بخشی از مقاله
چکیده
تصفیه فاضلاب شامل عملیات پیچیده فیزیکی، شیمیایی و بیولوژیکی است. بیشتر این فرآیندها رفتار غیر خطی دارند که با مدلهای خطی ریاضی به سختی تشریح می شوند. لذا در سالهای اخیر مطالعات فراوانی با استفاده از مدلهای هوش مصنوعی برای پیش بینی عملکرد پارامترهای خروجی از تصفیه خانه های فاضلاب انجام شده است.
در تمامی مدلهای هوش مصنوعی عوامل مختلف در دقت پیش بینی نهایی موثرند. لذا در این تحقیق تاثیر تعداد دور آموزشی، تابع عضویت و نوع پارامترهای ورودی در دقت پیش بینی توسط سیستم استنتاج عصبی-فازی تطبیقی مورد بررسی قرار گرفت.
برای این منظور پنج مدل مختلف با ورودی های مختلف ساخته شده و با استفاده از ضریب همبستگی بین دادههای مشاهداتی و پیش بینی شده، دقت هر یک از مدلها بررسی گردید. نتایج نشان داد که بیشترین تاثیر مربوط به نوع پارامتر ورودی است. اختلاف بین بهترین ضریب همبستگی در هر یک از پنج مدل مورد نظر 0/6825 است. این میزان اختلاف نشان از اهمیت انتخاب پارامتر ورودی را در دقت پیش بینی به وضوح بیان می کند.
مقدمه
به منظور فراهم آوردن شرایطی که چرخه حیاتی آب، مانند گذشته در طبیعت انجام شود، بشر دست به اقداماتی زد تا از معضلی که خود به وجود آورده بود رهایی یابد. تصفیه فاضلاب یکی از اقدامات اساسی در این رابطه بود که به منظور نابودی عوامل بیماریزا و کاهش آلاینده های آب صورت پذیرفت. اصولا یکی از مهمترین قسمتهای تأسیسات فاضلاب شهری، تصفیه خانه فاضلاب آن می باشد که از اهمیت ویژه ای برخوردار است.
به منظور کنترل بهتر و کارامدتر بر عملکرد تصفیه خانه های فاضلاب، می توان از یک ابزار ریاضی قوی استفاده کرد که مبنای اطلاعات ثبت شده مربوط به برخی پارامترهای اساسی پساب، در طی دوره های بهره برداری از تصفیه خانه است. مدل سازی یکی از ابزارهای قوی ریاضی است که در حالت کلی به دو روش عددی یا قطعی و آماری انجام می شود. روش آماری به دو گروه کلاسیک - رگرسیونی چند متغیره - و پیشرفته تقسیم می شود.
مدلسازی سنتی که برای فرایندهای بیولوژیکی مورد استفاده قرار می گرفت، بر مبنای نوشتن معادلات برای سرعت رشد میگروارگانیسمها و تشکیل محصولات بود. ولی به دلیل این که واکنشهای میکروبیولوژیکی به صورت غیرخطی و وابسته به زمان هستند و ماهیت پیچیده ای دارند، اینگونه مدلسازی ها دارای محدودیت های زیادی بودند. تحقیقات صورت گرفته در زمینه پیش بینی مشخصات پساب با استفاده از روشهای آماری، سودمندی این روشها را به اثبات رسانده است. روشهای آماری دارای مزیت هایی نسبت به روشهای قطعی پیش بینی مشخصات پساب تصفیه خانه است که از طریق تصفیه خانه های فاضلاب به صورت مرتب اندازه گیری می شوند و براحتی قابل دسترسی است.
از طرف دیگر ساختار مدلهای آماری اغلب ساده تر از مدلهای قطعی است، به طوری که استفاده از این مدلها به سادگی امکان پذیر است - بهرامی، . - 1392 علاوه بر این، داشتن دید کلی از ماهیت موضوع و دانستن روابط حاکم بین پارامترهای تاثیر گذار در مسئله امری ضروری می باشد. همچنین برای بدست آوردن روابط بین اجزا مدل، نیاز به حل معادلات ریاضی پیچیده خواهیم بود، که در بعضی اوقات نمی توانیم جواب آنها را در حالت کلی بدست آوریم.
در مدل رگرسیونی خطی چند متغیره، فرض های زیادی وجود دارد که استفاده از آن در مسائل عملی مشکل ساز است، به طوری که در بسیاری از تحقیقات صورت گرفته، به دلیل این که این فرض ها مباحث آماری پیچیدهای هستند، از دید محققین مخفی مانده و به آنها توجهی نشده است. در نتیجه مدل ارائه شده آنها دارای دقت مناسبی نبوده و در حالت کلی نمی توان از این مدلها در مسائلی که نیاز به دقت بالائی دارند، استفاده کرد
سیستم استتنتاجی عصبی-فازی تطبیقی از جمله روشهای هوش مصنوعی پیشرفته هستند که امروزه کاربرد گسترده ای در کلیه زمینه های علمی دارند. استفاده از این روش جزء روشهای پیشرفته است که قادر به پیش بینی روابط غیرخطی و پیچیده بین ورودی وخروجی ها باشد، لذا به منظور کنترل بهتر و کارآمدتر بر عملکرد تصفیه خانه های فاضلاب، می توان از یک ابزار ریاضی قوی استفاده کرد که مبنای اطلاعات ثبت شده مربوط به برخی پارامترهای اساسی پساب، طی دورهای از بهره برداری تصفیه خانه است. اما به دلیل تعدد این اطلاعات و نبود معیار مناسب در انتخاب نوع و تعداد مناسب این پارامترها، دقت نهایی پیش بینی می تواند به شدت تحت تاثیر قرار گیرد.
