پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,995,045 |
| تعداد دریافت فایل اصل مقاله | 89,666,235 |
کاربرد شبکة عصبی مصنوعی در ارزیابی تصفیه‌خانه فاضلاب اکباتان | ||
| محیط شناسی | ||
| مقاله 8، دوره 38، شماره 3، آذر 1391، صفحه 85-98 اصل مقاله (459.77 K) | ||
| شناسه دیجیتال (DOI): 10.22059/jes.2012.29151 | ||
| نویسندگان | ||
| حمید زارع ابیانه1؛ مریم بیات ورکشی2؛ جابر بیات ورکشی3 | ||
| 1دانشیار گروه مهندسی آب دانشکدة کشاورزی دانشگاه بوعلی سینا | ||
| 2دانشجوی دکترای آبیاری و زهکشی دانشکدة کشاورزی دانشگاه بوعلی سینا | ||
| 3دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشکدة کشاورزی دانشگاه شهرکرد | ||
| چکیده | ||
| در این مطالعه به منظور مدل‌سازی رفتار تصفیه‌‌خانة فاضلاب از شبکة عصبی مصنوعی استفاده شد. بدین منظور با مبنا قراردادن اندازه‌گیری‌های مشخصه‌های کیفی در ورودی تصفیه‌خانه، مقدار متناظر مشخصه‌های فوق در خروجی تصفیه‌خانه پیش‌بینی شد. داده‌های ورودی شبکة عصبی شامل مشخصه‌های دما (T)، اکسیژن مورد نیاز بیوشیمیایی (BOD)، اکسیژن مورد نیاز شیمیایی (COD)، کل جامدات معلق (TSS)، کل جامدات (TS) و pH فاضلاب بود. اجرای ساختارهای مختلف شبکة عصبی مصنوعی با تعداد نرون‌های مختلف در لایه میانی نشان داد آرایش 6-12-6 با مقادیر مجذور میانگین مربعات خطای نرمال 26/0 و ضریب همبستگی 82/0 به عنوان آرایش مطلوب قابل پیشنهاد است. ساختار فوق در پیش‌بینی 72 الی 97 درصد از تغییرات مشخصه‌های کیفی پساب براساس تغییرات متغیرهای مستقل موفق بوده است. از طرفی با محاسبه درصد بازده حذف آلاینده‌ها در خروجی تصفیه‌خانه، مشخص شد، حداکثر بهره‌وری حذف در تصفیه‌خانه مربوط به آلاینده TSS معادل 97 درصد و کمترین آن به میزان 32 درصد مربوط به TS بود. به همین ترتیب بازده حذف آلاینده‌های فوق از طریق مقادیر برآوردی با شبکة عصبی نیز برابر 97 و 30 درصد است که به واسطة نزدیکی با مقادیر مشاهداتی مبین کارایی خوب شبکة عصبی است. در مجموع با توجه به مقایسة نتایج حاصل از پیش‌بینی در این مطالعه با سایر مطالعات و با توجه به شاخص‌های آماری می‌توان از کارایی شبکه عصبی اطمینان حاصل کرد. همچنین تصفیه‌خانه در کاهش مقادیر کیفی در حد مقادیر استاندارد توصیه شده از سوی سازمان حفاظت محیط زیست، از کارایی بالایی برخوردار است. | ||
| کلیدواژه‌ها | ||
| آلاینده؛ بازده حذف؛ تصفیه خانه اکباتان؛ شبکة عصبی مصنوعی؛ فاضلاب | ||
| عنوان مقاله [English] | ||
| Application of Artificial Neural Networks in the Evaluation of Ekbatan Wastewater Treatment Plant | ||
| نویسندگان [English] | ||
| Hamid Zare Abyaneh1؛ Maryam Bayat Varkeshi2؛ Jaber Bayat Varkeshi3 | ||
| چکیده [English] | ||
| In this study artificial neural network (ANN) was used for modeling of wastewater treatment plants with using. For this purpose, the base of the quality parameters measured at the plant input, plant output value was predicted. Neural network input data, including temperature (T), biochemical oxygen demand (BOD), chemical oxygen demand (COD), total suspended solids (TSS), total solids (TS) and pH. Different structures of ANN with different number of neurons in middle layer, the structure of 6-12-6 with normal values of squared mean square error of 0.26 and the coefficient 0.82 as desired structure can be is proposed. This structure, predicting 72 to 97 percent of the effluent quality parameters, the changes in independent variables has been successful. With the removal of pollutants in the effluent treatment plant, was identified maximum removal efficiency in the plant, the pollutants TSS, equivalent to 97 percent and the lowest, compared to 32 percent, TS, respectively. Similarly, removal of these pollutants, the estimated values of the neural network, which is due to the 97 and 30 percent, with values close to observations, although the neural network performance is good . Overall, the comparison of results predicted in this study with other studies and the statistical indicators, the good performance of neural networks, in this study, to be sure. Also, treatment plants in the reduction of qualitative values in based of the values of the standard recommended by the environmental protection agency, the efficiency is high. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, Ekbatan treatment plant, Pollutants, Removal Efficiency | ||
|
آمار تعداد مشاهده مقاله: 2,758 تعداد دریافت فایل اصل مقاله: 1,831 |
||