@article { author = {Vajedi, Mahsa and Shahhosseini, Shahrokh}, title = {Modeling of Activated Sludge Process Using Sequential Adaptive Neuro-fuzzy Inference System}, journal = {Journal of Water and Wastewater; Ab va Fazilab ( in persian )}, volume = {25}, number = {4}, pages = {108-111}, year = {2014}, publisher = {Water and Wastewater Consulting Engineers}, issn = {1024-5936}, eissn = {2383-0905}, doi = {}, abstract = {In this study, an adaptive neuro-fuzzy inference system (ANFIS) has been applied to model activated sludge wastewater treatment process of Mobin petrochemical company. The correlation coefficients between the input variables and the output variable were calculated to determine the input with the highest influence on the output (the quality of the outlet flow) in order to compare three neuro-fuzzy structures with different number of parameters. The predictions of the neuro-fuzzy models were compared with those of multilayer artificial neural network models with similar structure. The comparison indicated that both methods resulted in flexible, robust and effective models for the activated sludge system. Moreover, the root mean square of the error for neuro-fuzzy and neural network models were 5.14 and 6.59, respectively, which means the former is the superior method.}, keywords = {Pars Special Zone,Adaptive Nuro-fuzzy,Activated Sludge Process,COD}, title_fa = {مدل سازی فرایند لجن فعال با روش ترکیبی سیستم استنتاج فازی عصبی تطبیقی}, abstract_fa = {در این مطالعه، از سامانه استنتاج فازی-عصبی تطبیقی برای مدل‌سازی فرایند تصفیه فاضلاب لجن فعال پتروشیمی مبین استفاده شد. این مدل برای پیش‌بینی غلظت اکسیژن مورد نیاز شیمیایی خروجی مورد استفاده قرار گرفت و ضریب همبستگی بین پارامترهای ورودی و کیفیت جریان خروجی محاسبه شد. پارامتر ورودی با بیشترین تأثیر بر کیفیت جریان خروجی تعیین شد و بر اساس آن، سه ساختار فازی- عصبی تطبیقی مستقل با تعداد پارامترهای گوناگون بررسی شد. پیش‌بینی‌های مدل‌های فازی- عصبی تطبیقی با پیش‌بینی‌های مدل شبکه عصبی مصنوعی چندلایه با ساختاری مشابه مقایسه شدند. بررسی نتایج به‌دست آمده نشان می‌دهد که هر دو روش هوش مصنوعی، روش‌های مدل‌سازی منعطف، با دوام و مؤثری را برای سیستم لجن فعال ارائه می‌دهند. همچنین، پس از مقایسه خطای پیش‌بینی هر یک از این دو روش، مشاهده می‌شود که با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (با مجذور میانگین مربعات خطای 14/5 برای داده‌های آزمایش) می‌توان به نتایج بهتر و بازدهی بالاتری نسبت به شبکه عصبی مصنوعی (با مجذور میانگین مربعات خطای 59/6 برای داده‌های آزمایش) دست یافت.}, keywords_fa = {منطقه ویژه پارس,فازی-عصبی تطبیقی,شبکه عصبی مصنوعی,فرایند لجن فعال,اکسیژن مورد نیاز شیمیایی}, url = {https://www.wwjournal.ir/article_5630.html}, eprint = {https://www.wwjournal.ir/article_5630_6c76f39860f3bf6e037d1694a4f47bb6.pdf} }