به کارگیری روش های آماری برای افزایش دقت مدلسازی تصفیه خانه های فاضلاب صنعتی با استفاده از شبکه های عصبی مصنوعی

نوع مقاله : مقاله علمی

نویسندگان

1 تهران، دانشگاه شهید بهشتی، دانشکدة آب و محیط زیست، گروه مهندسی منابع آب

2 تهران، دانشگاه تهران، دانشکدة محیط زیست، گروه مهندسی محیط زیست

3 تهران، دانشگاه شهید بهشتی، دانشکدة آب و محیط زیست، گروه مهندسی محیط زیست

چکیده

به منظور کنترل بهتر و کارآمد عملکرد تصفیه خانه های فاضلاب صنعتی، می توان از ابزاری ریاضی برمبنای اطلاعات ثبت شدة برخی از پارامترهای اساسی پساب، طی دوره ای از بهره برداری تصفیه خانه استفاده کرد. در این پژوهش، برای اولین بار در کشور از شبکة عصبی چندلایة پیش خور با یک لایة پنهان و روش توقف آموزش، به منظور بررسی مشخصات پساب خروجی واحدهای تصفیه خانه استفاده شده است. همچنین، از روش تحلیل عاملی برای اصلاح و ارتقای عملکرد مدل های ترکیبی ایجادشده از طریق شبکة عصبی و تکنیک تحلیل مؤلفه های اصلی استفاده شده است. این تحلیل یکی از روش های آماری است که برای تجزیة اطلاعات موجود در مجموعة داده ها و تعیین تأثیرگذارترین متغیرها در هنگام زیادبودن تعداد متغیرهای مورد بررسی و ناشناخته بودن روابط بین آن ها استفاده می شود. به منظور ارزیابی عملکرد مدل ها از شاخص های مجذور میانگین مربع خطاها (RMSE)، میانگین مطلق خطا (MAE) و ضریب همبستگی پیرسون (R) استفاده شده است. مقادیر R به دست آمده از مدل ها که در بازة 0/8 تا 0/94 قرار دارند، نشان دهندة دقت مناسب آن در برآورد مشخصات کیفی فاضلاب است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Application of Statistical Techniques In Order To Improve Neural Modeling of Industrial Waste Water Treatment Plants

نویسندگان [English]

  • Mir Hasan Seyedseraji 1
  • Hamed Hasanlou 2
  • Maryam Pazoki 2
  • Hossein Nayeb 3
1 Department of Environmental Engineering, Faculty of Water and Environmental Engineering, University of Shahid Beheshti, P.O. Box 1719- 17765 Tehran, Iran
2 Department of Environmental Engineering, Faculty of Environment, University of Tehran, P.O. Box 14155-6135 Tehran, Iran
3 Department of Environmental Engineering, Faculty of Water and Environmental Engineering, University of Shahid Beheshti, P.O. Box 1719- 17765 Tehran, Iran
چکیده [English]

With regard to environmental issues, proper operation of wastewater treatment plants is of particular importance that in the case of inappropriate utilization, they will cause serious problems. In order to achieve a better and efficient control over the operation of an industrial wastewater treatment plant (WWTP), powerful mathematical tool can be used that is based on recorded data from some basic parameters of wastewater during a period of treatment plant operation. For the first time in Iran, the multilayer perceptron feed forward neural network with a hidden layer and stop training method was used to predict quality parameters of the industrial effluent. Principal Component Analysis (PCA) technique was applied to improve performance of generated models of neural networks. Also, factor analysis method was used to determine the effective parameters that improve the models accuracy and efficiency. Mean Square Error (MSE), Rout Mean Square Error (RMSE) and correlation coefficient (R) were used for performance evaluation of the models. Correlation coefficients (R) was between 0.8 to 0.94 that showed good accuracy of the models in estimating qualitative profile of wastewater.

