ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی حذف پنتاکلروفنل از محیط های آبی توسط فرآیند ازن زنی کاتالیزوری
- سال انتشار: 1392
- محل انتشار: شانزدهمین همایش ملی بهداشت محیط ایران
- کد COI اختصاصی: NCEH16_272
- زبان مقاله: فارسی
- تعداد مشاهده: 844
نویسندگان
استاد گروه مهندسی بهداشت محیط، دانشکده بهداشت، مرکز تحقیقات علوم بهداشتی، دانشگاه علوم پزشکی همدان
استادیار گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا همدان
کارشناس ارشد مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی همدان
چکیده
مقدمه و اهمیت موضوع: تصفیه فاضلاب های دارای مواد دیر تجزیه پذیر توسط فرآیندهای اکسیداسیون پیشرفته از فاکتور متعددی تاثیرمی پذیرد. به دلیل پیچیدگی این گونه فرآیندها، مدل سازی و شبیه سازی توسط روشهای مدل سازی متعارف، دشوار خواهد بود. شبکه عصبی مصنوعی (ANN) به علت سادگی در شبیه سازی و پیش بینی عملکرد فرآیند، در بسیاری از علوم مهندسی از جمله علوم زیست محیطی به عنوان یک ابزار امیدوار کننده مورد استفاده قرار می گیرد. مواد و روش ها: در این تحقیق، کاربرد شبکه عصبی مصنوعی جهت پیش بینی حذف پنتاکلروفنل (PCP) از محیط های آبی توسط فرآیند ازن زنی کاتالیزوری مورد مطالعه قرار گرفته است. آزمایشات مربوط به ازن زنی در یک راکتور با جریان نیمه منقطع در حضور آلومینای فعال انجام و برخی پارامترهای موثر بر فرآیند نیز مورد بررسی قرار گرفته است. بعد از انجام آزمایشات، داده ها جمع آوری و نرمال سازی شده و در نهایت 60 داده جهت بررسی عملکرد ANN انتخاب گردیده است. در این بخش از مطالعه، یک شبکه سه لایه پس انتشار با عملکرد تابع انتقال سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی مورد استفاده قرار گرفته است. آموزش و شبیه سازی رفتار شبکه عصبی در فرآیند پیش بینی حذف PCP، به ترتیب توسط الگوریتم پس انتشار و نرم افزار ریاضی MATLAB R2012aانجام شده است. داده های به دست آمده از مرحله آزمایشگاهی به دو گروه ماتریکس ورودی و هدف تقسیم گردید. متغییرهای ورودی شامل pH، زمان واکنش، مقادیر کاتالیست، غلظت اولیه PCP و غلظت ازن محلول بوده و حذف PCP نیز به عنوان هدف در نظر گرفته شده است. همچنین داده ها جهت آموزش (2/1)، اعتبار سنجی(4/1) و تست (4/1) تقسیم بندی شده که در هر گروه به ترتیب 30، 15 و 15 نمونه موجود می باشد.نتایج و بحث: در نهایت یک شبکه عصبی سه لایه با تعداد یک نرون در لایه ورودی، 14 نرون در لایه پنهان، و یک نرون در لایه خروجی انتخاب گردیده است. با توجه به نتایج، مقادیر ضریب همبستگی (R2) و مربع مجذور میانگین خطا (RMSE) به ترتیب 9952/0 و 7712/0 برآورد شده که این خود موید تقارب بسیار زیاد مقادیر پیش بینی شده توسط ANN و نتایج آزمایشگاهی می باشد. نتیجه گیری: نتایج نشان داد که مدلسازی توسط شبکه عصبی قادر است رفتار فرآیند ازن زنی کاتالیزوری را بخوبی پیش بینی نماید.کلیدواژه ها
پنتاکلروفنل، شبکه عصبی مصنوعی، ازن زنی کاتالیزوری، پیش بینیمقالات مرتبط جدید
- تاثیر عصاره آبی و الکلی میوه سماق بر روی تریکوموناس واژینالیس و کاندیدا آلبیکنس در شرایط برون تنی
- بررسی خواص فیکوسیانین بر مهار رشد سلول و مرگ سلولی در سرطان پروستات (رده سلولی LNCAP)
- ارزیابی آنتی ژن پروتواسکولکس کیست هیداتید بر القای آپاپتوز بر سل لاین MCF
- فراوانی ژن های انتروتوکسین sea ، seb و sec استافیلوکوکوس اورئوس در ناقلین سالم استان مازندران
- The effectiveness of technology-enhanced educational interventions in improving nursing care: a systematic review
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.