کاربرد شبکه عصبی مصنوعی در ارزیابی عملکرد تصفیه خانه فاضلاب بیرجند

در پی نتایج تحقیقات پیشین مبنی بر کارآمدی استفاده از روش مدل سازی به وسیله شبکه عصبی به منظور پیش-بینی رفتار تصفیه خانه های فاضلاب، در این تحقیق یک شبکه عصبی مصنوعی چندلایه پرسپترون به منظور ارزیابی عملکرد تصفیه خانه فاضلاب شهر بیرجند که به شکل برکه تثبیت است، به کار گرفته شده است. در این راستا، بر مبنای اندازه گیری های ماهانه انجام شده در تصفیه خانه فاضلاب بیرجند به مدت 131 ماه، میزان متغیرهای هدف در خروجی برکه تکمیلی در حالات گوناگون پیش بینی شد. متغیرهای ورودی شبکه عصبی شامل دما، میزان اکسیژن-خواهی بیولوژیکی، میزان اکسیژن خواهی شیمیایی، غلظت کل مواد جامد معلق و میزان دبی جریان فاضلاب ورودی به برکه بی هوازی و متغیرهای خروجی شبکه شامل BOD، COD، TSS پساب خروجی از برکه تکمیلی بودند. شبکه های عصبی مصنوعی گوناگون از دیدگاه الگوریتم های آموزش، تعداد نرون های لایه پنهان و ترکیب توابع فعال-سازی مقایسه شدند. نتایج حاصل نشان دادند که بهترین الگوریتم برای آموزش شبکه، الگوریتم LM می باشد. همچنین مشخص شد که آرایش بهینه نرون ها برای متغیرهای BOD، COD و TSS به ترتیب 1-19-5، 1-19-5 و 1-20-5 با مقادیر ضریب همبستگی 90/0، 96/0 و 95/0 است. ترکیب بهینه توابع فعال سازی برای متغیرهای مذکور نشان دادند که توابع سیگموید از عملکرد بهتری برای پیش بینی رفتار متغیرها برخوردار می باشند. محاسبه بازده حذف آلاینده ها در خروجی برکه تکمیلی نشان داد که حداکثر بازده حذف مربوط به متغیر BOD به میزان 92 درصد و حداقل آن مربوط به متغیر TSS به مقدار 22 درصد است. به همین صورت بازده حذف آلاینده های مذکور با استفاده از مقادیر پیش بینی شده شبکه عصبی به ترتیب 91 و 23 درصد بود که این نزدیکی مقادیر به واسطه عملکرد مطلوب شبکه عصبی می باشد. درنتیجه با مقایسه نتایج حاصل از پیش بینی با سایر تحقیقات و با توجه به معیارهای آماری می توان از کارآمدی شبکه عصبی برای مدل سازی تصفیه خانه فاضلاب بیرجند اطمینان حاصل کرد.

کلیدواژه ها:

تصفیه فاضلاب ، برکه تثبیت ، شبکه عصبی مصنوعی ، بازده حذف ، تصفیه خانه بیرجند