مقاله استفاده از روش تحلیل عاملی در مدلسازی عصبی واحدبا تصفیه پساب نمک پایین تصفیهخانه فاضلاب صنعتی فجر ( پتروشیمی ماهشهر )

بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

استفاده از روش تحلیل عاملی در مدلسازي عصبی واحدبا تصفیه پساب

نمک پایین تصفیهخانه فاضلاب صنعتی فجر (پتروشیمی ماهشهر)

چکیده

به منظور کنترل بهتر و کارآمد عملکرد تصفیهخانه هاي فاضلاب صنعتی، میتوان از یک ابزار ریاضی، برمبنـاي اطلاعات ثبت شده برخی از پارامترهاي اساسی پساب، طی دورهاي از بهرهبرداري تصفیه¬خانـه اسـتفاده کـرد.

دراین مقاله، از شبکه عصبی چندلایه پیشخور با یک لایه پنهان و روش توقف آموزش، براي اولین بار در کشور جهت بررسی مشخصات پساب خروجی واحدهاي تصفیهخانه استفاده شده است. دادههاي این تحقیق مربوط به تصفیهخانه فجر واقع در بندر ماهشهر بوده که از مشخصات آن استفاده گردیده است. همچنین از روش تحلیـل عاملی جهت اصلاح و ارتقاي عملکرد مدلهاي ترکیبی ایجاد شده بـهوسـیله شـبکه عصـبی و تکنیـک تحلیـل مولفههاي اصلی، استفاده شده است. این تحلیل به عنوان یکی از روشهاي آماري براي تجزیه اطلاعات موجـود در مجموعه دادهها و تعیین تأثیرگذارترین متغیرها در هنگامی که تعداد متغیرهاي مورد بررسی زیـاد و روابـط بین آنها ناشناخته باشد، استفاده میشود. به منظور ارزیابی عملکرد مدلها از شاخصهاي مجذور میانگین مربع خطاها (RMSE)، میانگین مطلق خطا (MAE)، و ضریب همبستگی پیرسون (R) استفاده شده است. مقادیر

R بدست آمده از مدلها که در بازه 0/8 تا 0/94 قرار دارند، نشاندهنده دقت مناسب آن در برآورد مشخصات کیفی فاضلاب است.

کلمات کلیدي

تصفیهخانه فاضلاب صنعتی، شبکه عصبی مصنوعی، تحلیل مولفه اصلی، تحلیل عاملی، پتروشیمی فجر

مقدمه .1

فرایندهایی که در سیستمهاي محیط زیستی وجود دارد و مهندسین محیط زیسـت بـا آن سـر وکـار دارنـد، اغلـب دو خصوصیت عمده دارند: وابسته به متغیرهاي زیادي هستند و روابط پیچیدهاي بین اجزا آن وجود دارد کـه تحلیـل آن را بسـیار مشکل مینماید.[1] بهرهبرداري از تصفیهخانههاي فاضلاب صنعتی اغلب به دلیل تنوع بسـیار و تغییـرات گسـترده در کیفیـت پساب ورودي به تصفیهخانه و ماهیت طبیعی فرایند تصفیه بیولوژیکی مورد استفاده، پیچیده و دشوار است. تصفیهخانه فاضلاب

صنعتی فجر که به عنوان مطالعه موردي این پژوهش انتخاب گردیده است، از جمله تصفیهخانههاي ویژه بهشمار میرود. به این دلیل که پساب ورودي به تصفیهخانه در درجه اول حاوي نمکهاي محلول (TDS) بسیار بالا بوده و در ضمن گستره تغییرات

این مشخصه از پساب نیز زیاد است، کوچکترین اشتباه در امر راهبري تصفیهخانه و عدم تصفیه مناسب تا حد استاندارد تعیین شده، میتواند مشکلات جدي زیستمحیطی را در منطقه ویژه سبب شود. همچنین خارج شدن تعدادي از واحدهاي تصفیه بـه سبب عوامل مختلف از جمله: سرویسهاي دورهاي، وقوع حادثه و یا ورود پساب غیر معمول بر اثر عدم رعایت استاندارد تخلیـه توسط واحدهاي مستقر در منطقه، شرایطی را فراهم خواهد آورد که مشخصات پساب در واحدهاي مختلف تصفیهخانه با حالت عادي آنها تفاوت خواهد داشت. حال اگر به طریقی بتوان از مشخصات پسـاب در هـر واحـد از تصـفیهخانه آگـاهی پیـدا کـرد، میتوان اقدامات لازم جهت رفع مشکل را نیز به نحو احسن اتخاذ کرد. مدل سازي سنتی فرایندهاي بیولوژیکی مورد اسـتفاده، بر مبناي نوشتن معادلات تعادل براي سرعت رشد میکروارگانیسمها، مصرف سوبسترا و تشکیل محصولات بوده است. بنابراین با توجه به این که واکنشهاي میکروبیولوژیکی به صورت غیرخطی و وابسته به زمان هستند و ماهیت پیچیدهاي دارنـد، اسـتفاده از اینگونه مدلسازيها داراي محدودیت میباشد.[2] مدلسازي، یکی از ابزارهاي قوي ریاضی است کـه درحالـت کلـی بـه دو

