بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (MBBR) با استفاده از روش پاسخ سطح (RSM) و شبکه عصبی مصنوعی (ANN)

زمینه و هدف: در این تحقیق بهینه سازی و پیش بینی راندمان راکتور بیوفیلمی با بستر متحرک (MBBR) در تصفیه فاضلاب مصنوعی حاوی آنیلین با استفاده از روش سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) بررسی شده است. مواد و روش ها: نتایج مدلسازی از راکتور به حجم تقریبی ۵ لیتر که با درصد پرشدگی ۳۰، ۵۰ و ۷۰ درصد با سنگدانه های سبک لیکا به عنوان محیط رشد میکروارگانسیم ها و تشکیل لایه بیوفیلم پر شده بود، استفاده گردید. برای تعیین شرایط بهینه در آزمایش­ های انجام شده و همچنین پیش ­بینی آزمایش ­های انجام نشده، سه عامل میزان خوراک در سطوح بین ۱۰۰ تا ۳۰۰۰ میلی­گرم بر لیتر، زمان ماند ۸ تا ۷۲ ساعت و درصد پرشدگی ۳۰ و ۵۰ و ۷۰ درصد با استفاده از RSM صورت گرفت. دقت و صحت مدلهای ارائه شده به کمک تحلیل واریانس ANOVA بررسی شد. پیش­ بینی راندمان حذف سیستم با استفاده از ANN پایه شعاعی نیز بررسی گردید. یافته ها: بهینه­ سازی فرایند نشان داد که شرایط بهینه برای بیشترین حذف در میزان خوراک mg/l ۱۷۰۰ و زمان ماند ۷۲ ساعت در درصد پرشدگی ۸۲/۵۶ درصد می­باشد. نتایج پیش بینی فرایند با استفاده از ANN پایه شعاعی نیز نشان داد که در بهترین ساختار شبکه با توابع انتقال Radbas و خطی (Purelin) با ۹۸۲/۰=R۲ قادر به پیش بینی راندمان حذف می­باشد. نتیجه گیری: با مقایسه مدل ANN پایه شعاعی و RSM و مقایسه میزان خطای این دو روش می­توان گفت که روش ANN پایه شعاعی با دقت بیشتر و خطای کمتر روند داده­ ها را پیش ­بینی کرده است.

کلیدواژه ها:

Moving Bed Biofilm Reactor ، Aniline ، Surface Response Method ، Artificial Neural Network ، راکتور بیوفیلمی با بستر متحرک ، آنیلین ، روش پاسخ سطح ، شبکه عصبی مصنوعی