Evaluation of Khorramshahr wastewater treatment plant using neural and artificial networks and support vector machine and the possibility of using it for agricultural purposes
محورهای موضوعی : Water and Wastewater Engineeringعلی ایران فر 1 , علیرضا نیکبخت شهبازی 2 , رضا جلیل زاده ینگجه 3
1 -
2 -
3 -
کلید واژه: Artificial Neural Network, شبکه عصبی مصنوعی, Tss, BOD, فاضلاب, wastewater, COD, Treatment Plant, TS, تصفیهخانه,
چکیده مقاله :
In this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly values of BOD, COD, TS and TSS that were required in this study were used and also these values were used to evaluate the wastewater of Khorramshahr treatment plant for use in agriculture. The application of artificial neural network model is also possible to predict the quality of effluent from wastewater treatment plants. The selected ANN (LM) model had good accuracy in estimating BOD5. However, this model had poorer performance in predicting maximum values. Using a two-stage network search optimization algorithm, the optimal values of the characteristics of the SVM model, namely ɛ, C and γ, were obtained as 0.037, 13 and 1.472, respectively. Finally, according to the results obtained in this study, the SVM model was recommended for BOD5 time prediction for Khorramshahr refinery. According to the results obtained from the qualitative analysis of treated wastewater, effluent from BOD5 removal is equal to 88%, COD is equal to 92%, TDS is equal to 70% and TSS removal is equal to 27%. Khorramshahr wastewater treatment plant effluent salinity was measured with a minimum salinity of 208, maximum 3050 and an average of 1544 micromoles per centimeter. Therefore, the effluent of the city's wastewater treatment plant is in group C3, acceptable water. Based on the amount of sodium in the effluent of the treatment plant for irrigation of wheat, barley, soybeans, figs, olives, poplar and the like, according to the Wilcox diagram, there are no restrictions on the use of this effluent.
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.