روش انجام می شود: [3]

-روشهاي عددي یا قطعی((Determinestic methods -روشهاي آماري ( (Statistics methods

روشهاي آماري به دو گروه کلاسیک(رگرسیونی چند متغیره) و پیشرفته تقسیم میشود. تحقیقـات صـورت گرفتـه در زمینه پیشبینی مشخصات پساب با استفاده از روشهاي آماري، سودمندي این روشها را به اثبات رسانده است.[3] شبکههاي عصبی مصنوعی از جمله روشهاي پیشبینی آماري پیشرفته هستند که امروزه کاربرد گستردهاي در کلیـه زمینـههـاي علمـی دارند. استفاده از شبکه عصبی که قادر به پیشبینی روابط غیرخطی و پیچیده بین ورودي و خروجیها باشد، راهحـل مناسـبی براي جایگزینی با روش رگرسیون خطی چندمتغیره است. در ادامه سعی شده است اطلاعات کاملی در زمینه استفاده از شـبکه عصبی که در تحقیقات قبلی مورد استفاده قرار گرفتهاند، ارائه شود.

فن شبکه عصبی مصنوعی اولین بار توسط مک کـلاچ و پیتـز (1943) ارائـه گردیـد.[4] بـا وجـود بـهکـارگیري یـک ساختمان ساده از این مدل، سرعت و قدرت محاسباتی آن بهشدت مورد توجه قرار گرفت. کی پی اولیویرا (2002) در تحقیقی با عنوان " شبیهسازي تصفیهخانههاي فاضلاب با استفاده از شبکه عصبی مصنوعی و تکنیـک تحلیـل مولفـههـاي اصـلی"، بـا استفاده از ترکیب روشهاي آماري تحلیل مولفههاي اصلی و شبکه عصبی مصنوعی، میزان اکسـیژن مـورد نیـاز بیـوشـیمیایی

(BOD) در خروجی تصفیهخانه را پیشببینی کرد.[4] او در این تحقیق پارامترBOD پساب واحد بیولوژیـک تصـفیهخانـه را مورد مطالعه قرار داد. آبهیشک کاردام از "مدل سازي شبکه عصبی مصنوعی براي حذف کادمیم از محیطهاي آبـی" اسـتفاده کرد. در این پژوهش با ترکیب شبکه عصبی پیشخور و تکنیک تحلیل مولفههاي اصلی، به پیشبینـی میـزان رانـدمان جـذب کادمیوم توسط دانههاي جاذب، پرداخته شده و از مدل عصبی با دو لایه پنهـان و تـابع آمـوزش لـونبرگ-مارکوئیـت اسـتفاده گردیده است. نتایج حاصل از این مطالعه نشاندهنده عملکرد مناسب روش ترکیبی شبکه عصـبی مصـنوعی و تکنیـک تحلیـل مولفههاي اصلی است.[5] از مطالعات اخیر صورت گرفته در زمینه شبیهسازي فرایندهاي تصفیه فاضلاب، میتـوان بـه " تهیـه مدل عصبی مصنوعی براي کنترل تصفیهخانه فاضلاب شهري" (گولاي تزل،(2010 اشاره کرد، که بر خلاف پژوهشهاي قبلـی انجام شده در این زمینه، تصفیهخانه به دو بخش تقسیم گردیده، که شامل تصفیه اولیه و فرایند بیولوژیک است.[6]

در زمینه کاربرد شبکههاي عصبی مصنوعی در تصفیه فاضلاب میتوان به مدلسازي فرایند اکسیداسیون پیشرفته[7]،

مدلسازي آماري راندمان حذف COD از پساب صنعت نساجی با استفاده از راکتور [8] UASB و پـیشبینـی پـارامترهـاي پساب تصفیهخانههاي فاضلاب [9]، اشاره کرد. همچنین حسنلو و همکاران [10,11] از روش ترکیبی شبکه عصبی و تکنیـک

تحلیل مولفههاي اصلی براي شبیهسازي تصفیهخانه پساب صنعتی استفاده کردند.

