تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,953,244 |
تعداد دریافت فایل اصل مقاله | 15,624,137 |
پیشبینی تأثیرات شوک هیدرولیکی فاضلاب در رخدادهای غیرمترقبه با استفاده از ترکیب عملگر موجک و الگوریتم شبکه هوش مصنوعی | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 16، دوره 52.3، شماره 108، آذر 1401، صفحه 175-184 اصل مقاله (1.46 M) | ||
نوع مقاله: یادداشت پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jcee.2021.39118.1932 | ||
نویسندگان | ||
حمید سرخیل* 1؛ علی احسانی افراکتی2؛ محمد طلائیان عراقی2 | ||
1گروه زمینشناسی کاربردی، دانشکده علوم زمین، دانشگاه خوارزمی، کرج | ||
2دانشکده محیط زیست، سازمان حفاظت محیط زیست، کرج | ||
چکیده | ||
با توجه به توسعه شهرنشینی و محدودیت منابع آب شیرین، اهمیت تصفیه فاضلاب و رفع آلودگی محیط زیست موردتوجه است. جریان فاضلاب ورودی میتواند بهطور قابلتوجهی طی پدیده های جوی یا رخدادهای تقویمی افزایش یابد که در نتیجه، ایجاد شوک هیدرولیکی و بهتبع آن باعث از بین رفتن پروسههای بیولوژیکی تصفیهخانهها شود. بهطوریکه این شوکهای هیدرولیکی با کاهش زمان، ماند هیدرولیکی و زمان تصفیه کمتر میکروارگانیسم ها همراه است، پس مواد آلی سریعتر از سیستم خارجشده و راندمان تثبیت و حذف آلایندهها بهشدت کاهش می یابد. در این تحقیق از دادههای روزانه تصفیهخانه زرگنده، از سال 1393 تا سال 1397 استفاده شد، دادههای چهار سال اول برای آموزش و ارزیابی شبکه عصبی و داده های سال پنجم برای آزمایش شبکه عصبی استفاده گردید و همچنین با استفاده از عملگر موجکِ نرم افزار متلب (Matlab)، نویز موجود در داده های ورودی شناسایی و حذف شد. سپس خروجی آن به عنوان ورودی برای الگوریتم شبکه عصبی با سه لایه پنهان و 43 نورون در کلیه لایهها با توابع انتقال تانژانت سیگموئید و لگاریتم سیگموئید تعیین شد. مقادیر رگرسیون دارای حداقل 96% و حداکثر 99% انطباق است و این نشان از مدلسازی متناسب و بسیار کارآمد ترکیبی موجک و شبکه عصبی است. بهطوریکه با توجه به تعداد 1825 داده موجود و تفاوت مقداری آنها، بالاترین میزان RMSE و MSE مربوط به دسته تست به ترتیب برابر مقادیر 53/53 و 55/2865 است. | ||
کلیدواژهها | ||
پیشبینی دبی؛ شوک هیدرولیکی؛ شبکه عصبی مصنوعی؛ موجک؛ تصفیهخانه فاضلاب شهری | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
نوری ر، اشرفی خ، اژدرپور ا، "مقایسه کاربرد روش های شبکه عصبی مصنوعی و رگرسیون خطی چندلایه متغیره براساس تحلیل مؤلفه های اصلی برای پیش بینی غلظت میانگین روزانه مونوکسید کربن: بررسی موردی شهر تهران"، مجله علمی- پژوهشی فیزیک زمین و فضا، 1387، 1، 135-153.
جوزی ع، فرنقی ا، "ارزیابی مخاطرات تصفیهخانه زرگنده تهران با استفاده از روش تلفیقی PHA و JSA’." نشریه محیطزیست طبیعی و مجله منابع طبیعی ایران، 1392، 66 (3).
حبیبی م، "اثرات ناشی از شوک هیدرولیکی بر راندمان تصفیهخانه فاضلاب شیراز در مقیاس پایلوت"، همایش ملّی و نمایشگاه تخصصی مهندسی محیط زیست، 1391، 9.
خرم نژادیان ش، طاهری ه، "بررسی استفاده از نیزارهای مصنوعی برای تصفیه فاضلاب های شهری"، اولین همایش سراسری محیط زیست، انرژی و پدافند زیستی، 1392، تهران.
سراجی م ح، حسنلو ح، پازوکی م، نایب ح، "به کارگیری روش های آماری برای افزایش دقت مدلسازی تصفیهخانههای فاضلاب صنعتی با استفاده از شبکههای عصبی مصنوعی"، مجله بازیافت آب، 1394، 2 (2).
