ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Prediction of the waste stabilization pond performance using linear multiple regression and multi-layer perceptron neural network: a case study of Birjand, Iran

سال انتشار: 1395
کد COI مقاله: JR_EHEM-3-2_005
زبان مقاله: انگلیسیمشاهد این مقاله: 433
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Prediction of the waste stabilization pond performance using linear multiple regression and multi-layer perceptron neural network: a case study of Birjand, Iran

Maryam Khodadadi - Ph.D. Student of Environmental Health, International Campus, Shahid Sadoughi University of Medical Sciences, Yazd, Iran
Alireza Mesdaghinia - Professor, Center for Water Quality Research (CWQR), Institute for Environmental Research (IER), Tehran University of MedicalSciences, Tehran, Iran
Simin Nasseri - Professor, Center for Water Quality Research (CWQR), Institute for Environmental Research (IER), Tehran University of MedicalSciences, Tehran, Iran
Mohammad Taghi Ghaneian - Associate professor, Department of Environmental Health, School of Public Health, Shahid Sadoughi University of Medical Sciences,Yazd, Iran

چکیده مقاله:

Background: Data mining (DM) is an approach used in extracting valuable information from environmentalprocesses. This research depicts a DM approach used in extracting some information from influent andeffluent wastewater characteristic data of a waste stabilization pond (WSP) in Birjand, a city in Eastern Iran.Methods: Multiple regression (MR) and neural network (NN) models were examined using influentcharacteristics (pH, Biochemical oxygen demand [BOD5], temperature, chemical oxygen demand [COD],total suspended solids [TSS], total dissolved solid [TDS], electrical conductivity [EC] and turbidity) asthe regression input vectors. Models were adjusted to input attributes, effluent BOD5 (BODout) and COD(CODout). The models performances were estimated by 10-fold external cross-validation. An internal 5-foldcross-validation was also used for the training data set in NN model. The models were compared usingregression error characteristic (REC) plot and other statistical measures such as relative absolute error (RAE).Sensitivity analysis was also applied to extract useful knowledge from NN model.Results: NN models (with RAE = 78.71 ± 1.16 for BODout and 83.67 ± 1.35 for CODout) and MR models(with RAE = 84.40% ± 1.07 for BODout and 88.07 ± 0.80 for CODout) indicate different performances andthe former was better (P < 0.05) for the prediction of both effluent BOD5 and COD parameters. For theprediction of CODout the NN model with hidden layer size (H) = 4 and decay factor = 0.75 ± 0.03 presentedthe best predictive results. For BODout the H and decay factor were found to be 4 and 0.73 ± 0.03, respectively.TDS was found as the most descriptive influent wastewater characteristics for the prediction of the WSPperformance. The REC plots confirmed the NN model performance superiority for both BOD and CODeffluent prediction.Conclusion: Modeling the performance of WSP systems using NN models along with sensitivity analysiscan offer better understanding on exploring the most significant parameters for the prediction of systemperformance. The findings of this study could build the foundation for prospective work on the characterizationof WSP operations and optimization of their performances with a view to conducting statistical approaches.

کلیدواژه ها:

Data mining, Multiple regression, Neural network, Waste stabilization pond

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/488048/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Khodadadi, Maryam and Mesdaghinia, Alireza and Nasseri, Simin and Ghaneian, Mohammad Taghi,1395,Prediction of the waste stabilization pond performance using linear multiple regression and multi-layer perceptron neural network: a case study of Birjand, Iran,,,,,https://civilica.com/doc/488048

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1395, Khodadadi, Maryam؛ Alireza Mesdaghinia and Simin Nasseri and Mohammad Taghi Ghaneian)
برای بار دوم به بعد: (1395, Khodadadi؛ Mesdaghinia and Nasseri and Ghaneian)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: علوم پزشکی
تعداد مقالات: 2,624
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.

پشتیبانی