با همکاری انجمن هیدرولیک ایران

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

نوع مقاله : پژوهشی کاربردی

نویسندگان

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

موضوعات

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.
ارسال نظر در مورد این مقاله
نام را وارد کنید.
نشانی پست الکترونیکی را به درستی وارد کنید.
وابستگی سازمانی را به درستی وارد کنید.
توضیحات را وارد کنید (حداقل 50 حرف)
CAPTCHA Image
شناسه امنیتی را به درستی وارد کنید.
دوره 7، شماره 3 - شماره پیاپی 17
بیلان و اهمیت آن
پاییز 1399
صفحه 63-72

  • تاریخ دریافت 25 اسفند 1398
  • تاریخ بازنگری 05 خرداد 1399
  • تاریخ پذیرش 06 خرداد 1399