ارزیابی تصفیه‎خانه فاضلاب شهر خرمشهر با استفاده از شبکه‎های عصبی و مصنوعی و ماشین‎بردار پشتیبان و امکان استفاده از آن برای مصارف کشاورزی

Subject Areas : Water and Wastewater Engineering

علی ایران فر ¹ , علیرضا نیکبخت شهبازی ² , رضا جلیل زاده ینگجه ³

1 -
2 -
3 -

Received: 2020-11-06 Accepted : 2021-09-14 Published : 2022-01-10

Keywords:

Abstract :

در این تحقیق از شبکه عصبی و مصنوعی و ماشین‎بردار پشتیبان جهت ارزیابی فاضلاب تصفیه‎خانه شهر خرمشهر استفاده شده است. همچنین امکان استفاده فاضلاب این شهر برای مصارف کشاورزی بررسی گردید. در این تحقیق از مقادیر ماهیانه BOD، COD، TS و TSS که مورد نیاز در این پژوهش بودند مورد استفاده قرار گرفت و همچنین از این مقادیر جهت ارزیابی فاضلاب تصفیه­خانه شهر خرمشهر جهت استفاده در مصارف کشاورزی استفاده گردید. کاربرد مدل شبکه عصبی­مصنوعی، برای پیش­بینی کیفیت پساب خروجی تصفیه­خانه­های فاضلاب نیز امکان پذیر می­باشد. مدل منتخب ANN (LM) از دقت مناسبی در تخمین به‎هنگام BOD5 برخوردار بود. به هر حال این مدل در پیش­بینی مقادیر حدی بیشینه از عملکرد ضعیف­تری برخوردار بود. با استفاده از الگوریتم بهینه­سازی جست‎وجوی شبکه دو مرحله­ای، مقادیر بهینه مشخصه­های مدل SVM یعنی ɛ، C و γ به ترتیب معادل 037/0، 13 و 472/1 به دست آمد. در نهایت با توجه به نتایج به دست­آمده در این تحقیق مدل SVM برای پیش­بینی به‎هنگام BOD5  برای تصفیه­خانه شهر خرمشهر توصیه شد. با توجه به نتایج به‎دست آمده از آنالیز کیفی فاضلاب ورودی پساب خروجی تصفیه شده راندمان حذف BOD5 برابر با 88 درصد، COD برابر با 92 درصد، TDS برابر با 70 درصد و حذف TSS برابر با 27 درصد می­باشد. شوری پساب تصفیه­خانه فاضلاب شهر خرمشهر  با مینیم­شوری 208، ماکزیمم 3050 و میانگین 1544 میکروموس بر سانتی­متر اندازه­گیری شد. بنابراین پساب تصفیه­خانه فاضلاب این شهر در گروه C3، آب­های قابل‎قبول قرار دارد. براساس مقدار سدیم پساب خروجی فاضلاب این تصفیه‎خانه برای آبیاری گندم، جو، سویا، انجیر، زیتون، صنوبر و امثال آن‎ها، بر اساس نمودار ویلکاکس هیچ محدودیتی در استفاده از این پساب وجود ندارد.

References:

خادمی‎کیا، س.، حقی‎زاده، ع.، گودینی، ح. و شمس خرم‎آبادی، ق. (1395). ارزیابی عملکرد تصفیه‎خانه فاضلاب خرم‎آباد توسط شبکه هوش مصنوعی، فصلنامه علمی پژوهشی دانشگاه علوم پزشکی لرستان، دوره 18، شماره 3، ص 23-12.

ذوقی، م .ج.، ذوقی، ت. و سعیدی، م .(1389). پیش­بینی غلظت آمونیوم و مواد آلی فاضلاب دفن‎گاه زباله با استفاده از شبکه عصبی­مصنوعی. نشریه آب و فاضلاب، دوره 21، شماره ۲، ص 60-52.

رهبری، ک. (۱۳۹۵). کاربرد شبکه عصبی مصنوعی در ارزیابی کارایی فرایند تصفیه خانه‎های فاضلاب صنعتی مورد مطالعه: تصفیه‎خانه شرکت فولاد خوزستان. دومین کنگره بین‎المللی زمین، فضا و انرژی‎های پاک با محوریت مدیریت منابع طبیعی، کشاورزی و توسعه پایدار، شرکت کیان طرح دانش، 18 اسفند 1395، تهران، ایران.