قاسمی ورجانی ه، "توسعه یک شبکه عصبی ترکیبی برای پیش بینی تقاضای ماهانه آب شرب شهر کرج"، مجله نخبگان علوم و مهندسی، 1397، 3 (5).
محمدیاری ن، بلادر ع، "بررسی عملکرد راکتور بیوفیلمی بستر متحرک (MBBR) در تصفیه مخلوط فاضلاب های شهری و صنعتی"، هشتمین همایش ملّی بهداشت محیط، 1384.
مهربانی س م، برقعی ا، مهربانی م، "مقاومت دستگاههای بیولوژیکی چرخان به تغییرات ناگهانی"، انجمن مهندسی شیمی ایران، 1387.
Barr T, Taylor J, Duff S, “Effect of hrt, srt and temperature on the performance of activated sludge reactors treating bleached kraft mill effluent”, Water Research, 30, 1996. Bitton G, Wastewater Microbiology, Florida: Department of Environmental Engineering Sciences University of Florida, Gainesville, 2005, 765. Chen XL, Tian M, Yao WB, “GPR signal de-noising by using wavelet networks”, IN 4th Int. Conf. on Machine Learning and Cybernetics, 2005. Chmielowski K, Młyński D, Młyńska A, “Analysis of hydraulic load of a wastewater treatment plant in Jasło”, Journal of Water and Land Development, 2016, Jalso, 28. Gamaledin AW, Smith D, “A neural network model to predict the wastewater inflow incorporating rainfall events”, Water Research, 2002, 36, 12. Genty S, “Numerical hydraulic modeling of urban waste water collecting systems”, lyon: KTH Royal Institute of Technology, 2014. Gomolka Z, Twarog B, Zeslawska E, Lewicki A, Kwater T, “Using artificial neural networks to solve the problem represented by bod and do indicators”, Water, 2018, 10, 26. Jia Z, Chen C, Luo W, Zou J, Wu W, Xu M, Tang Y, “Hydraulic conditions affect pollutant removal efficiency in distributed ditches and ponds in agricultural landscapes”, Science of the Total Environment, 2019, 649. Jitender S, Mohit Y, Ankit J, “Artificial neural network”, International Journal of Scientific Research and Education, 2013, 1 (6), 108-118. Manly BFJ, “Multivariate statistical methods. Department of mathematics and statistics. University of Otogo, New Zealand”, Chapman and hall,1994, 215. Mizzouri N, Ghazaly S, “Individual and combined effects of organic, toxic, and hydraulic shocks on Individual and combined effects of organic, toxic, and hydraulic shocks on”, Journal of Hazardous Materials, 2013, 333-344. Ncube P, Pidou M, Stephenson T, Jefferson B, Jarvis P, “The effect of high hydraulic loading rate on the removal efficiency of a quadruple media filter for tertiary wastewater treatment”, Water Research, 2016, 107, 102-112. Sarkheil H, Alinia F, Hassani H, “Fractures distribution modeling using fractal and multi-fractal-neural network analysis in Tabnak hydrocarbon field”, Arabian Journal of Geosciences, 2013, 3, 945-956. Sarkheil H, Alinia F, Hassani H, “The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements”, Australian Journal of Basic and Applied Sciences, 2009, 3, 3297-3306. Sarkheil H, Azimi Y, Rahbari S, “Fuzzy wastewater quality index (fwwqi) for environmental quality assessment of industrial wastewater, a case study for south pars special economic and energy zone”, Journal of Civil and Environmental Engineering, University of Tabriz, 2019. Sarkheil H, Azimi Y, Rahbar, S, “Fuzzy wastewater quality index determination for environmental quality assessment under uncertain and vagueness conditions”, International Journal of Engineering, 2018, 31 (8), 1196-1204. Sarkheil H, Hassani H, Alinya F, Enayati AA, Motamedi H, “A Forecasting system of reservoir fracture based on artificial neural network and borehole images information-exemplified by reservoir fractures in tabnak feild”, International Multidisciplinary Scientific GeoConference: SGEM: Surveying Geology and Mining Ecology Management, 2009, 563. Shweta G, Tripti J, Nidhi T, “Artificial neural network: a review and its application in managing water quality control”, International Journal of Scientific Development and Research (IJSDR), 2018, 3 (6), 5. Velasco L, Granados, A, Ortega J, “Performance analysis of artificial neural networks training algorithms and transfer functions formedium-term water consumption forecasting”, (IJACSA) International Journal of Advanced Computer Science and Applications, 2018, 9. | ||
آمار تعداد مشاهده مقاله: 697 تعداد دریافت فایل اصل مقاله: 305 |