غلامی بروجنی, فتح الله, ابراهیم پور, رضا, امیری فرد, امیر حسن. (1393). پیش‌بینی نرخ برگشت لجن با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: تصفیه‌خانه فاضلاب تربت حیدریه. مجله آب و فاضلاب, 25(4), 99-107.
فتح الله غلامی بروجنی; رضا ابراهیم پور; امیر حسن امیری فرد. "پیش‌بینی نرخ برگشت لجن با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: تصفیه‌خانه فاضلاب تربت حیدریه". مجله آب و فاضلاب, 25, 4, 1393, 99-107.
غلامی بروجنی, فتح الله, ابراهیم پور, رضا, امیری فرد, امیر حسن. (1393). 'پیش‌بینی نرخ برگشت لجن با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: تصفیه‌خانه فاضلاب تربت حیدریه', مجله آب و فاضلاب, 25(4), pp. 99-107.
غلامی بروجنی, فتح الله, ابراهیم پور, رضا, امیری فرد, امیر حسن. پیش‌بینی نرخ برگشت لجن با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: تصفیه‌خانه فاضلاب تربت حیدریه. مجله آب و فاضلاب, 1393; 25(4): 99-107.
پیش‌بینی نرخ برگشت لجن با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: تصفیه‌خانه فاضلاب تربت حیدریه
3دانشکده مهندسی برق و کامپیوتر دانشگاه تربیت دبیر شهید رجایی تهران
چکیده
بین پارامترهای مختلف کمّی و کیفی فاضلاب و میزان لجن برگشتی مورد نیاز، که یکی از مهم‌ترین پارامترهای بهره برداری از تصفیه‌خانه‌های فاضلاب به‌روش لجن فعال است، ارتباط علت و معلولی پیچیده و غیر خطی وجود دارد. همچنین شبکه‌های عصبی مصنوعی دارای مزایایی از قبیل قدرت یافتن روابط علت و معلولی پیچیده و غیر خطی توسط ابزارهای محاسباتی ساده ریاضی، داشتن قدرت تعمیم بالا و همچنین سرعت بالا در مرحله آزمایش‌اند و می‌توانند به‌صورت یک ابزار نرم‌افزاری در بهره‌برداری از تصفیه‌خانه فاضلاب مورد استفاده قرار گیرند. در این پژوهش میزان لجن برگشتی در تصفیه‌خانه فاضلاب شهر تربت حیدریه با استفاده از شبکه عصبی مصنوعی و با توجه به داده‌های ورودی یک‌ساله مورد بررسی قرار گرفت. پارامترهای مختلف تأثیر‌گذار در میزان لجن برگشتی از قبیل دبی و دمای فاضلاب ورودی، TSS، BOD5، COD ورودی و خروجی، غلظت لجن برگشتی، غلظت مواد معلق مایع مخلوط و همچنین میزان لجن فعال جمع‌آوری شده، به شبکه‌های عصبی MLP و RBF اعمال شد. نتایج این مطالعه نشان داد که شبکه عصبی مصنوعیMLP می‌تواند با دقت بیش از 93 درصد میزان لجن برگشتی مورد نیاز در سیستم‌های متداول بیولوژیکی تصفیه فاضلاب به‌روش هوادهی گسترده را پیش‌بینی نماید.
Using Artificial Neural Networks to Estimate the Return Sludge Rate, A Case Study of Torbat Heydarieh Wastewater Treatment Plant
نویسندگان [English]
reza Ebrahimpour2؛
2Associated professor of Shahid Rajaei Teacher Training University
چکیده [English]
There are complex and nonlinear causal relationships among the different quality and quantity parameters of wastewater and return activated sludge, which is one of the most important parameters in the operation of activated sludge wastewater treatment plants. On the other hand, Artificial Neural Networks (ANNs) have advantages such as the ability to identify and extract complex and nonlinear causal relations using simple mathematical formulas, high generalizing power , and high speed that make them capable of being used as a powerful software in the operation of wastewater treatment plants. In this study, the application of artificial neural networks (ANNs) for determining the amount of return activated sludge in Torbat Heydarieh wastewater treatment plant is investigated based on one-year inlet flow data. The different parameters involved in this process such as inlet flow and temperature, inlet and outlet total suspended solids, inlet and outlet BOD5 and COD, MLSS, and the amount of return activated sludge were collected and applied to MLP and RBF artificial neural networks (ANNs). Results showed thatMLP is capable of estimating the return activated sludge required in conventional biological wastewater treatment systems such as extended aeration and that its estimation accuracy is above 93%.
1. Tchobanoglous, G., and Burton F., L. (2003). Wastewater engineering: Treatment, disposal and reuse, 4th Ed., Mecalf and Eddy, Mcgraw-Hill Inc., New York.
2. Hakan, M. (2004). “Modeling of activated sludge process by using artificial neural networks.” M.Sc. Thesis, School of Natural and Applied Sciences of Middle East Technical University.
3. Zhang, Q., and Stanley, S. J. (1999). “Real-time water treatment process control with artificial neural networks.” J. Environ Eng. 125(2), 153-160.
4. Hamed, M.M., Khalafallah, M.G., and Hassanien, E.A. (2004). “Prediction of wastewater treatment plant performance using artificial neural networks.” Environ. Model and Soft, (19), 919-928.
5. Mjalli, F.S., Al-Asheh, S., and Alfadala, H.E. (2007). “Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance.” J. of Environmental Management, 83, 329-338.
6. Nasr, M., Medhat, S., Hamdy, A.E., and Galal El Kobrosy, G. (2012) “Application of artificial neural network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT.” Alexandria Engineering Journal, 51, 37-43.
8. Davut, H., and Demirb, T. (2008). “Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural vetworks.” Expert Systems with Applications, 34, (2), 1038-1043.
9. Tyagi, R. D., Du, Y. G., Sreekrishnan, T. R., and Villeneuve, J. P. (2008). “Neural model for the operational control of activated sludge processes.” Process Biochem., 28, 259-267.
10. Ali, R., Khataee, M., and Kasiri, B. (2011). “Modeling of biological water and wastewater treatment processes using artificial neural networks.” CLEAN – Soil, Air, Water, 39 (8), 742-749.
11. Du Nyamin Gu, C., Lu, S., and U Kru, D. (2010). “Artificial neural network modelling of a large-scale wastewater treatment plant operation.” Bioprocess Biosys. Eng., 33 (9),1051-1058.
12. Khorasan Water and Wastewater Co. Contractor: Digab Co., Consulting Engineers: Mahab Ghods Co. (2000). Contract of design, made, erection and operation of Torbat Heydarieh water and wastewater treatment plant, 34-72. (In Persian)
13. Pai, T.Y., Wang, S.C., Chiang, C.F., Su, H.C., Yu, L.F., Sung, P.J., Lin, C.Y., and Hu, H.C. (2009). “Improving neural network prediction of effluent from biological wastewater treatment plant of industrial park using fuzzy learning approach.” Bioprocess Biosyst Eng., 32, 781-790.
ابتدای صفحه