مدلسازی تصفیه پساب های صنعتی بر پایه شبکه عصبی مصنوعی و مدل آماری رگرسیون لجستیک

الموضوعات :

سیدرحیم صانعی فرد ¹ , فاطمه قنبری ² , احمد جعفریان ³

1 - گروه ریاضی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.
2 - گروه شیمی، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران.
3 - گروه ریاضی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.

تاريخ الإرسال : 03 الأحد , شعبان, 1443 تاريخ التأكيد : 04 الإثنين , شوال, 1444 تاريخ الإصدار : 14 الخميس , ربيع الثاني, 1446

الکلمات المفتاحية: Water pollution, statistical logistic regression, Mathematical Modeling, Neural Network, hybrid neural network,

ملخص المقالة :

با توجه به اهمیت شناسایی آلاینده های صنعتی و یافتن راهکار هایی برای مدیریت وکنترل آن در جهت حفظ بقا، سلامت انسان و محیط زیست، دسترسی به مدل هایی که بتواند با دقت بالا این مهم را پیش بینی کند نقش مهمی به لحاظ اقتصادی و زمانی دارد. در این تحقیق سه مدل مختلف برای پیش بینی فرایند حذف آلاینده ی مالاشیت سبز با ویژگی جهش زایی و سرطان زایی از پساب های صنعتی ارائه گردیده و یافته های حاصل مقایسه شدند. هدف اصلی در این پژوهش مقایسه دقت مدل های مختلف شبکه عصبی و رگرسیون لجستیک و مدل هوشمند ترکیبی شبکه عصبی مصنوعی و رگرسیون لجستیک (ANN-LR ) جهت پیش بینی درصد حذف آلاینده ی مالاشیت سبز از پسا ب های صنعتی است تا بتوان یکی از آنها را به عنوان روش بهینه انتخاب و استفاده نمود. متغیر های مستقل در هر سه مدل شبکه عصبی، رگرسیون لجستیک و مدل ترکیبی ANN و LR شامل مقداراولیه نانو کامپوزیت پلی آنیلین پوشش داده شده روی خاکستر پوسته گندم (PANI/WHA)، غلظت اولیه مالاشیت سبز، شدت اشعه ی یو وی (UV light) و زمان پرتو افشانی و متغیر وابسته در مدل شبکه عصبی درصد حذف آلاینده ی مالاشیت سبز می باشد. مقایسه ی نتایج پیش بینی، توسط مدل طراحی شده و داده های بررسی شده ثابت می کند که استفاده ازمدل ترکیبی شبکه عصبی مصنوعی و رگرسیون لجستیک روشی ارزشمند برای پیش بینی عملکرد حذف ماده سمّی مالاشیت سبز از پساب های صنعتی با بیشترین بازده وکمترین خطا می باشد.

المصادر:

[1] M. A., BEHNAJADY, N. MODIRSHAHLA and F. GHANBARY, “A kinetic model for the decolorization of C.I. Acid Yellow 23 by Fenton process,” J. of Hazar. Mate., vol.148, no. 3, pp. 98-102, 2007.
[2] N. DANESHVAR, A. R. KHATAEE and N. JAFARZADEH,”The use of artificial neural networks (ANN) for modeling of decolorization of textile dye solution containing C. I. Basic Yellow 28 by electrocoagulation process,” J. of Hazar. Mate., vol 137, no. 4,pp. 1788-1795, 2006.
[3] F. GHANBARY and A. JAFARIAN, “Polyaniline/wheat Husk Ash Nanocomposite Preparation and Modeling Its Removal Activity with an Artificial Neural Network,” Chiang Mai J. of Science, vol. 42, no. 9, pp. 1-12, 2015.
[4] J. WAN, M. HUANG, Y. MA and X.SUN, ”Prediction of effluent quality of a paper mill wastewater treatment using an adaptive network-based fuzzy inference system,” App. Soft Comp., vol. 11, no. 3, pp. 323-34, 2011.
[5] S. POMMIER, D. CHENU, M. QUINTARD and X. LEFEBVRE, “A logistic model for the prediction of the influence of water on the solid waste methanization in landfills,” Biotech. and bioeng., vol. 97, no. 6, pp. 473-482, 2007.
[6] I. MICHAEL, A. PANAGI, L. A. IOANNOU and Z. FRONTISTIS, ”Utilizing solar energy for the purification of olive mill wastewater using a pilot-scale photocatalytic reactor after coagulation-flocculation,” J. of Water res.,vol. 60, no. 7, pp. 28-40, 2014.
[7] H. HONGGUI, and Y. LI, “A fuzzy neural network approach for online fault detection in waste water treatment process,” Comp. & Elec. Eng., vol.40, no.12, pp. 2216-2226, 2014.
[8] M. S. NASR, M. A. MOUSTAFA, H. A. SEIF and G. E. KOBROSY, “Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT,” Alex. Eng. J., vol. 51, no.25, pp. 37-43, 2012.
[9] T. R. NEELAKANTAN and G. M. BRION, “Neural network modelling of Cryptosporidium and Giardia concentrations in the Delaware River,” Water Sci. & Tech. vol. 43, no. 23, pp. 125-132, 2001.
[10] U. GOVINDARAJ and S. RAO, “Artificial neural networks in hydrologic applications,” J. of Hydro. Eng., vol. 52, no. 42, pp. 124-137, 2000.
[11] H. R. MAIER and G. C. DANDY, “Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications,” Env. modelling & soft., vol. 15, no. 12, pp. 101-124, 2000.
[12] J. ZURADA, “Introduction to Artificial Neural Systems,” West Publishing, 1992.
[13] S. HAYKIN, “Neural networks:a comprehensive foundation,” Prentice Hall., New Jersey, USA, 1999.
[14] Y. X. ZHANG, “Artificial neural networks based on principal component analysis input selection for clinical pattern recognition analysis,” Talanta, vol.73, no.8, pp. 68-75, 2007.
[15] F. GHANBARY, N. MODIRSHAHLA, M. KHOSRAVI and M. A. BEHNAJADY, “Synthesis of TiO2nanoparticles in different thermal conditions and modeling its photocatalytic activity with artificial neural network,” j. of Env. sciences, vol. 24, no. 21, pp. 750-756, 2012.