لذا در این تحقیق سعی در بررسی این موضوع شده است. مطالعات زیادی در مورد پیش بینی با روش های هوشمند در موضوعات مختلف انجام شده است. از جمله این موارد می توان به موضوعات مربوط به فاضلاب و تصفیهخانه های فاضلاب اشاره نمود. روزبهانی و همکاران - - 1390 کارایی و افزایش آمادگی تصفیه خانه های آب شهری با رویکرد تحلیل ریسک سلسله مراتبی فازی را بررسی نمودند. علی تالشی و همکاران - - 1393 فرآیند تصفیه آب در واحد آزمایشگاه تصفیهخانه بزرگ گیلان را با شبکه های عصبی نوع GMDH، Elman و RBF مدلسازی نموده و نتایج حاصل از مدلسازی با دادههای تجربی مقایسه کردند.
رفعت پور متولی و همکاران - 1393 - عملکرد تصفیه خانه های نیمه مکانیکال از طریق پیش بینی کیفیت پساب خروجی آنها توسط مدل شبکه عصبی بهینه شده با الگوریتم ژنتیک ارزیابی نمودند. داغبندان و همکاران - - 1395 شبکه های عصبی نوع GMDH چند هدفه و شبکه خودباوری بیزین را در پیش بینی کدورت آب تصفیه شده تصفیه خانه آب گیلان به کار گرفتند. مقدم در سال 1395 عملکرد تصفیه خانه میاندوآب را با استفاده از شبکه های عصبی مصنوعی پیش بینی نمود. Pai و همکاران - - 2007 برای پیش بینی پارامترهای کیفی پاب خروجی از تصفیه خانه بیمارستانی در تایوان از هر دو روش شبکه مصنوعی و سیستم فازی استفاده و با استفاده از مشخصه های
pH، دما، املاح جامد و اکسیژن مورد نیاز شیمیایی فاضلاب ورودی، اکسیژن مورد نیاز شیمیایی و املاح جامد فاضلاب خروجی را پیش بینی کردند. Cao و همکاران - 2008 - شبکه عصبی مصنوعی را برای پیشبینی تغییرات پارامترهای یک سیستم بیهوازی به کار بردند. همچنین توانایی شبکه عصبی مصنوعی و منطق فازی در مدل سازی مشخصه های کیفی تصفیه خانه فاضلاب کارخانه کاغذ سازی در چین از سوی Wan و همکاران - - 2011 بررسی شد.
در این مقاله تاثیر تعداد دور آموزشی، تابع عضویت و پارامتر ورودی در دقت پیش بینی اکسیژن مورد نیاز شیمیایی با استفاده از سیستم استتنتاج عصبی-فازی تطبیقی مورد بررسی قرار گرفته است.
مواد و روشها
منطقه مورد مطالعه میاندوآب یکی از شهرستان های استان آذربایجان غربی است که در ناحیه جنوب استان واقع شده است. با توجه به مطالعات
مقدماتی، محل تصفیهخانه فاضلاب حد فاصل جاده دسترسی به روستای حسن کندی و رودخانه زرینه رود انتخاب گردیده است. از پساب تصفیهخانه برای آبیاری کشاورزی و تخلیه به آبهای سطحی استفاده می شود. ارتفاع تقریبی محل تصفیهخانه از دریاهای آزاد 1295 متر می باشد. فرآیند تصفیهخانه لاگون هوادهی اختیاری اختلاط ناقص با هوادههای مکانیکی سطحی می باشد . در این روش فاضلاب پس از اشغالگیری وارد چهار سری برکههای هوازی و غیر هوازی می شود که سه واحد اولیه دارای هواده بوده و واحد آخری به عنوان زلال ساز عمل می کند. پساب خروجی بعد از کلر زنی به رودخانه زرینه رود تخلیه میگردد.
شبکه های عصبی-فازی
ANFIS یک شبکه پیشخور چندلایه میباشد که از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور ترسیم یک فضای ورودی به یک فضای خروجی استفاده میکند. ساختار ANFIS شامل پنج لایه گرههای ورودیٌ، گرههای قاعدهٍ، گرههای متوسطَ، گرههای نتیجهُ و گرههای خروجیِ است. این شبکه میتواند بر اساس یادگیری بانظارت الگوریتم آموزش پیوندی که توسط جانگ ارائه شده، آموزش داده شود؛ بنابراین هدف ما آموزش شبکههای تطبیقی است که قادر به تخمین توابع نامشخص حاصل از اطلاعات آموزش بوده و مقدار دقیقی برای پارامترهای بالا پیدا کنند.
ویژگی متمایزکننده ANFIS فراهم کردن الگوریتم یادگیری پیوندی، روش کاهش شیب و روش حداقل مربعات، به منظور اصلاح پارامترها میباشد. در گذر رو به عقب خطاها رو به عقب گسترش یافته و روش کاهش شیب بهکار گرفته میشود تا پارامترهای غیرخطی مقدماتی یا فرضی - ai,bi,ci - را بهروز کند، در حالی که در گذر روبهجلو روش حداقل مربعات بهکار گرفته میشود تا پارامترهای خطی نتیجه را در لایه چهارم شناسایی کند - مختاری، . - 1393 در شکل یک نمایی از شبکه ANFIS همراه با لایههای مذکور نشان داده شده است.