تحلیل مولفههاي اصلی، تکنیکی است که براي تبدیل متغیرهاي متعامد و کاهش ابعاد آنها، به منظور اصـلاح و ارتقـاي عملکرد مدلهاي ایجاد شده در شبکه عصبی استفاده میشود. کاربرد این روش، راه را براي ایجاد مدلی به منظور شـبیهسـازي فرایند تصفیه بیولوژیکی توسط شبکه عصبی هموارتر میکند.[12] تحقیقات صورت گرفتـه نشـان مـیدهـد، کـاربرد همزمـان تکنیک تحلیل مولفههاي اصلی و شبکه عصبی مصنوعی، نتایج بهتر و دقیقتري را نسبت به حالتی که به صورت مجزا اسـتفاده میشوند، دارد.[4]

مطابق توضیحات ذکر شده و توجه به این موضوع که در کارهاي تحقیقاتی صورت گرفتـه، تنهـا از تعـداد محـدودي از پارامترهاي کیفی به عنوان ورودي و خروجی، در شبیهسازي فرآیندهـاي تصـفیهخانـه، اسـتفاده شـده اسـت. در ایـن تحقیـق مدلسازي واحدتصفیه پساب با نمک پایین تصفیهخانه صنعتی براي نخستین بار در کشـور مـورد توجـه قـرار گرفتـه و تـلاش محقیقن بر آن بوده که نقایص کارهاي قبلی تا حد امکان برطرف، و راهکارهاي جدیدي بـراي افـزایش دقـت مدلسـازي ارائـه شود. بنابراین، هدف از این مقاله، ایجاد مدلی است که بتواند در کمترین زمـان و بـا دقـت مناسـب، مشخصـات کیفـی پسـاب خروجی واحدهاي تصفیه را، ارائه دهد. در این مقاله از روش ترکیبی شبکه عصبی و تکنیک تحلیل مولفههاي اصلی براي مدل-

سازي بخشهاي داخلی واحد تصفیه پساب با نمک پایین تصفیهخانه فجر استفاده شده، و بـراي افـزایش دقـت مـدل، از روش

تحلیل عاملی جهت تعیین دادههاي ورودي موثر به مدل، استفاده گردیده است. پارامترهاي اسـتفاده شـده بـراي مـدل سـازي شامل: COD، pH، TDS، Cl- و Turbidity میباشند.

.2 منطقه مورد مطالعه

شرکت پتروشیمی فجردر سال 1377 با هدف تامین مواد مورد نیاز مجتمعهاي منطقه ویژه اقتصادي پتروشیمی بنـدر

امام خمینی به صورت متمرکز احداث گردید. در این مجتمع واحدهاي تصفیه پساب 1 و 2 به منظور تصفیه پسابهاي صنعتی و بهداشتی مجتمعهاي منطقه ویژه احداث شدهاند. انواع پسابهاي ارسالی از مجتمعهاي منطقه بـه واحـدهاي تصـفیه پسـاب پتروشیمی فجر عبارتند از: پساب روغنی با نمک پایین، پساب شیمیایی با نمک بالا، پساب بهداشـتی و ضـایعات هیـدروکربنی.

واحد تصفیه پساب در تصفیهخانه فجر داراي دو بخش: قسمت تصفیه پسابهاي روغنی با نمک پـایین و فاضـلاب بهداشـتی و قسمت تصفیه پساب شیمیایی با نمک بالا میباشد.[13] در این پژوهش تنها به بررسی واحد پساب بـا نمـک پـائین پرداختـه شده است. شکل شماره 1 شماتیک واحد تصفیه با نمک پائین تصفیهخانه را نشان میدهد.

تغلیظ کننده THICKENER : نمک پائین L. TDS :
سانتریفوژ CENTRIFUGE : ورودي INLET :
آبیاري محوطه INCINERAT : مخزن ذخیره SURGE :
پساب تصفیه شده TW : حوضچه هاي جدا کننده روغن API :
فیلتر FILTER : مخزن متعادل ساز E. TANK :
کلرزنی CL : مخزن خنثی ساز N. TANK :
ته نشینی ثانویه ST : جدا کننده روغن DAF :
واحد بیولوژیک BIOLOGICAL : هاضم DIGESTER :

شکل :1 نمودار فرایند تصفیه پساب تصفیه خانه فجر

.3 روش تحقیق

.1 .1 روش تحلیل عاملی[14]

یکی از روشهاي آماري براي تجزیه اطلاعات موجود در مجموعه دادهها، روش تجزیه عاملها یـا تحلیـل عـاملی اسـت.

