zabaleta, A., Pascual Fernandez, P., Prados-Castilloc, J., and Castro-Pardo, M. (2022). Constructing fuzzy composite indicators to support water policy entrepreneurship, Sustainable Technology and Entrepreneurship, 1(3), 100022. https://doi.org/10.1016/j.stae.2022.100022
Zadeh, L.A. & Aliev, R.A. (2018). Fuzzy logic theory and applications: part I and part II. World Scientific Publishing. https://doi.org/10.1142/10936