سیدسراجی، م.، حسنلو، ح.، پازوکی، م. و نایب، ح. (1394). به‎کارگیری روش‎های آماری برای افزایش دقت مدل‎سازی تصفیه خانه‎های فاضلاب صنعتی با استفاده از شبکه‎های عصبی مصنوعی. نشریه بازیافت آب، دوره 2، شماره 2، ص 198-187.

فلاح، م.، فرج زاده، م.، اسلامی، ع. و سلطانی فر، ا. (1394). تلفیق مثلث فولر و شبکه عصبی مصنوعی در مکان­یابی تصفیه­خانه فاضلاب شهرستان ساری با کمک سیستم اطلاعات جغرافیایی. سومین کنگره بین‎المللی عمران، معماری و توسعه شهری، دانشگاه شهید بهشتی، 10-8 دی 1394، تهران، ایران.

قنبری، ن. (۱۳۹۶). مروری بر طبقه‎بندی کننده ماشین‎بردار پشتیبان و کاربردهای آن. اولین کنفرانس بین‎المللی فناوری‎های نوین در علوم، دانشگاه تخصصی فناوری‎های نوین آمل، 16 شهریور 1396، آمل، ایران.

لاله، ن. و سلطانی‎اصل، م. (1396). مدل‎سازی تصفیه­خانه فاضلاب صنعتی برای تخمین TSS پساب خروجی، با استفاده از شبکه عصبی مصنوعی. دوازدهمین سمپوزیوم پیشرفت‎های علوم و تکنولوژی کمیسیون چهارم: سرزمین پایدار یافته­های نوین در مهندسی عمران و محیط‎زیست، موسسه آموزش عالی خاوران، 23 آذر 1396، مشهد، ایران.

میرزایی‎تختگاهی، ح. و قمرنیا، ه. (1396). کیفیت خروجی تصفیه‎‎خانه کرمانشاه برای تخلیه به آب­های سطحی. چهارمین کنفرانس بین المللی برنامه‎ریزی و مدیریت محیط‎زیست، دانشکده محیط‎زیست دانشگاه تهران، 3-2 خرداد 1396، تهران، ایران.

واقعی، ر. و باحجب‎ایمانی، م. ا. (۱۳۹۶). کاربرد شبکه عصبی­مصنوعی در ارزیابی عملکرد تصفیه­­خانه فاضلاب بیرجند. پنجمین کنگره بین‎المللی عمران، معماری و توسعه شهری، 5 دی 1396، تهران، ایران.

 

Gueguim Kana, E.B., Oloke, J.K., Lateef, A. and Adesiyan, M.O. (2012). Modeling and Optimization of Biogas Production on Saw Dust and Other Co-Substrates Using Artificial Neural Network and Genetic Algorithm. Renewable Energy, 46, pp: 276-281.

Guclu, D. and Dursun, S. (2010). Artificial neural network modelling of a large-scale wastewater treatment plant operation. Bioprocess Biosyst Eng, 33 (9), pp: 1051–1058.

Piuleac, C.G., Curteanu, S., Rodrigo, M.A., Sáez, C. and Fernández, F.J. (2013). Optimization Methodology Based on Neural Networks and Genetic Algorithms Applied to Electro-Coagulation Processes. Central European Journal of Chemistry, 11 (7), pp: 1213-1224.

Pendashteh, A.R., Fakhru’l-Razi, A., Chaibakhsh, N., Abdullah, L.C., Madaeni, S.S. and Abidin, Z.Z. (2011). Modeling of Membrane Bioreactor Treating Hypersaline Oily Wastewater by Artificial Neural Network. Hazardous materials, 192 (2), pp: 568-575.

Turan, N.G., Mesci, B. and Ozgonenel, O. (2011). The Use of Artificial Neural Networks (ANN) For Modeling of Adsorption of Cu (II) From Industrial Leachate by Pumice. Chemical Engineering, 171 (3), pp: 1091-1097.