این تکنیک، روشی رایج و کاربردي براي دادههایی است که داراي ابعاد زیادي هستند. این روش براي اولـین بـار توسـط کـارل پیرسون 1901 و چارلز اسپیرمن 1904 هنگام اندازهگیري هوش مطرح شد و براي تعیین تأثیرگـذارترین متغیرهـا در زمـانی که تعداد متغیرهاي مورد بررسی زیاد و روابط بین آنها ناشناخته باشد، استفاده میشود. به طور کلی هدف از تجزیـه عامـلهـا شامل: تفسیر وجود همبستگی درونی بین تعدادي صفت قابل مشاهده از طریق عواملی که قابل مشاهده نیستند و آنها را عامل گویند(در واقع این عوامل غیرقابل مشاهده دلیل مشترك همبستگی بین متغیرهاي اصلی هستند)، ارائه روش ترکیب و خلاصه کردن تعداد زیادي از متغیرها در تعدادي گروه متمایز و تعیین تاثیرگذارترین متغیرهـا مـیباشـد. یکـی از روشهـاي انتخـاب متغیرهاي مناسب براي تحلیل عاملی استفاده از ماتریس همبستگی است. از آنجا که روش تحلیل عـاملی بـر همبسـتگی بـین متغیرها اما از نوعغیرعلّی استوار است، بنابراین در استفاده از این روش باید ماتریس همبستگی بین متغیرها نیز محاسبه شود.

آمارههاي دیگري نیز وجود دارند که پژوهشگر از طریق آنها نیز قادر به تعیین و تشخیص مناسـب بـودن دادههـا بـراي تحلیـل عاملی است. از جمله این روشها استفاده از ضریب (Kaiser Meyer Olkin) KMO است. که مقدار آن همواره بین صفر

و یک در نوسان است و از رابطه زیر به دست میآید:

(1)

که در آن rij ضریب همبستگی ساده بین متغیرهاي j و i و a ضریب همبسـتگی جزیـی بـین آنهاسـت. اگـر مجمـوع ضرایب همبستگی جزیی بین همه زوج متغیرها در مقایسه با مجموع مجذورات ضرایب همبستگی کوچک باشد، اندازه KMO

نزدیک به یک خواهد بود. مقادیر کوچک KMO بیانگر آن است که همبستگی بین زوج متغیرها نمیتواند توسـط متغیرهـاي دیگر تبیین شود، بنابراین کاربرد تحلیل عاملی متغیرها ممکن است قابل توجیه نباشد. جدول 1 نشاندهنده مقادیر قابل قبول ضریب KMO است. متغیرهایی که داراي ضریب KMO قابل قبول و در یک گروه باشند، بـه عنـوان دادههـاي ورودي مـوثر انتخاب میشوند. براي انجام این تحلیل و تعیین متغیرهاي مناسب از نرمافزار SPSS استفاده شده است.

جدول :1 قضاوت در مورد ضریب KMO

مقدار KMO تناسب داده ها با تحلیل عاملی
بزرگتر یا مساوي 0/9 عالی
0/8-0/89 خیلی خوب
0/7-0/79 خوب
0/6-0/69 متوسط
0/5-0/59 ضعیف

کمتر از 0/5 غیرقابل پذیرش

.2 .1 تحلیل مولفههاي اصلی[10,11]1

این تکنیک روشی رایج و کاربردي براي دادههایی است که داراي ابعاد زیـادي هسـتند. بـا توجـه بـه ایـن مطلـب کـه تشخیص الگویی که دادهها از آن پیروي میکنند- بخصوص زمـانی کـه داراي بـیش از دو بعـد هسـتند-کـار دشـواري بـوده و نمیتوان بهصورت گرافیکی از رابطه بین آنها آگاهی پیدا کرد، لذا استفاده از این روش، براي تحلیل مسایلی که عوامـل زیـادي در ارتباط با مسأله مورد مطالعه دخیل هستند، مفید میباشد. در ادامه مراحل مختلف تکنیک تحلیل مولفـههـاي اصـلی ارائـه میشود( شکل .(2

شکل : 2 مراحل تکنیک تحلیل مولفه هاي اصلی

.3 .1 شبکه عصبی مصنوعی

ANNها مدلهایی محاسباتی هستند که قادرند رابطه بین وروديها و خروجیهاي یـک دسـتگاه فیزیکـی (هـرچنـد پیچیده و غیر خطی) را با شبکهاي از گرهها که همگی به هم متصلاند، تعیین کنند. از جمله مهـمتـرین عوامـل بـراي تعریـف ANNs، ساختار معماري آن است. ساختار ANNs، به شکلی است که نرونهـا در دسـتههـایی کـه لایـه نـام دارنـد، مرتـب میشوند. معماري معمول ANNs متشکل از سه لایه است، لایه ورودي (دادهها را در شبکه توزیع میکند)، لایه پنهان (داده-