نص كامل:



مدلسازی تصفیه پساب های صنعتی بر پایه شبکه عصبی مصنوعی و مدل آماری رگرسیون لجستیک

 

سید رحیم صانعی فرد1، فاطمه قنبري2 ، احمد جعفریان1
1- دانشیار گروه ریاضی، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران

2- استادیار گروه شیمی، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران

 

چكيده

با توجه به اهمیت شناسایی آلاینده های صنعتی و یافتن راهکار هایی برای مدیریت وکنترل آن در جهت سلامت  و بقای انسان و محیط زیست، دسترسی به مدل هایی که بتواند با دقت بالا این مهم را پیش بینی کند نقش مهمی به لحاظ اقتصادی و زمانی دارد. در این تحقیق سه مدل مختلف برای پیش بینی فرایند حذف آلاینده ی مالاشیت سبز با ویژگی جهش زایی و سرطان زایی از پساب های صنعتی ارائه گردیده و یافته های حاصل مقایسه شدند. هدف اصلی در این پژوهش مقایسه دقت مدل های مختلف شبکه عصبی و رگرسیون لجستیک و مدل هوشمند ترکیبی شبکه عصبی مصنوعی و رگرسیون لجستیک جهت پیش بینی درصد حذف آلاینده ی مالاشیت سبز از پسا ب های صنعتی است تا بتوان یکی از آنها را به عنوان روش بهینه انتخاب و استفاده نمود. متغیر های مستقل در هر سه مدل شبکه عصبی، رگرسیون لجستیک و مدل ترکیبی شامل مقداراولیه نانو کامپوزیت پلی آنیلین پوشش داده شده روی خاکستر پوسته گندم، غلظت اولیه مالاشیت سبز، شدت اشعه ی یو وی و زمان پرتو افشانی و متغیر وابسته در مدل شبکه عصبی درصد حذف آلاینده ی مالاشیت سبز می باشد. مقایسه ی نتایج پیش بینی، توسط مدل طراحی شده و داده های بررسی شده ثابت می کند که استفاده ازمدل ترکیبی شبکه عصبی مصنوعی و رگرسیون لجستیک روشی ارزشمند برای پیش بینی عملکرد حذف ماده سمّی مالاشیت سبز از پساب های صنعتی با بیشترین بازده وکمترین خطا می باشد.

كلمات كليدي

آلاینده صنعتی، مدلسازی، مدل هوشمند ترکیبی، پیش بینی عملکرد

1-       مقدمه

با توجه به اهمیت آب درزندگی بشر و کمبود منابع آب درکشورمان، به منظور تهیه و تأمين آب آشاميدني سالم و بهداشتی نیازمند تصفیه آب های آلوده و پسابهای صنعتی می باشیم. صنایع درحین انجام فعالیت به طورعمدی و یا غیرعمدی موجب ورود آلاینده ها در منابع آبی می شوند. لذا حفظ محیط زیست و توجه به تامین سلامت آن، یکی از نیازهای ضروری امروز جامعه بشری است. رنگزاها، فلزات سنگین و سایرآلاینده های حاصل از پسابهای صنعتی بخش عظیمی از ترکیبات آلی هستند که باعث ایجاد آلودگی در آبهای طبیعی می گردند. بنابراین، فرایند حذف این آلاینده ها از آب و پساب ها امری مهم و ضروری تلقی می گردد [1-2]. پساب صنعت نساجی رنگ های متراکم سمی را به سیستم چرخه ی آب وارد می کنند که اغلب تجدید ناپذیر و مقاوم در برابر روش های تجزیه ی معمولی می باشند [3].

مشکلات مطرح شده باعث شده تا تلاش های زیادی در زمینه حذف این آلاینده ها صورت گرفته و روش های مختلفی جهت حذف آلاینده ها از منابع آبی ارائه گردد. به کار گیری روش هایی برای ترکیب نانوذرات با مواد دیگر(بخصوص پلیمرها) و استفاده از آنها به صورت نانوکامپوزیت ها گامی مثبت در جهت تسریع و افزایش راندمان حذف آلاینده ها از پساب ها به شمارمی رود. استفاده از روش های تجربی به دلیل داشتن پیچیدگی های خاص و افزایش هزینه ی بالا، باعث کاهش قابلیت اطمینان می گردند. قنبری و همکارانش با استفاده از نانوکامپوزیت پلی آنیلین پوشش داده شده بر روی سبوس گندم و مقایسه فعالیت کاتالیستی آن با نانو ذره ی نقره/تیتانیوم دی اکساید حذف آلاینده مالاشیت سبز را در سال 2012 مدلسازی کردند. بررسی ها نشان داد که نانو ذره نقره- تیتانیم دی اکساید نسبت به در حذف مالاشیت سبز از کارایی بهتری برخوردار است [4]. 

