ضرورت پیش بینی کیفیت فاضلاب ورودی تصفیه خانه های شهری با بهره گیری از هوش مصنوعی

هدف این مقاله تبیین ضرورت پیش بینی کیفیت و کمیت فاضلاب ورودی به تصفیه خانه های فاضلاب شهری و بررسی ظرفیت روش های هوش مصنوعی در مدیریت نوسانات ورودی است. این نوسانات که عمدتا ناشی از تغییرات الگوی مصرف خانگی و صنعتی، بارندگی و نفوذ آب، باران، تخلیه های صنعتی و عوامل فصلی هستند می توانند به سرعت موجب شوک های آلی و هیدرولیکی، کاهش کارایی فرایندهای بیولوژیکی و نقض استانداردهای پساب گردند. از این رو پیش بینی پارامترهای کلیدی نظیر دبی، TSS، COD، BODS، نیتروژن و فسفر از اهمیت بالایی برخوردار است. در این مطالعه ابتدا منابع و ماهیت نوسانات ورودی و عوامل موثر بر آن مرور شده و سپس مدل های رایج داده محور شامل جنگل تصادفی، XGBoost، شبکه های عصبی مصنوعی (ANN)، شبکه های حافظه بلند کوتاه مدت (LSTM)، واحدهای بازگشتی دروازه دار (GRU) و مدل های ترکیبی معرفی و دسته بندی شده اند. همچنین الزامات کلیدی پیاده سازی موفق این سامانه ها از جمله دسترسی به داده های پیوسته و باکیفیت، یکپارچه سازی داده های کمکی هواشناسی و الگوهای مصرف، زیرساخت محاسباتی مناسب و آموزش نیروی انسانی تشریح گردیده است. بررسی ها نشان می دهد کاربرد مدل های داده محور می تواند مدیریت پیش دستانه بارهای ناگهانی، بهینه سازی مصرف انرژی و مواد شیمیایی، کاهش هزینه های عملیاتی و ارتقای انطباق با استانداردهای محیط زیستی را به طور موثری تقویت نماید. باوجود این محدودیت هایی نظیر کمبود داده های بلندمدت و پیوسته نبود داده های کمکی، ساختاریافته، پیچیدگی بومی سازی مدل ها و محدودیت های زیرساختی در ایران چالش های اصلی پیاده سازی به شمار می روند. در جمع بندی، توسعه پایگاه های داده معتبر و یکپارچه، انتخاب مدل های قابل تفسیر و بازآموزی دوره ای به عنوان پیش نیازهای اصلی حرکت به سوی تصفیه خانه های هوشمند مبتنی بر تصمیم گیری داده محور پیشنهاد شده است.

کلیدواژه ها:

پیش بینی ، فاضلاب ورودی ، تصفیه خانه فاضلاب ، نوسانات کیفی و کمی فاضلاب ، هوش مصنوعی ، یادگیری ماشین