بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (MBBR) با استفاده از روش پاسخ سطح (RSM) و شبکه عصبی مصنوعی (ANN)
عنوان مقاله: بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (MBBR) با استفاده از روش پاسخ سطح (RSM) و شبکه عصبی مصنوعی (ANN)
شناسه ملی مقاله: JR_JEHE-7-3_005
منتشر شده در در سال 1399
شناسه ملی مقاله: JR_JEHE-7-3_005
منتشر شده در در سال 1399
مشخصات نویسندگان مقاله:
محمد دلنواز - Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran
مهسا پیداد - Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran
خلاصه مقاله:
محمد دلنواز - Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran
مهسا پیداد - Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran
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.
کلمات کلیدی: Moving Bed Biofilm Reactor, Aniline, Surface Response Method, Artificial Neural Network, راکتور بیوفیلمی با بستر متحرک, آنیلین, روش پاسخ سطح, شبکه عصبی مصنوعی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1835291/