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
()
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.
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.