محققان در سال2011 کیفیت پساب خروجی کارخانه کاغذ را با استفاده از سیستم استنتاج فازی مبتنی بر شبکه تطبیقی پیش بینی نمودند [6]. جعفریان و همکارانش در سال 2022 با استفاده از ترکیب شبکه های عصبی ترکیبی کیفیت تصفیه ی آب را مدلسازی نمودند [5]. پامیر و همکارانش با استفاده از مدل آماری رگرسیون لجستیک تاثیر آب در مواد زائد جامد را در محل دفن زباله در سال 2007 پیش بینی نمودند[7]. میشل و همکارانش در سال 2014 از انرژی خورشیدی برای تصفیه فاضلاب آسیاب زیتون با استفاده از یک راکتور فوتو کاتالیستی در مقیاس پایلوت پس از انعقاد و لخته سازی استفاده کردند[8]. هنگوئی و همکارانش در سال 2014 روشی برای تشخیص خرابی آنلاین در فرایند تصفیه فاضلاب با استفاده از شبکه عصبی فازی ارائه نموده اند[9]. بنابراین روش های متعدد انجام شده برای حذف آلاینده ها به دلیل گستردگی شرایط، زیاد کار آمد نبوده و بنظر می رسد تکنیک های وابسته به داده های تجربی و پیشرفت آنها برای پیش بینی نتیجه فرایند ها باید واضح و دقیق باشند.

لذا در این پژوهش، برای مدل سازی سیستم از مدل هوشمند ترکیبی برپایه ی شبکه عصبی مصنوعی و مدل آماری رگرسیون لجستیک، که ابزاری توانمند برای مدلسازی سیستم های پیچیده می باشد استفاده شده است. در دهه اخیر بیش از پیش، شبکه های عصبی تاثیرات زیادی روی کاربرد مسائل صنعتی از قبیل فرایندهای غیرخطی، ردیابی و مونیتور نمودن خطا، فرایند کنترل و بهینه سازی داشته اند. از شبکه های عصبی در مدل سازی و شبیه سازی سیستم های غیرخطی و همچنین برای مدل سازی تصفیه خانه فاضلاب استفاده شده است [10-11] که پیش بینی بهتری از عملکرد فرایند، به همراه کاربردی با دقت بالا، در مهندسی زیست محیطی ارائه می دهند [12-14]. هر چند که بایستی اذعان کنیم گر چه از ایجاد سیستمی شبیه مغز انسان از دیدگاه مهندسی خیلی دور هستیم، با این حال شبکه های عصبی مدل ساده شده ی سیستم عصبی بیولوژیکی است که اولین بار در سال 1943میلادی توسط مک کلاث و پیتز کشف گردید و اولین شبکه عصبی با بکار گیری چند نورون ساده تهیه شد که قدرت محاسباتی قابل توجهی داشت [15].

دهه های50 و 60 میلادی سال های طلایی شـبکه های عصبی می باشد. در محدوه ی سالهای 1958 تا 1962 روزن بلات گروه بزرگی از شبکه های عصبی به نام پرسپترون را معرفی نمود. با وجود انعطاف مناسب، ازدیاد تعداد متغیر ها، تعداد نورون ها و یا افزایش تعداد لایه ها در شبکه عصبی مصنوعی می توانند سبب پیچیدگی ساختار شبکه عصبی و ناپایداری آن گردند که یکی از دلائل آن افزایش تعداد وزن ها نسبت به ورودی ها می باشد[16]. از طرفی در مواردی متغیرها از همبستگی بالائی برخوردارند که استفاده از همه ی آنها نوعی ورود اطلاعات تکراری را به همراه دارد [17]. که این موارد می توانند از یافتن مدل های بهینه جلوگیری کنند. لذا با توجه به اهمیت مسئله کمبود آب، در مقاله حاضر برای رفع این مشکل ازمدل هیبریدی که یک رویکرد جدید بر پایه ساختار ترکیبی شبکه های عصبی پرسپترون چند لایه و مدل آماری رگرسیون لجستیک می باشد، به منظور تخمین بازده حذف ماده رنگزای مالاشیت سبز در پساب های صنعتی، جهت جلوگیری از آلودگی آب ها و حفظ محیط زیست استفاده شده است. در بین فرایندهای مختلف جداسازی در تصفیه آب و پساب، فرایند استفاده از نانوکامپوزیت پلی آنیلین به دلیل راندمان بالا و هزینه های اولیه و عملیاتی پایین نسبت به سایر روش های جداسازی از جایگاه ویژه ای برخوردار است. برای بررسی فرایند حذف مالاشیت سبز، ازمقدار اولیه پلی آنیلین بر پایه خاکستر پوسته گندم، غلظت اولیه مالاشیت سبز، شدت اشعه ی یو وی و زمان پرتو افشانی به عنوان اجزاء ورودی استفاده شده است. در این پژوهش ابتدا با استفاده از بطور مستقیم پیش بینی حذف آلاینده ی از پساب ها بررسی شده سپس با استفاده از مدل آماری مورد بررسی قرار گرفته شده و در نهایت مسئله با مدل هیبریدی بررسی شده و در آخر توانایی دقت این مدل ها جهت پیش بینی فرایند تصفیه پساب های صنعتی مورد ارزیابی قرار گرفته است. نتایج شبیه سازی نشان دهنده ی تطابق بسیار خوب بین داده های تجربی و نتایج حاصل از روش ترکیبی و می باشد. بر این اساس با مقایسه ی خروجی های حاصل از روش هوشمند ترکیبی با خروجی های واقعی بهترین روش به عنوان ابزاری توانمند جهت پیش بینی صحیح عملکرد تصفیه پساب ها مورد استفاده قرار گرفته است.

