دانلود مقاله استفاده از مدل شبکه عصبی مصنوعی در راهبری تصفیهخانههای نیمه- مکانیکال (مطالعه موردی: تصفیه خانه فاضلاب شماره یک پرکندآباد مشهد)

word قابل ویرایش
14 صفحه
5700 تومان

چکیده

مشکل در راهبری صحیح تصفیه خانه های فاضلاب یکی از چالش های اصلی در صنعت آب و فاضلاب کشور بـه شمار می رود. در بسیاری از موارد، این معضل ناشی از عدم توانایی در پیش بینی چگونگی تأثیر تغییرات کمی و کیفی فاضلاب ورودی و یا تغییرات شرایط آب و هوایی بر عملکرد تصفیه خانه می باشـد. در تحقیـق حاضـر، بـه بررسی توانمندی مدل شبکه عصبی مصنوعی جهت پـیش بینـی عملکـرد تصـفیه خانـه هـای نیمـه مکانیکـال

(مطالعه موردی، تصفیه خانه فاضلاب شماره یک پرکندآباد) پرداخته شد. برای پیش بینی عملکرد تصـفیه خانـه مذکور، در ابتدا عوامل تأثیرگذار بر غلظت پارامتر COD به عنوان یکی از شاخص هـای کیفـی پسـاب مشـخص شدند. سپس بر اساس داده های کمـی و کیفـی فاضـلاب ورودی، پسـاب خروجـی، شـرایط فرآینـدی و آمـار و اطلاعات هواشناسی به تعیین ویژگی های موثر بر غلظت پارامتر COD پساب پرداخته شد. بر اسـاس نتـایج بـه دست آمده، مهم ترین عوامل مؤثر بر غلطت پارامتر COD پساب خروجی شامل، جریان ورودی، میزان اکسیژن محلول، درجه حرارت فاضلاب ورودی، درجه حرارت لاگون، درجه حرارت هوا، تعـداد هـواده هـای فعـال، تعـداد ساعات آفتابی، pH لاگون و میزان بار مواد آلی ورودی می شد. با استفاده از مدل شـبکه عصـبی بـا جسـتجوی کامل و ویژگی های مؤثر به عنوان ورودی های شبکه، عملکرد تصفیه خانه مورد پیش بینی قـرار گرفـت. مقـدار

بیشینه ضریب هم بستگی (R) برای پارامتر COD برابر با ۰٫۸۶ و میزان درصد جذر میانگین مربعـات خطـای نسبی (rRMSE) و درصد میانگین مطلق خطای نسبی (rMAPE) متناظرش به ترتیب برابر بـا %۱۵ و %۱۳

برآورد شد. بنابراین با توجه به برازش بالا و خطای کم نتایج حاصل از اجرای برنامه، مدل شبکه عصبی به عنـوان مدلی کارآمد و مناسب جهت پیش بینی عملکرد تصفیه خانه نیمه مکانیکال به حساب می آید.

کلمات کلیدی

کیفیت پساب تصفیهخانه، شبکه عصبی مصنوعی، تصفیه فاضلاب، لاگون هوادهی، راهبری تصفیهخانهها

.۱ مقدمه

راهبری صحیح تصفیهخانههای فاضلاب یکی از مهمترین عوامل مدیریتی بخش آب و فاضلاب به شمار میآیـد.

در حال حاضر عملکرد بسیاری از تصفیهخانههای فاضلاب در کشورهای مختلف، با مشکلاتی روبهرو میباشد کـه مـی-

تواند ناشی از عوامل مختلف مانند تغییرات کمی و کیفی فاضلاب ورودی، شرایط فرآیندی، نوسانات شرایط آب و هوایی در فصول مختلف سال باشد. از اینرو استفاده از روشهایی که بتواند عملکرد و کارایی تصفیهخانههـای فاضـلاب را بـه خصوص، بر اساس نوسانات کمی و کیفی فاضلاب ورودی، شرایط فرآیندی و یا شرایط آب و هوایی پـیشبینـی کنـد از اهمیت ویژهای برخوردار است. بر اساس این پیشبینیها، بهرهبردار میتواند تدابیر لازم را قبل از بـروز مشـکلات اتخـاذ نماید و تداعی مورد نیاز را فراهم سازد و بدین ترتیب کنترل و بهرهبرداری مناسبی را اعمال نماید.

