مدل سازی (BOD(5 فاضلاب با استفاده از شبکه عصبی مصنوعی و درخت تصمیم گیری M5 (مطالعه موردی: تصفیه خانه فاضلاب نیروگاه حرارتی رامین اهواز)

به منظور کاهش هزینه های ناشی از پایش مداوم فرایندهای تصفیه فاضلاب و صرفه جویی در زمان باید از مدل های ریاضی، آماری و دیگر شبیه سازها جهت راهبری سامانه های تصفیه فاضلاب استفاده نمود. با توجه به پیچیدگی فرایندهای بیولوژیکی و نیز پیشرفت روش های مبتنی بر داده، در این تحقیق از ابزار شبکه عصبی مصنوعی و درخت تصمیم گیری M5 جهت مدل سازی (BOD(5 فاضلاب خروجی از تصفیه خانه استفاده شده است. بدین ترتیب پس از جمع آوری داده های آماری مربوط به پارامترهای کیفی فاضلاب طی دوره سه ساله (1394-1392)، ترکیب های مختلف از ورودی ها و خروجی های مدل مورد ارزیابی قرار گرفته و ترکیب هایی از پارامترهای ورودی که دارای بیشترین تاثیر بر (BOD(5 خروجی بوده و به ساده شدن مدل ها کمک می کنند، به عنوان معماری های مختلف در مدل سازی مورد استفاده قرار گرفته است. پس از مدل سازی به روش های مذکور، بهترین ساختارها و معماری ها از طریق مقایسه معیارهای ضریب همبستگی (R) و ریشه میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفته و تعیین شدند. نتایج مدل سازی برای (BOD(5 خروجی، نشان داد که در روش شبکه عصبی مصنوعی ساختار S10 از معماری چهار پاتولوژی 1-15-5، با ضریب همبستگی مرحله آموزش 0/96 و مرحله صحت سنجی 0/95، و ریشه میانگین مربعات خطای مرحله آموزش (mg/l)؛ 4/02 و مرحله صحت سنجی (mg/l)؛ 3/52 بهترین مدل بوده است. در مدل درخت M5 معماری پنج با 6 پارامتر ورودی و 14 معادله خطی، توانسته است که با ضریب همبستگی 0/94 پارامتر (BOD(5 را شبیه سازی کند. در مرحله صحت سنجی مدل M5 ریشه میانگین مربعات خطای داده ها برابر (mg/l)؛ 4/7520 می باشد. نتایج حاصل از مقایسه مدل های مختلف در این تحقیق نشان داد که با وجود کارآمد و مقبول بودن اغلب مدل ها، مدل های حاصل از روش شبکه عصبی مصنوعی نسبت به مدل M5 دقیق تر بوده و با همبستگی بهتری می توانند (BOD(5 خروجی را شبیه سازی کنند. همچنین مدل های حاصل از درخت M5 ابزاری مناسب جهت توصیف و بررسی دامنه ی داده ها و نیز بیان نمودن چگونگی ارتباطشان با یکدیگر می باشد.

کلیدواژه ها:

تصفیه خانه ، مدل سازی ، شبکه عصبی مصنوعی ، درخت تصمیم گیری M5 ، فاضلاب ، (BOD(5