 2- مواد و روش ها

1-2- شبکه عصبی پرسپترون چند لایه (MLP)

ساختار شبکه عصبی در مقالات پیشین به طور کامل بررسی شده است [18-19] از پرکاربرد ترین شبکه های عصبی، شبکه های پرسپترون هستند، این شبکه ها قادرند با انتخاب مناسب تعداد لایه ها و سلول های عصبی، یک نگاشت غیر خطی را به دقت انجام دهند. این شبکه شامل سه لایه ی ورودی، پنهان و خروجی است، تعداد نورون های موجود در لایه های ورودی و خروجی با توجه به ماهیت مسئله ی مورد بررسی، مشخص می شود، حال آنکه تعداد نورون های موجود در لایه های پنهانی و همچنین تعداد این لایه ها با نظر طراح شبکه به روش سعی و خطا در جهت کاهش مقدار خطا مشخص می گردد. در خروجی هرنورون از شبکه  یک تابع خطی قراردارد و فرایند یادگیري درتمام نورون ها و لایه ها صورت می گیرد. در صورت کافی نبودن تعداد نورون ها در لایه پنهان، شبکه قادر نخواهد بود نگاشت دقیقی بین بردارهاي ورودي و خروجی ایجاد کند. مقادیر اولیه وزن ها به صورت اتفاقی در نظرگرفته شده اند. همه وزن ها و بایاس هایی که در شبکه قرار دارند در طول فرایند یادگیري قابل تغییر هستند.

این شبکه بر مبنای الگوریتم پس انتشار خطا آموزش می بیند. بدین ترتیب که خروجی های واقعی با خروجی های دلخواه مقایسه می شوند، و وزن ها به وسیله ی الگوریتم پس انتشار، به صورت تحت نظارت تنظیم می گردند تا الگوی مناسب به وجود آید. برای الگوی ورودی p  ام، مربع خطای خروجی برای تمامی سلول های لایه ی خروجی شبکه به صورت زیر می باشد[16]  .

 

که در آن  خروجی دلخواه برای j امین سلول در لایه خروجی و  خروجی واقعی برای j  امین سلول در لایه خروجی ، S  ابعاد بردار خروجی ،   بردار خروجی واقعی و  بردار خروجی دلخواه هستند خطای کل E برای p الگو بصورت زیر در می آید. 

 

وزن ها با هدف کاهش تابع هزینه به مقدار مینیمم به روش گرادیان نزولی تنظیم شده و روند یادگیری هنگامی متوقف می شود که مجموع کل خطا برای p الگو ازمقدار آستانه ی تعیین شده کمتر شود یا تعداد کل دوره های تعلیم به پایان رسد [16]. در این تحقیق از مجموعه ی داده های آماری بدست آمده، داده های ورودی بطور تصادفی به سه مجموعه به شرح فوق تقسیم شده اند:

الف - 70% داده ها در مجموعه ی داده های آموزشی.

ب - 10% داده ها در مجموعه ی داده های اعتبار سنجی یا داده های ارزیابی در راستای بیش برازش شبکه.

ج - 20% داده ها در مجموعه ی آزمایش یا تست برای بررسی کارآیی شبکه ی نهایی.

در این تحقیق تعداد مختلفی از نورون های 5 تا40 عددی در لایه پنهان و یک نورون در لایه خارجی استفاده شدند. ماکزیمم تعداد مراحل تکرار 500 مرتبه و مقدار خطای هدف برابر  تنظیم گردیده است. همچنین از میانگین مربعات خطا و جذر میانگین مربعات خطا به عنوان  خطای عملکرد استفاده شده است. که با توجه به رابطه زیر، عملکرد شبکه ارزیابی می شود.

                                  

که در آن   و   به ترتیب شاخص های ارزیابی شده متغیر عملکرد و مقدار پیش بینی شده و N تعداد کل داده هاست.

                                                                                                                                                                                                   2-2-رگرسیون

  در مدل های آماری، تحلیل رگرسیون یک فرآیند آماری برای تخمین روابط بین متغیرها می باشد. تحلیل رگرسیونی فن و تکنیکی آماری برای بررسی و مدل‌سازی ارتباط بین متغیر وابسته و متغیر مستقل بوده و هدف آن پیش بینی متغیر وابسته با توجه به متغیر های مستقل می باشد. مهم‌ترین تفاوت رگرسیون و هم بستگی در این است که رگرسیون ماهیت پیش‌بینی میزان متغیر وابسته از روی مدلی که متغیر مستقل یکی از مولفه‌های آن است را دارد. در حالی که هم بستگی صرفا نشان‌دهنده شدت رابطه متغیر های مستقل و وابسته می‌باشد [20].

رگرسیون تقریباً در هر زمینه‌ای از جمله مهندسی، فیزیک، اقتصاد، مدیریت، علوم زیستی، بیولوژی و علوم اجتماعی برای برآورد و پیش‌بینی مورد نیاز است [21]. در مباحث مربوط به رگرسيون اغلب بحث بر سر يافتن رابطه‌اي بين متغير پاسخ y و مجموعه‌اي از متغيرهاي پيشگوي xi  است كه مي توان آن را به صورت يك معادله رياضي بيان كرد.

 

2-2 -1 - مدل آماری رگرسیون لجستیک

در این پژوهش هدف رگرسیون لجستیک یافتن بهترین مدل برای تشریح روابط موجود بین  مجموعه ی متغیر های مستقل شامل مقدار PANI/WHA، غلظت MG، تراکم اشعه UV و زمان پرتو افشانی و متغیر وابسته می باشد که این متغیر، یک متغیر اسمی بصورت وجود آلودگی و یا عدم وجود آلودگی در خروجی حاصل از پساب های صنعتی می باشد.

در این تحقیق عدد یک برای حذف ماده سمی مالاشیت سبز از پساب ها به میزان بیش از 70% به عنوان احتمال خروجی مطلوب و عدد صفر برای کمتر از 70% به عنوان احتمال خروجی نامطلوب در نظر گرفته شده است.