در کشور ایران به خصوص در استان خراسان رضوی به دلیل محدودیت منابع آب، به کاربرد پساب تصفیهخانه-

ها برای مصارف کشاورزی توجه ویژهای مبذول میگردد. لذا اطمینان از عملکرد بهینه و مستمر تصفیهخانهها و تـأمین کیفیت مناسب پساب از اهمیت خاصی برخوردار میباشد. این امر را میتوان با پـیشبینـی عملکـرد تصـفیهخانـههـای فاضلاب و ارزیابی قابلیت کاربرد پساب تولیدی در دورههای مختلف و ارائه راهکارهایی برای بهبود کیفیـت پسـاب ارائـه کرد. همچنین اتخاذ تصمیمات به موقع و اجرای آنها با استفاده از نتایج حاصل از پیشبینی مدل به کـار رفتـه، باعـث صرفهجویی در زمان و هزینهها و جلوگیری از اتلاف وقت میشود.

یکی از پرکاربردترین روشهای پیشبینی در زمینه آب و فاضلاب، روش شبکههای عصبی مصنوعی مـیباشـد.

در سالهای اخیر تحقیقات زیادی در خارج از کشور در رابطه با مدلسازی تصفیهخانه فاضـلاب بـا کمـک شـبکههـای عصبی انجام شده است که اکثرا در رابطه با سیستمهای مدرن و مکانیکال (لجن فعال) بودهاند. در زمینه تصـفیهخانـه-

های نیمهمکانیکال (لاگونهای هوادهی و برکههای تثبیت) گزارشهای محدودی ارائه شده است که هیچ یـک از آنهـا

در داخل کشور انجام نشدهاند.

Cote و همکاران در سال ۱۹۹۵، جهت افزایش دقت مدلهای مکانیکی که برای فرآیند لجن فعال به کار می-رفتند، از شبکه عصبی استفاده نمودند Zhu .[5] و همکاران در سال ۱۹۹۸، در کار تحقیقاتی خود نشان دادند که بـا

بهینهسازی شبکه عصبی مصنوعی میتوان به صورت لحظهای خصوصیات خروجـی تصـفیهخانـههـای فاضـلاب (دارای سیستمهای پیشرفته تصفیه) را، پیشبینی کرد Gontarski .[25] و همکاران در سال ۲۰۰۰، با ایجاد شبکه عصـبی

مصنوعی خصوصیات کیفی پساب تصفیهخانههای صنعتی را پیشبینی نمودند. آنها به این نتیجـه رسـیدند کـه دبـی

ورودی به تصفیهخانـه و pH فاضـلاب ورودی مـؤثرترین پارامترهـای کنتـرل تصـفیهخانـه محسـوب مـیشـوند .[۸] Moreno-Alfonso وRedondo در سال ۲۰۰۱، یک روش اجرای هوشمند تصفیه فاضلاب را به کمک دو مجموعه

شبکه عصبی با هدف کنترل تصفیهخانه بر اساس پارامترهایی از قبل تعیین شـده، پیشـنهاد دادنـد. محققـین مـذکور نهایتا بیان داشتند که کاربرد چنین سیستم دو شبکهای در مدیریت تصفیهخانههای فاضلاب میتوانـد بسـیار سـودمند

باشد Holubar .[16] و همکاران در سال ۲۰۰۲، از شبکه عصبی بر مبنای الگوریتم پیشخور پسانتشار۱ برای مـدل کردن و کنترل متان تولیدی در هاضمهای بیهوازی استفاده کردند. این محققین توانمندی بالای مدل شبکه عصبی را

