@article { author = {Daghbandan, Allahyar and Alitaleshi, Fereshteh and Yaghoobi, Mehran}, title = {Comparison of Multi Objective GMDH-type Neural Network and Bayesian Belief Network in the Prediction of Treated Water Turbidity . Case Study: Great Water Treatment Plant in Guilan Province}, journal = {Journal of Water and Wastewater; Ab va Fazilab ( in persian )}, volume = {27}, number = {2}, pages = {71-83}, year = {2016}, publisher = {Water and Wastewater Consulting Engineers}, issn = {1024-5936}, eissn = {2383-0905}, doi = {}, abstract = {Enough water with proper quality is necessary for life. Drinking Water Treatment Plants (WTPs) have to provide high quality drinking water in the shortest possible time with minimal costs. In this paper, Factors affecting the process for removal of water turbidity using the Response Surface Methodology (RSM) were firstly identified and then GMDH-type Neural Networks and Bayesian Belief Network (BBN) have been used for modeling and prediction of treated water turbidity; using input-output data set. To validate the proposed model, a case study was carried out based on the data consisted of 700 sets obtained from Guilan‌WTP. For modeling, the experimental data obtained from the operation unit were divided into train and test sections (70% for training and 30% for testing). The predicted values were compared with those of experimental values. The determination coefficient of the predicted values for the two BBN algorithms consist of EM and GD, and GMDH model were 0.9388, 0.9196 and 0.97095, respectively. The GMDH model performed better than the BBN model in predicting treated water turbidity dosage.}, keywords = {Water Treatment,Turbidity,Modeling,GMDH-NN,BBN}, title_fa = {مقایسه شبکه‌های عصبی نوع GMDHچند هدفی و شبکه خودباوری بیزین در پیش‌بینی کدورت آب تصفیه شده مطالعه موردی: تصفیه خانه بزرگ آب گیلان}, abstract_fa = {آب کافی و با کیفیت مطلوب برای ادامه حیات بشر ضروری است. تصفیه‌خانه‌ها، آب شرب را با کیفیت بالا در کوتاه‌ترین زمان ممکن با حداقل هزینه فراهم می‌کنند. در این مقاله ابتدا متغیرهای تأثیر‌گذار بر فرآیند حذف کدورت آب، با استفاده از روش‌شناسی سطح پاسخ‌ شناسایی گردیده است. در ادامه شبکه‌‌های عصبی نوع GMDH و شبکه خودباوری بیزین برای مدل-سازی و پیش‌بینی کدورت آب تصفیه شده، با استفاده از مجموعه داده‌های ورودی- خروجی مورد مطالعه قرار گرفته است. برای ارزیابی مدل پیشنهادی، تصفیه‌خانه بزرگ آب گیلان به صورت موردی بررسی و داده‌های مورد نیاز شامل 700 سری داده به دست آمده است. به منظور مدل‌سازی داده‌های برگرفته از واحد بهره‌برداری به دو دسته (70% برای آموزش و30% برای آزمایش) تقسیم شده‌اند. نتایج حاصل از مدل‌سازی با داده‌های تجربی مقایسه گردید که ضریب تعیین مقادیرآزمایشی برای دو الگوریتم شبکه خودباوری بیژین شامل EM و GD و برای مدل GMDH به ترتیب 9388/0 ، 9196/0 و 97095/0 بوده است که بر این اساس مدل GMDH نسبت به مدل BBN کارایی بهتری برای پیش‌بینی میزان کدورت آب تصفیه شده دارد.}, keywords_fa = {تصفیه آب,کدورت,مدل سازی,شبکه عصبی نوع GMDH,شبکه خودباوری بیزین}, url = {https://www.wwjournal.ir/article_13767.html}, eprint = {https://www.wwjournal.ir/article_13767_095e32511234a43f7aa1fd0e8f217a38.pdf} }