فرم کلی معادله رگرسیون لجستیک دو وجهی به صورت زیر می باشد :

 

 که در آن :  

 P: احتمال وقوع (در این تحقیق احتمال وجود آلودگی ) ،   :متغیر های مستقل و  (i=1,2,…..,n)  : ضرایب تعیین شده برای مدل توسط رگرسیون می باشد.

 

 

3-2- روش پیشنهادی (ترکیب شبکه عصبی مصنوعی با رگرسیون لجستیک )

در ابتدا پارامترهای مورد نیاز آزمایشگاهی معرفی شده است (رجوع به جدول 1). سپس با اعمال رگرسیون لجستیک و تحلیل آماری پارامتر های موجود و تعیین تاثیر هر یک از آنها بر روی خروجی ارزش اهمیت داده ها مشخص شده و احتمال خروجی به ازای هر یک از قوانین (ورودی های شبکه عصبی) مشخص شده است. روش پیشنهادی، پیش بینی دقیق تر و با خطای کمتری از آلوده بودن و یا عدم آلودگی آب خروجی حاصل از روند تصفیه پساب را ارائه می دهد. در ادامه نتایج حاصل از رگرسیون لجستیک بر روی شبکه عصبی اعمال شده و بر روی عملکرد آموزش شبکه عصبی تاثیر بسزایی گذاشته است. نتایج حاصل از شبکه عصبی و ترکیب آن با رگرسیون لجستیک در بخش 3 مورد بحث قرار گرفته شده است.  

 3-2- 1- مدل شبکه عصبی ترکیبی

مدل شبکه عصبی استفاده شده در این تحقیق، شبکه پرسپترون چند لایه می باشد که توسط الگوریتم کاهش شیب10که پس انتشار نامیده می شود آموزش می بیند[22]. که شامل یادگیری با ناظر می باشد. در این پژوهش به منظور کاهش خطا و افزایش دقت، از مدل هیبریدی شبکه عصبی مصنوعی و مدل آماری رگرسیون لجستیک جهت پیش بینی حذف آلاینده ی مالاشیت سبز از پساب های صنعتی استفاده شده است.

در حالت کلی در ایجاد مدل های هیبریدی دو هدف زیر را در نظر می گیریم:

هدف اول: استفاده از مدل های آماری در انتخاب متغیر های ورودی برای مدل شبکه عصبی

هدف دوم: استفاده از خروجی بصورت احتمال بر آورد، به عنوان یک ورودی برای مدل شبکه عصبی

در صورتی که تعداد متغیر ها بیش از حد زیاد باشند و یا تعداد نورون ها و لایه های استفاده شده در شبکه عصبی زیاد باشند مدل شبکه های عصبی به دلیل صرف زمان زیاد برای انتخاب و پردازش متغیر ها دچار مشکل می گردند، لذا با ترکیب مدل های آماری و مدل شبکه عصبی می توان این مشکلات را به روش های زیر کاهش داد.

1 – استفاده از مدل های آماری در پیش انتخاب متغیر ها11 که باعث کاهش خطر و ریسک انتخاب بیش از ظرفیت و نیز کاهش زمان صرف شده برای انتخاب مدل می شود.

2- استفاده از خروجی یک مدل آماری به عنوان ورودی یک مدل شبکه عصبی مصنوعی بطور موثری اطلاعات را متراکم نموده و به متغیرهای پتانسیل اجازه عمل می دهد.              

در شکل زیر شمای کلی مدل شبکه عصبی هیبریدی نمایش داده شده است. طبق شکل (1) فرایند مدل هیبریدی رگرسیون لجستیک و شبکه عصبی مصنوعی شامل مراحل زیر می باشد:

مرحله اول: ورودی ها  ها به همراه y، همان خروجی مورد نظر وارد مدل آماری LR می شود.

مرحله دوم: با پردازش داده ها توسط مدل LR، اطلاعات بصورت جدول شماره 2 به همراه ضرایب تخمین (B) بدست می آید.

مرحله سوم: ضرایب تخمین به همراه ورودی ها  وارد تابع Mnrval  شده و خروجی ها بصورت احتمال مطلوب یا نامطلوب مشخص می شود .

مرحله چهارم: ورودی ها به همراه خروجی مدل آماری LR وارد شبکه عصبی شده و خروجی شبکه هیبریدی را نتیجه می دهد . 

بنابراین برای اجرای مدل هیبریدی از داده های پردازش شده توسط LR و خروجی مدل آماری بعنوان ورودی های شبکه عصبی طبق نمودار زیر استفاده می شود.

 

                شکل 2-شمای کلی مدل شبکه عصبی هیبریدی

 

3- بحث و نتایج

1-3- آماده سازی داده ها

پیش بینی حذف آلاینده ی مالاشیت سبز از پساب های صنعتی با استفاده از نانو کامپوزیت پلی آنیلین بر پایه ی خاکستر سبوس گندم ، به صورت تجربی مورد بررسی قرار گرفته است ]11[. این نانوکامپوزیت توسط پرتو افشانی اشعه ایکس و اسکن میکروسکوپ الکترونی مورد تحلیل و بررسی قرارگرفته است. میزان حذف آلاینده، به مقدار اولیه نانوکامپوزیت پلی آنیلین، غلظت اولیه مالاشیت سبز، شدت اشعه ی یو وی و زمان پرتو افشانی بستگی دارد. مقدار اولیه نانوکامپوزیت، غلظت اولیه، شدت اشعه ی UV و زمان پرتو افشانی به عنوان متغیرهای ورودی و درصد حذف آلاینده ی MG، به عنوان متغیر خروجی درنظر گرفته شده است. متغیر های تحقیق در جدول ( 1 ) خلاصه شده اند.