کلیدواژه‌ها [English]

  • Industrial Wastewater Treatment Plant
  • Artificial Neural Network
  • PCA
  • factor analysis
  • Fajr petrochemical

مراجع

[1]. Mehrdadi, N., Hasanlou, H. (2012). “Investigating the Performance of Advanced Treatment Unit of Industrial Wastewater Treatment Plant Using Artificial Neural Network Model”, International Conference on Chemical Processes and Environmental issues (ICCEEI’2012) Singapore.
[2]. Homada, M. F., Al-Ghusian, I. A. (1999). “Integrated Wastewater Treatment Plant Performance Evaluation Using Artificial Neural Networks”, Water Science and Technology, 40 (7), 55-66.
[3]. Bowdena, G. J., Dandyb, G. C., Maier, H. R. (2005). “Input determination for neural network models in water resources applications”, Journal of Hydrology, 301 (1-4), 75–92.
[4]. Oliveira-Esquerre, K. P., Mori, M., Bruns, R. E. (2002). “Simulation of an Industrial Wastewater Treatment Plant Using Artificial Neural Networks and Principal Components Analysis”, Brazilian Journal of Chemical Engineering, 19(4), 365-370.
[5]. Kardam, A., Raj, K. R., Arora, J. K., Srivastava, M. M., Srivastava, S. (2010). “Artificial Neural Network Modeling for Sorption of Cadmium from Aqueous System by Shelled Moringa Oleifera Seed Powder as an Agricultural Waste”, Journal of Water Resource and Protection, 2 (4), 339-344.
[6]. Tezel, G., Yel, E., Sinan, R. K. (2010). “Artificial Neural Network (ANN) Model for Domestic Wastewater Treatment Plant Control”, BALWOIS – Ohrid, Republic of Macedonia, 25- 29 may
[7]. Elmolla, S. E., Chaudhuri, M. (2010). “The Use of Artificial Neural Network (ANN) for Modelling,Simulation and Prediction of Advanced Oxidation Process Performance in Recalcitrant Wastewater Treatment. ”, Artificial Neural Networks – Application, InTech Open Access Publisher.
[8]. Yetilmezsoy, K., Sapci -Zengin, Z. (2009). “Stochastic Modeling Applications for the Prediction of COD Removal Efficiency of UASB Reactors Treating Diluted Real Cotton Textile Wastewater”, Stochastic Environmental Research and Risk Assessment, 23(1), 13-26.
[9]. Vyas, M., Modhera, B., Vyas V., Sharma, A. K. (2011). “Performance Forecasting of Common Effluent Treatment Plant Parameters by Artificial Neural Network”, ARPN Journal of Engineering and Applied Sciences, 6 (1), 38-42.
[10]. Hasanlou, H., Mehrdadi, N., Jafarzadeh, M. T., Hasanlou, H. (2012). “Performance Simulation of H-TDS Unit of  FAJR Industrial Wastewater Treatment Plant Using a Combination of Neural Network and Principal Component Analysis”, Journal of Water Resource and Protection, 4 (5), 311-318.
[11]. Mehrdadi, N., Hasanlou, H., Jafarzadeh, M. T., Hasanlou, H., Abdolabadi, H. (2012). “Simulation of Low TDS and Biological Units of Fajr Industrial Wastewater Treatment Plant Using Artificial Neural Network and Principal Component Analysis Hybrid Method”, Journal of Water Resource and Protection, 4 (5), 370-377.
[12]. Zhao, H., Hao, O., McAvoy, T., and Chang, C (1997). “Modeling nutrient dynamics in sequencing batch reactor”, Journal of Environmental Engineering, 123 (4), 311–319.
[13]. Shariat zadeh, M. (2010). “Fajr Petrochemical Environmental Landscape”, National Petrochemical of IRI.
[14]. Zare Chahooki, M. (2011), “Methods of Multivariate Analysis in SPSS”, Department of Natural Resources, University of tehran, Iran.
[15]. Hornik, K., Stinchcombe, M., and White, H.(1989). “Multilayer feedforward networks are universal approximators”, Neural Networks, 2(5), 359-366
[16]. Stone, M. (1974). “Cross-validatory Choice and Assessment of Statistical Predictions”, Journal of the Royal Statistical Society, 36 (2), 111-147.
[17]. Burden, F. R., Brereton, R. G., Walsh, P. T. )1997(. “Cross-validatory selection of test and validation sets in multivariate calibration and neural networks as applied to spectroscopy”, Analyst, 122 (10), 1015-1022.
[18]. Hasanlou, H. (2012). “Simulation Of Industrial Waste Water Treatment Plant Using Artificial Neural Network And Principal Component Analysis Hybrid Method”, MS. Thesis, University of Tehran, Iran.
[19]. Memarian, H., Balasundram, S. K. (2012). “Comparison between Multi-Layer Perceptron and Radial Basis Function Networks for Sediment Load Estimation in a Tropical Watershed”, Journal of Water Resource and Protection, 4(10), 870-876.
نشریه بازیافت آب
دوره 2، شماره 2
شهریور 1394
صفحه 187-198

فایل ها

هم رسانی

ارجاع به این مقاله

آمار