در پیشبینی میزان گاز تولیدی در شرایط مختلف بارگذاری، به منظور پیشبینی و جلوگیری از بارهای اضـافی ورودی، نشان دادند Hong .[13] و همکاران در سال ۲۰۰۳، در کار تحقیقاتی خود از نوعی شبکه عصبی بدون نظارت به نام

KSOFM2، بهعنوان وسیلهای کارآمد، برای مشخص نمودن وابستگیهای متغیرهای فرآیند و نیـز پـیشبینـی رفتـار سیستم تصفیه فاضلاب شهری بهره گرفتند و آن را یک ابزار مؤثر تحلیلی و روشی مفید بـرای تشـخیص و درک رفتـار

سیستم لجن فعال در تصفیهخانههای فاضلاب عنوان کردند .[۱۴]

Oliveira-Esquerre و همکاران در سال ۲۰۰۴، با استفاده از شبکه عصبی به پیشبینی رضایتبخشـی در مورد BOD پساب خروجی یک تصفیهخانه فاضلاب مربوط به صنعت کاغذ در برزیـل دسـت یافتنـد. در ایـن بررسـی محققین ابتدا با استفاده از مدلهای خطی رگرسیونی سعی در پیشبینی پارامتر BOD در ورودی و خروجی تصـفیه-

خانه نمودند. آنها کاربرد رگرسیون خطی برای مدلسازی سیستم تصفیه لاگـون هـوادهی در تصـفیهخانـه صـنعتی را برای پارامترهای خروجی مناسب ندانستند. از اینرو استفاده از مدلهای رگرسیونی را برای لاگونهای هوادهی توصـیه ننمودند. در ادامه محققین مذکور با کاربرد مدلهای شبکه عصبی مختلف در مورد سیستم تصفیه فاضلاب مربـوط بـه صنعت کاغذ در برزیل که از نوع لاگون هوادهی بود، به نتایج جالبی رسیدند و مدل شبکه عصبی برای سیسـتم لاگـون

هوادهی و سیستمهای مشابه کارآمد ارزیابی کردند .[۱۹]

Hamed و همکاران در سال ۲۰۰۴، دو مدل بر پایه شبکه عصبی مصنوعی برای پیشبینـی غلظـت خروجـی

BOD و SS از یک تصفیهخانه بزرگ فاضلاب (با سیستم لجن فعال) در قاهره را توسـعه دادنـد. تحقیـق فـوق شـبکه

عصبی مصنوعی را یک ابزار ارزشمند برای پیشبینی عملکرد تصـفیهخانـههـای فاضـلاب معرفـی نمـود Özer .[10] Çinar در سال ۲۰۰۵، با استفاده از مدل شبکه عصبی KSOFM و دادههای مربوط به یک دوره زمانی ۴۰۰ روزه از تصفیهخانه Pelham واقع در ترکیه، پارامترهای پساب خروجی را مورد ارزیابی قرار داد. این محقق نتیجه کار خـود را چنین بیان داشت که اگر تعداد دادههای مورد استفاده زیاد و کافی باشد، شبکه عصبی KSOFM در ارزیابی عملکـرد

تصفیهخانه فاضلاب و مشخص نمودن روابط پیچیده پارامترهای فرآیندی و نیز وابستگی بین آنها، مدل مناسبی مـی-باشد و بر اساس آن میتوان استراتژی مناسـبی را بـرای حـل مشـکلات بهـرهبـرداری مشـخص نمـود Mjalli .[6] و

همکاران در سال ۲۰۰۷، با استفاده از مدلهای شبکه عصـبی مصـنوعی مقـادیر پارامترهـای BOD، COD و TSS

پساب تصفیهخانه دوحه را پیشبینی نمودند و دریافتند که مدل شبکه عصبی مصنوعی از دقت بسیار بالایی در پـیش-

بینی و تخمین پارامترهای بهرهبرداری تصفیهخانههای پیشرفته فاضلاب برخوردار اسـت Shi .[15] و Qiao در سـال