جدول 1- متغیر های تحقیق

 

2-3-  نتایج حاصل از شبکه عصبی مصنوعی

عملکرد حذف MG  توسط نانو کامپوزیت با استفاده از مدل  بصورت اعمال سه لایه شبکه عصبی با 40 نورون در لایه اول و 14 نورون در لایه دوم و یک نورون در لایه آخر و بکارگیری الگوریتم پس انتشار خطا پیش بینی شد.

برای آموزش شبکه از تابعtrainlm  استفاده شده است. بدین منظور یک شبکه feedforward ایجاد کرده با فراخوانی تابعnewff  یک شبکه سه لایه، با تابع انتقال در لایه های پنهان یک و دو، و تابع انتقال خطی درلایه خروجی ایجاد شده است. برای ارزیابی کارائی و دقت این مدل از ضریب رگرسیون و میانگین مربعات خطاها استفاده شده است. تمام محاسبات مدل شبکه عصبی توسط نرم افزار 2013b.MATLAB 8.2  با استفاده از نوار ابزار ANN بدست آمده اند، روال آموزش در صورتی که خطای مجموعه ارزیابی در 20 تکرار متوالی افزایش یابد، متوقف می شود. این توقف در تکرار 155 رخ داده است. باکلیک روی کلید در پنجره آموزش، نمودار مربوط به خطا های آموزشی، ارزیابی و آزمایشی رسم می شود این نمودار در شکل (2) نمایش داده شده است. همانطور که در نمودار ملاحظه می شود خطای میانگین مربعات شبکه از یک مقدار بزرگ آغاز شده و رفته رفته کاهش می یابد. نمودار شامل سه منحنی کاهش خطا می باشد، که داده های آموزش با منحنی آبی رنگ و داده های آزمایش با منحنی قرمز و داده های اعتبارسنجی با منحنی سبز نمایش داده شده اند و نمودار منحنی ها نشانگر آن هستند که خطای مجموعه ارزیابی با خطای مجموعه آزمایشی و مجموعه آموزشی دارای رفتار و خصوصیات مشابهی است. و بهترین کارایی در تکرار135 با میانگین مربعات خطای 044/0حاصل شده است.

 

شکل 2- نمودار عملکرد کارایی شبکه عصبی(میانگین مربعات شبکه)

 

برای انجام تحلیل روی عکس العمل شبکه برای حذف مالاشیت سبز در پساب توسط PANI/WHA برای هر سه دسته آموزشی، ارزیابی و آزمایشی با کلیک بر روی کلید Regression در پنجره آموزش نمودارهای زیردر شکل (3) حاصل شده اند.

همانطور که مشاهده می شود با حداکثر مقدار ضریب رگرسیون (R = 1) خروجی مجموعه های آموزشی، ارزیابی و تست بر روی هدف منطبق شده اند. نتایج حاصل نشانگر این است که ارتباط خوبی بین نتایج هر سه دسته آموزشی، ارزیابی و آزمایشی وجود دارد.

 

شکل 3- نمودارهای رگرسیون شبکه

 

شکل4 نمودار هیستو گرام خطای حاصل از عملکرد شبکه عصبی جهت حذف آلاینده ی مالاشیت سبز برای سه مجموعه داده های آموزشی، اعتبار سنجی و تست را نشان می دهد. اکثر خطا ها بین 06712/0 و 02036/0-  قرار دارند.

 

شکل4 -  هیستوگرام مقادیر خطای حاصل از شبکه عصبی مصنوعی ساده

3-3- نتایج حاصل از رگرسیون لجستیک

در این تحقیق هدف یافتن احتمال وجود آلودگی یا عدم وجود آلودگی در خروجی تصفیه پساب های صنعتی می باشد، لذا مدلسازی تصفیه با استفاده از رگرسیون لجستیک انجام شده است.

این پژوهش از لحاظ روش، یک پژوهش از نوع همبستگی است. در برازش رگرسیون لجستیک از شیوه ی گام به گام پیشرو استفاده شده و معنی داری ضرایب رگرسیون از طریق تابع حداکثر درستنمایی و آزمون والد سنجیده شد. تابع درستنمایی یک روش برای آزمون معنی داری ضرایب مدل رگرسیون است. مقایسه ی مقدار مشاهده شده با مقادیر پیش بینی شده با استفاده از تابع درستنمایی صورت می گیرد و آزمون والد یکی از راه هایی است که معمولا برای آزمون معنی داری ضرایب در رگرسیون لجستیک به کار برده می شود.

رگرسیون لجستیک یکی از ابزارهاي آماري است که به منظور مدل سازي و تحلیل داده ها از آن استفاده می شود. رگرسیون لجستیک داراي شکل کلی زیر است:

Range	Variable
	Input Layer
0.1 – 1.5	initial dosage(g/L)
1 – 12	initial  concentration (mg/L)
8.3 – 40.6	light intensity (W/m2)
0 -200	Irradiation time (min)
	Output Layer
0 – 100	Y=Removal of MG (%)

X بردار متغیرهاي مستقل شامل مقدار اولیه نانوکامپوزیت، غلظت اولیه، شدت اشعه و زمان پرتو افشانی می باشد و β بردار ضرایب تخمین می باشد. همچنین p  احتمال پیامد یا وقوع است. در جدول 2 متغیر ها به همراه ضرایب تخمین و ارزش متغیر های ورودی، ارزش آماره آزمون و انحراف استاندارد خروجی قابل استفاده از تصفیه پساب در مقابل خروجی غیر قابل استفاده نشان داده شده است.

