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

پیش بینی پارامترهای کیفی پساب خروجی تصفیه خانه فاضلاب با استفاده از روش غیرخطی ماشین یادگیری قدرتمند با داده پرت

سال انتشار: 1397
کد COI مقاله: NWWCE02_026
زبان مقاله: فارسیمشاهد این مقاله: 345
فایل این مقاله در 10 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 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی پارامترهای کیفی پساب خروجی تصفیه خانه فاضلاب با استفاده از روش غیرخطی ماشین یادگیری قدرتمند با داده پرت

خدیجه لطفی - دانشجوی کارشناسی ارشد مهندسی عمران، آب و سازه های هیدرولیکی، دانشگاه رازی کرمانشاه،
حسین بنکداری - استاد گروه مهندسی عمران، دانشگاه رازی کرمانشاه،
عیسی ابتهاج - دانشجوی دکتری مهندسی عمران، آب و سازه های هیدرولیکی، دانشگاه رازی کرمانشاه،

چکیده مقاله:

اکسیژن خواهی بیوشیمیایی 5 روزه (BOD ) و اکسیژن خواهی شیمیایی (COD) از جمله مهمترین پارامترهای کیفی فاضلاب است. اندازه گیری و پیش بینی این پارامترها جهت پیش بینی میزان آلودگی و ارزیابی عملکرد تصفیه خانه فاضلاب ضروری است. در این مطالعه، از الگویتم غیرخطی موسوم به ماشین یادگیری قدرتمند با داده پرت (ORELM) جهت مدل سازی پارامترهای کیفی BOD و COD در پساب خروجی تصفیه خانه فاضلاب استفاده شده است. در این الگوریتم، با تبدیل مساله غیرخطی به مساله خطی، مشکل سرعت بالای مدل سازی در شبکه عصبی پیش رو تک لایه (SLFFNN) برطرف شده است. در پژوهش حاضر، جهت مدل سازی از 6 ترکیب ورودی با تاخیرهای زمانی مختلف بهره برده ای و در مجموع 12 مدل غیرخطی (ORELM) بررسی شده است. مشاهده گردید مدل های غیرخطی دارای قدرت پیش بینی قابل قبولی با ضرایب معینی بالا برای مدل های برتر معادل با 95/81% برای شاخص COD و 96/55% برای شاخص BOD در پساب بوده اند. خطاها و پراکندگی داده ها بسیار پایین بوده است. از نتایج پژوهش حاضر می توان بیان کرد که مدل غیرخطی ORELM یکی از مدل های موفق با کارایی بالا جهت پیش بینی شاخص های کیفی مهم BOD و COD و ارزیابی عملکرد تصفیه خانه فاضلاب است.

کلیدواژه ها:

اکسیژن خواهی بیوشیمیایی 5 روزه، اکسیژن خواهی شیمیایی، پارامترهای کیفی فاضلاب، الگوریتم ماشین یادگیری قدرتمند با داده های پرت

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/855959/

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:
لطفی، خدیجه و بنکداری، حسین و ابتهاج، عیسی،1397،پیش بینی پارامترهای کیفی پساب خروجی تصفیه خانه فاضلاب با استفاده از روش غیرخطی ماشین یادگیری قدرتمند با داده پرت،دومین کنگره علوم و مهندسی آب و فاضلاب ایران،اصفهان،،،https://civilica.com/doc/855959

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: (1397، لطفی، خدیجه؛ حسین بنکداری و عیسی ابتهاج)
برای بار دوم به بعد: (1397، لطفی؛ بنکداری و ابتهاج)
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: دانشگاه دولتی
تعداد مقالات: 9,040
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 پیشنهادی مرتبط

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