ها را پردازش میکند)و لایه خروجی (نتایج را به ازاي وروديهاي مشخص، استخراج میکند). یک شبکه میتواند چندین لایـه پنهان داشته باشد. به هرحال، کارهاي نظري صورت گرفته در این زمینه نشان دادهاند که یک لایه پنهان براي اینگونه مدلهـا میتواند هر تابع پیچیده وغیرخطی را تقریب زند [15]، همچنین نتایج تجربی و عملی نیـز ایـن موضـوع را تاییـد مـیکننـد

.[4]تقسیمبندي متغیرها براي استفاده از آنها در شبکه عصبی به روشهاي متفاوتی صـورت مـیگیـرد. در ایـن مقالـه از روش صحتسنجی موازي استفاده خواهد شد. صحتسنجی موازي، روشی است که به دفعات درمدلهاي شبکه عصبی مورد استفاده قرار گرفته است .[16] این روش براي تعیین زمان پایان آموزش و مقایسه توانایی تعمیم مدلهاي متفاوت مورد اسـتفاده قـرار

میگیرد.[17]

.1 .3 .1 شبکههاي پرسپترون چند لایه[18]

با توجه به اینکه شبکههاي عصبی که با یک نرون ساخته میشوند، توانایی پیـادهسـازي توابـع غیرخطـی را ندارنـد، از شبکههاي پرسپترون چند لایه جلورونده با روال تعلیم انتشار بـه عقـب (شـکل شـماره (3 در شـبیهسـازي فراینـد بیولـوژیکی استفاده شده است. در این نوع شبکه، وروديهاي لایه اول نرونها به لایههاي بعدي متصل بـوده و در هـر سـطح ایـن مسـئله صادق بوده تا به لایه خروجی برسد. روال انتشار به عقب بدین معنی است که پس از مشخص شدن خروجی شبکه، ابتـدا وزن-

هاي لایه آخر تصحیح شده و بترتیب اوزان لایههاي قبلی تصحیح میشوند. تعیین این مسـئله کـه کـدام الگـوریتم بـراي یـک مسئله خاص سریعتر عمل میکند کار دشواري است. زیرا این مسئله به فاکتورهـاي زیـادي ماننـد: پیچیـدگی مسـئله، تعـداد دادههاي مجموعه آموزشی، تعداد وزنها و بایاسها در شبکه، مقدار خطاي قابل قبول و در نهایت به این موضوع که شبکه براي تشخیص الگو یا تخمین تابع استفاده میشود، بستگی دارد. بنابراین باید توابع آموزشی مختلف را آزموده و تـابعی کـه بهتـرین نتیجه را بدهد به عنوان الگوریتم مناسب مسئله انتخاب کنیم. پس از امتحان 9 تابع آموزش و مقایسه نتایج آنها مطـابق شـکل

4 و جدول 2، در نهایت الگوریتم لونبرگ- مارکوئیت (LM) بهترین کارائی را با توجه به حداقل زمان و کمترین خطـا اجـرا، از خود نشان داده و به عنوان الگوریتم آموزشی شبکه انتخاب شده است.

لذا در این مقاله از شبکه عصبی سه لایه با تعداد نورون مشخص در لایه میانی، تابعهـاي انتقـال تانژانـت سـیگمویت و پیورلین و الگوریتم لونبرگ- مارکوئیت به عنوان الگوریتم آموزشی شبکه، استفاده شده اسـت. همچنـین بـراي ارزیـابی میـزان خطاي مدل از سه مشخصه : ضریب همبستگی پیرسون، مجذور میانگین مربع خطاها و میانگین مطلق خطا استفاده شده است که روابط 2 تا 6 معادلات این معیارها را نشان میدهد.[19]

که Xi و xi به ترتیب دادههاي مشاهدهاي و تخمینی هستند.

.4 .1 تهیه مدل شبیهساز[3]

مراحل تهیه مدل شیبهساز تصفیهخانه، در غالب فلوچارت شکل 5 ارائه شده است.

شکل :3 ساختار مدل عصبی مورد استفاده در این تحقیق ( :x تعداد لایههاي پنهان است)

شکل :4 مقایسه الگوریتمهاي آموزشی مختلف

جدول:2 مقایسه نتایج الگوریتمهاي آموزشی مختلف

الگوریتم زمان متوسط نسبت کمترین زمان بیشترین زمان میانگین مربع