جدول 2 – ضرایب تخمین و احتمال خروجی قابل استفاده در مقابل خروجی غیر قابل استفاده از تصفیه پساب  

()

شکل 5 نمودار ضرایب تخمین خروجی قابل استفاده از تصفیه پساب درمقابل خروجی غیر قابل استفاده را نشان می دهد. در شکل 6، محور افقی، پارامتر های موجود (4 پارامتر ذکر شده در جدول 1) و محور عمودی، بیانگر ارزش اهمیت هر یک از آنها بر روی خروجی قابل استفاده از تصفیه پساب در مقابل خروجی غیر قابل استفاده را نشان می دهد.

متغیرها	B	SE	p-value	t-value
initial dosage(g/L)	6.9813	2.6606	0.0087	2.6239
initial  concentration (mg/L)	-3.0221	76.6987	0.9686	-0.0394
light intensity (W/m2)	0.0344	0.02302	0.1352	1.4937
Irradiation time (min)	0.0250	0.0079	0.0015	3.1779

شکل 5- نمودار ضرایب تخمین

شکل6- ارزش اهمیت پارامترهای موجود

4-3- نتایج حاصل از روش پیشنهادی

با اعمال ورودی های معرفی شده در جدول (1) به مدل ترکیبی شبکه عصبی و رگرسیون لجستیک با استفاده از نرم افزارMATLAB  نمودار های زیر حاصل شده است. در شکل 7 ( نمودار عملکرد مدل ترکیبی) نحوه کاهش خطا با تعداد تکرار ها و مجموع مربعات خطا نشان داده شده است. با توجه به نمودار ملاحظه می شود که مقدار خطای میانگین مربعات نهایی کوچک بوده و بهترین کارایی در مورد مجموعه ارزیابی در تکرار 18 رخ داده است و در مقایسه با نمودار شکل 4 واضح است که روند کاهش خطا در شکل 9 بهتر از نمودار شکل 4 می باشد و مدل ترکیبی، خطای بسیار کمتری نسبت به روش ساده شبکه عصبی دارد.

 

شکل 7-  نمودار عملکرد مدل ترکیبی شبکه عصبی با رگرسیون لجستیک

 

شکل 8 نمودار رگرسیون حاصل از مدل ترکیبی شبکه عصبی مصنوعی با مدل رگرسیون لجستیک را برای داده های آموزش، تست، اعتبار سنجی و کل داده ها نشان می دهد. طبق نمودار ملاحظه می شود که خروجی مجموعه های آموزشی، ارزیابی و تست به خوبی بر روی بردارهای هدف منطبق شده اند. همچنین نمودار های شکل 8 در مقایسه با  نمودار های رگرسیون شکل 3 عملکرد بهتری را نشان می دهند. 

 

شکل 8-  رگرسیون های حاصل ازمدل ترکیبی شبکه عصبی با رگرسیون لجستیک

 

شکل  9نمودار هیستوگرام مقادیر خطا ی حاصل از ترکیب شبکه عصبی با رگرسیون لجستیک را  بصورت نمودار میله ای نشان می دهد. میله آبی رنگ نشان دهنده ی داده های آموزشی، میله سبز رنگ نشان دهنده ی داده های اعتبار سنجی و  میله قرمز رنگ نشان دهنده ی داده های تست می باشد.  همان طور که مشاهده می کنید بسیاری از خطاها بین و  قرار دارند، با اینکه دو نقطه خطای آزمایش در ۰۰۰۱۴/۰ و ۰۰۰۱۴۳/۰ و دو نقطه خطای اعتبار سنجی در  و  وجود دارد. که نشان دهنده ی پیش بینی خطای خیلی پائین مدل هیبریدی نسبت به خطای ملاحظه شده در نمودار هیستوگرام حاصل از شبکه عصبی ساده می باشد.

 

شکل 9 - هیستوگرام خطای پیش بینی مدل ترکیبی شبکه عصبی با رگرسیون لجستیک

4- نتیجه گیری

    در این پژوهش با استفاده از رگرسیون لجستیک ابتدا ارزش اهمیت هر یک از متغیرها مشخص شده و بیشترین عامل تاثیر گذار بر پیش بینی حذف آلاینده ی مالاشیت سبز، غلظت اولیه همین ماده پیش بینی شده است. همچنین عملکرد حذف MG توسط نانو کامپوزیت PANI/WHA با استفاده از مدل  ANNبصورت اعمال سه لایه شبکه عصبی با 40  نورون در لایه ی اول، 14 نورون در لایه ی دوم، یک نورون در لایه ی آخر و بکارگیری الگوریتم پس انتشار خطا پیش بینی شد.

که با توجه به تعداد زیاد نورون ها و لایه های استفاده شده در این مدل، شبکه از پیچیدگی زیادی برخوردار می باشد در صورتی که در مدل ترکیبی با استفاده از تعداد نورون کمتر، (شامل 10 نورون ) و دو خروجی از پیچیدگی شبکه کاسته شده و کارایی بهتری حاصل شده است. لذا با استفاده از مدل های ترکیبی می توان از صرف زمان زیاد برای انتخاب و پردازش متغیر ها ممانعت نمود. 

در ضمن برای بررسی کارایی این مدل ها با هدف حذف آلاینده یMG  از پساب ها، طبق نمودارهای بدست آمده در شکل های 4 و 9 ملاحظه می شود که میزان خطای مدل شبکه عصبی برابر 04/0 و میزان خطای مدل ترکیبی برابر  می باشد.