۲۰۱۰، غلظت اکسیژن محلول و میکروارگانیزمهای هتروتروفیک در فرآیند تصفیه فاضلاب را بـه وسـیله مـدل شـبکه عصبی، کنترل و بهینه کردند. نتایج حاصل از شبیهسازی، بر عملکرد مناسب مدل شبکه عصبی جهت کنترل و بهینـه-

۱ ‐ Feed Forward Back Propagation Algorithm 2 ‐ Kuhonen Self‐Organizing Feature Maps

سازی غلظت پارامترهای مذکور دلالت داشت Pendashteh .[23] و همکاران در سال ۲۰۱۱، به وسیله شبکه عصبی

یک رآکتور غشایی BSR3 را که برای تصفیه فاضلابی روغنی به کار میرفت، مدل کردند. نتایج نشان داد کـه بـا نـرخ بارگذاری مواد آلی برابر با (kg COD)/(m3⁄day) 2/44، کل مواد جامد نامحلول برابـر بـا mg/lit 78000 و زمـان

واکنش معادل ۴۰ ساعت، متوسط نرخ حذف COD برابر با %۹۸ شد. در این شرایط، غلظت متوسط COD خروجـی در حد استاندارد (کمتر از ۱۰۰ میلیگرم در لیتر) بود و مدل نتیجه مطلوب را ارائه کرد Turan .[21] و همکـاران در

سال ۲۰۱۱، از شبکه عصبی جهت پیشبینی راندمان حذف یون مسII از شیرابه صنعتی سنگ خارا، استفاده کردنـد.
مقایسه بین عملکرد شبکه عصبی با ساختار متداول با شبکه عصبی با ساختار تابع پایه شعاعی۴ حاکی از عملکرد بهتـر

مدل RBF با ضریب همبستگی (R2) معادل ۰/۹۹۹ بود که قابلیت بالای مدل RBF را در پیشبینی دقیقتـر حـذف یون مسII از شیرابه صنعتی نشان داد Gueguim Kana .[24] و همکاران در سال ۲۰۱۲، به وسیله شبکه عصـبی

به همراه الگوریتم ژنتیک، بیوگاز تولیدی از فاضلابی شامل ضایعات را مدلسازی و بهینه کردند. نتایج این تحقیق نشان

دهنده اثر بخشی مدل شبکه عصبی_الگوریتم ژنتیک در رفتار غیرخطی سیستم و بهینهسازی میـزان بیوگـاز تولیـدی بوده است Piuleac .[9] و همکاران در سال ۲۰۱۳، یک روش بهینهسازی بر پایه شـبکه عصـبی و الگـوریتم ژنتیـک

توسعه دادند و بدین وسیله یک فرآیند واقعی الکترو-انعقادی را بهینه نمودند. اعتبارسنجی نتایج بهینهسازی با استفاده از دادههای تجربی، خطایی کمتر از ۱۱ درصد را نشان داد .[۲۲]

در تحقیق حاضر با استفاده ازمدل شبکه عصبی عملکرد تصفیهخانه شماره یک فاضلاب پرکندآباد شـهر مشـهد مورد بررسی قرار گرفت و بر اساس دادههای کمی و کیفی فاضلاب ورودی به تصفیه خانه، داده های مربوط بـه شـرایط فرآیندی و داده های هواشناسی در یک بازه زمانی ۴ ساله ( از فروردین ۱۳۸۶ تا اسفند (۱۳۸۹، غلظت پارامتر COD

به عنوان یکی از شاخصهای کیفی پساب خروجی پیشبینی گردید.

لازم به ذکر است که به دلیل طرح ارتقاء تصفیهخانه مذکور از سال ۸۹ به بعـد، دسـتیابی بـه آمـار و اطلاعـات مربوط به سالهای ۹۰ به بعد به دلیل محدودیتهای اداری و اجرایی امکانپذیر نگردید.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
wordقابل ویرایش - قیمت 5700 تومان در 14 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد