مدل سازی استخراج فنل از فاضلاب با استفاده از روش های هوشمند
نویسندگان
چکیده
در این پژوهش فرایند استخراج فنل از فاضلاب با استفاده از روش های هوشمند مدل سازی شد. از روش های هوشمند شامل شبکه پرسپترون چندلایه، شبکه بر پایه توابع شعاعی و ماشین بردار رگرسیونی برای مدل سازی استفاده شد. طراحی ساختار بهینه شبکه ها از 184 مجموعه داده تجربی انجام شد. ورودی های شبکه شامل حجمی آلی به آبی، سرعت روتور، دما، ph و زمان و خروجی شبکه بازده استخراج فنل بود. برای ارزیابی عملکرد و توقف شبکه ها از ضریب تعیین و میانگین مربع خطا برای هر سه مدل استفاده شد. مقایسه نتایج کلیه مدل ها نشان داد که مدل ماشین بردار رگرسیونی با میانگین مربع خطا برابر 684/0 و ضریب بهترین مدل است. پارامترهای بهینه فرایند شامل نسبت حجمی آلی به آبی 22/0، سرعت روتور 350 دور در دقیقه، دما 86/22 درجه سلسیوس،ph برابر 7/5، زمان 86/15 دقیقه و بازده استخراج متناظر 35/96 به دست آمد.
منابع مشابه
مدلسازی استخراج فنل از فاضلاب با استفاده از روشهای هوشمند
در این پژوهش فرایند استخراج فنل از فاضلاب با استفاده از روشهای هوشمند مدلسازی شد. از روشهای هوشمند شامل شبکه پرسپترون چندلایه، شبکه بر پایه توابع شعاعی و ماشین بردار رگرسیونی برای مدلسازی استفاده شد. طراحی ساختار بهینه شبکهها از 184 مجموعه داده تجربی انجام شد. ورودیهای شبکه شامل حجمی آلی به آبی، سرعت روتور، دما، pH<stron...
متن کاملشبیهسازی استخراج فنل از فاضلاب با حلال تری بوتیل فسفات با استفاده از شبکه عصبی
در این تحقیق از شبکه های عصبی برای پیش بینی راندمان استخراج فنل با استفاده از حلال تری بوتیل فسفات استفاده شده است. متغیرهای ورودی شبکه شامل نسبت حجمی آلی به آبی، سرعت روتور، دما، اسیدیته و زمان بوده و متغیر خروجی شبکه کارائی استخراج فنل انتخاب گردید. برای آموزش و ارزیابی شبکه عصبی از 184 داده تجربی استفاده شده است. برای به دست آوردن ساختار بهینه شبکه مورد نظر از شبکه با تعداد لایهها و نرن ها...
متن کاملشبیه سازی استخراج فنل از فاضلاب با حلال تری بوتیل فسفات با استفاده از شبکه عصبی
در این تحقیق از شبکه های عصبی برای پیش بینی راندمان استخراج فنل با استفاده از حلال تری بوتیل فسفات استفاده شده است. متغیرهای ورودی شبکه شامل نسبت حجمی آلی به آبی، سرعت روتور، دما، اسیدیته و زمان بوده و متغیر خروجی شبکه کارائی استخراج فنل انتخاب گردید. برای آموزش و ارزیابی شبکه عصبی از 184 داده تجربی استفاده شده است. برای به دست آوردن ساختار بهینه شبکه مورد نظر از شبکه با تعداد لایه ها و نرن های...
متن کاملمدل سازی تغییرات کیفی روغن کنجد طی فرآیند استخراج با استفاده از سیستم های هوشمند و رگرسیونی
کنجد یکی از مهم ترین دانه های روغنی با ارزش تغذیه ای و عملکردی بالا در دنیا می باشد. بنابراین مدل سازی و بررسی رابطه بین عواملی که می تواند بر کیفیت روغن کنجد استحصال شده تأثیرگذار باشد، حائز اهمیت است. در این پژوهش، شبکه های عصبی مصنوعی (ANN) و سیستم استنتاج عصبی - فازی سازگار (ANFIS) برای پیش بینی کیفیت روغن کنجد استخراج شده به روش پرس مورد استفاده قرار گرفت. مدل به دست آمده از شبکه عصبی مصنو...
متن کاملمدل سازی بارش رواناب با استفاده از مدل های هوشمند هیبریدی
بارش-رواناب یکی از فرایندهای مهم در مطالعات منابع آب بشمار میرود. در این تحقیق فرآیند بارش-رواناب روزانه در حوضه آبریز بالیخلوچای با استفاده از ماشین بردار پشتیبان، شبکه های عصبی مصنوعی، هیبرید موجک-ماشین بردار پشتیبان و هیبرید موجک-شبکه عصبی مورد مطالعه و مقایسه قرار گرفته است. داده های بارش-رواناب روزانه در طول دوره آماری (1379-1387) برای آموزش و صحتسنجی مدل ها مورد استفاده قرار گرفت. د...
متن کاملکمینه سازی اضافه حفاری ناشی از انفجار در تونل ها با استفاده از روش های هوشمند
ایجادپدیدهی حفر بیش از اندازه مقطع تونل یا همان اضافهحفاری مقطع تونل در مراحل اجرایی پروژههای تونلسازی، همواره از مهمترین مسائلی است که ذهن متصدیان فنی و اجرایی این پروژهها را به خود معطوف داشته است. امروزه با توجه به پیشرفت صنعت و ورود فنّاوریهای نوین به صنعت تونلسازی و پذیرفته شدن تدریجی، روش های جدیدی جایگزین روش های سنتی (حفاری و آتشکاری) شده است. اگرچه تا حد زیادی مسئله ایجاد حفاری ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
فصلنامه علمی- پژوهشی آب و فاضلابناشر: مهندسین مشاور طرح و تحقیقات آب و فاضلاب
ISSN 1024-5936
دوره
شماره مقالات آماده انتشار 2016
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023