لذا نتایج حاصل از مقایسه ی پیش بینی مدل ها، تاییدکننده برتری مدل شبکه های عصبی ترکیبی نسبت به شبکه عصبی ساده و مدل آماری رگرسیون لجستیک می باشد. این تفاوت را می توان به ویژگی مربوط به مدل ترکیبی در شناخت اثرات متقابل متغیرها و شناسایی الگوهای موجود در داده ها، خطای کمتر و دقت بیشتر توجیه نمود. همچنین با استفاده از مدل هوشمند ترکیبی می توان قسمت اعظم مشکلات بهره برداری تصفیه خانه های فاضلاب، از قبیل عدم حضور دائم نیروی متخصص در محل، عدم امکان پیش بینی وضعیت پساب ورودی و خروجی را مرتفع کرد. لذا مدل هیبریدی به عنوان یک تکنولوژی پیشرفته و یک روش بهبود بخش برای افزایش دقت پیش بینی کنترل هوشمند فرایند تصفیه پساب های صنعتی کاربرد دارد. همچنین با بکارگیری این طرح می‌توان از هزینه‌های گزافی که صنایع ‏مختلف برای تصفیه پساب‌های خود می پردازند، جلوگیری نمود.

 

منابع

 

[1] MODIRSHAHLA, N., BEHNAJADY, M. A. & GHANBARY, F. 2007. Decolorization and mineralization of C.l. Acid Yellow 23 by Fenton and photo-Fenton processes. Dyes and pigments 73, 305-310.

[2] BEHNAJADY, M. A., MODIRSHAHLA, N. & GHANBARY, F. 2007. A kinetic model for the decolorization of C.I. Acid Yellow 23 by Fenton process. Journal of hazardous materials, 148, 98-102.  

[3] MURUGANANDHAM, M. & SWAMINATHAN, M. 2003. Photochemical oxidation of reactive azo dye with UV/H2O2 process. Dyes and pigments, 62, 269-275.

 

[4] GHANBARY, F. & JAFARIAN, A. 2015. Polyaniline/wheat Husk Ash Nanocomposite Preparation and Modeling Its Removal Activity with an Artificial Neural Network Chiang Mai Journal of Science, 42, 1-12.

5- جعفریان، ا.، قنبری، ف.، صانعی فرد، ر.1400. مدلسازی کیفیت تصفیه ی آب و فاضلاب با استفاده از شبکه های عصبی ترکیبی. پژوهش های نوین در ریاضی، 34، 62-51

[6] WAN, J., HUANG, M., MA, Y. & SUN, X. 2011. Prediction of effluent quality of a paper mill wastewater treatment using an adaptive network-based fuzzy inference system. Applied Soft Computing 11, 3238-3246.

[7] POMMIER, S., CHENU, D., QUINTARD, M. & LEFEBVRE, X. 2007. A logistic model for the prediction of the influence of water on the solid waste methanization in landfills. Biotechnology and bioengineering 97, 473-482.

[8] MICHAEL, I., PANAGI, A., IOANNOU, L. A. & FRONTISTIS, Z. 2014. Utilizing solar energy for the purification of olive mill wastewater using a pilot-scale photocatalytic reactor after coagulation-flocculation. Journal of Water research 60, 28-40.

[9] HONGGUI, H. & LI, Y. 2014. A fuzzy neural network approach for online fault detection in waste water treatment process. Computers & Electrical Engineering 40, 2216-2226.

[10] Yingyi, Ch., Lihua,S.,Yeqi, L., Ling, Y. & Daoliang, L. 2020. A Review of the Artificial Neural Network Models for Water Quality Prediction. Applied Siences 10 (17), 1-49 

 [11] NASR, M. S., MOUSTAFA, M. A. E., SEIF, H. A. E. & KOBROSY, G. E. 2012. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT. Alexandria engineering journal 51, 37-43.

[12] NEELAKANTAN, T. R. & BRION, G. M. 2001. Neural network modelling of Cryptosporidium and Giardia concentrations in the Delaware River, USA. Water Science & Technology 43, 125-132.

[13] MAIER, H. R. & DANDY, G. C. 2000. Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental modelling & software 15, 101-124.

[14] GOVINDARAJ, U. & RAO, S. 2000. Artificial neural networks in hydrologic applications. Journal of Hydrologic Engineering, 52, 124-137.

[15] ZURADA, J. 1992. Introduction to Artificial Neural Systems. West Publishing.

[16] HAYKIN, S. 1999. Neural networks:a comprehensive foundation. Prentice Hall., New Jersey, USA.

[17] ZHANG, Y. X. 2007. Artificial neural networks based on principal component analysis input selection for clinical pattern recognition analysis. Talanta, 73, 68-75.

[18] GHANBARY, F., MODIRSHAHLA, N., KHOSRAVI, M. & BEHNAJADY, M. A. 2012. Synthesis of TiO2nanoparticles in different thermal conditions and modeling its photocatalytic activity with artificial neural network. journal of Environmental sciences, 24, 750-756.

 [19] DANESHVAR, N., KHATAEE, A. R. & JAFARZADEH, N. 2006. The use of artificial neural networks (ANN) for modeling of decolorization of textile dye solution containing C. I. Basic Yellow 28 by electrocoagulation process. Journal of Hazardous Materials, 137, 1788-1795.

[20] Ruczinski, I., Kooperberg, Ch. & Leblanc, M. 2003. Logic Regrassion. Journal of Computational and Graphical Statistics, 12,475-511.

[21] Marian, F., Piotr, C., Sławomir, B., Bogusław, R. & Mirosław K. 2022. Animals, 529, 2-11.

[22] Rumelhart, E. David, E. Geoffrey Hinton, and Ronald J. Williams. 1985.  Learning internal representations by error propagation. No. ICS-8506, 1-49.

10

 

---