کاربرد شبکه عصبی gmdh و الگوریتم ژنتیک در مدل سازی درصد متان موجود در گاز مراکز دفن زباله

Authors

محمد جواد ذوقی

استادیار گروه مهندسی عمران، دانشگاه بیرجند (مسوول مکاتبات) محمد غمگسار

عضو هیات علمی گروه مهندسی محیط زیست، پژوهش کده محیط زیست جهاد دانشگاهی مسلم گنجی

دانشجوی دکتری ریاضی کاربردی، دانشگاه شهید چمران اهواز، اهواز، ایران سعید فلاحی

دانشجوی دکتری ریاضی کاربردی، دانشگاه گیلان

abstract

زمینه و هدف : در این مطالعه از شبکه عصبی gmdh بر اساس الگوریتم ژنتیک جهت پیش بینی درصد متان موجود در گاز دفن گاه زباله در مقیاس آزمایشگاهی، استفاده شده است. جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی gmdh، از مشخصات فاضلاب به عنوان داده های ورودی  و از درصد متان موجود در بیوگاز به عنوان داده خروجی استفاده شده است. پارامترهای ورودی جهت پیش بینی میزان متان موجود در بیوگاز شامل دما، رطوبت، ph، cod و آمونیوم می باشد. روش بررسی: راکتورهای شبیه ساز مرکز دفن زباله که در این مطالعه از آن ها استفاده شده، در دو سیستم متفاوت عمل می کنند. سیستم یک(c1)، فقط شامل راکتور حاوی زباله تازه است، در این سیستم فاضلاب پس از تولید بر روی زباله تازه بازگردانده می شود. سیستم دو(c2)، شامل راکتور حاوی زباله تازه و راکتوری حاوی زباله خوب تجزیه شده است. در این سیستم، فاضلاب پس از خروج از زباله تازه، برروی راکتور حاوی زباله خوب تجزیه شده تخلیه و سپس بر روی زباله تازه بازگردانده می شود. در دو سیستم، پارامترهای کیفی فاضلاب و درصد متان موجود در بیوگاز راکتورها به مدت 132 روز پایش شده است. یافته ها: نتایج مطالعه نشان می دهد، شبکه عصبی gmdh در پیش بینی درصد متان موجود در بیوگاز دارای عملکرد بالایی می باشد به طوری که ضریب همبستگی در داده های آموزش و تست به ترتیب برابر 98/0 و 99/0 برآورد می گردد. بحث و نتیجه گیری: با توجه به کارائی بالای شبکه عصبی gmdh در پیش بینی درصد متان موجود در بیوگاز، می توان از این مدل جهت طراحی بهینه سیستم های جمع آوری و تصیه گاز مراکز دفن زباله، و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربرد شبکه عصبی GMDH و الگوریتم ژنتیک در مدل سازی درصد متان موجود در گاز مراکز دفن زباله

زمینه و هدف : در این مطالعه از شبکه عصبی GMDH بر اساس الگوریتم ژنتیک جهت پیش بینی درصد متان موجود در گاز دفن گاه زباله در مقیاس آزمایشگاهی، استفاده شده است. جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی GMDH، از مشخصات فاضلاب به عنوان داده های ورودی  و از درصد متان موجود در بیوگاز به عنوان داده خروجی استفاده شده است. پارامترهای ورودی جهت پیش بینی میزان متان موجود در بیوگاز شامل د...

full text

پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

Backgrounds and Objectives:A number of different technologies have recently been studied todetermine the best use of biogas, however, to choose optimize technologies of using biogas for energy recovery it is necessary to monitor and predict the methane percentage of biogas. In this study, a method is proposed for predicting the methane fraction in landfill gas originating from Labscalelandfill ...

full text

پیش بینی درصد متان موجود در گاز مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

زمینه و هدف: تکنیک های مختلفی برای استفاده بهینه از گاز تولیدی در دفنگاه زباله مورد مطالعه قرار گرفته است. اما برای استفاده از هر یک از این تکنیک ­ ها  و همچنین تضمین کارایی سیستم های استحصال انرژی، باید درصد متان موجود در بیوگاز سنجش و پیش بینی شود. در این مطالعه برای پیش بینی درصد متان موجود در گاز دفنگاه زباله در مقیاس آزمایشگاهی، از شبکه عصبی استفاده شده است.روش بررسی: در این مطالعه راکتوره...

full text

یک مدل ریاضی برای پیش‌بینی خواص تخته خرده چوب با کاربرد GMDH (نوعی شبکه عصبی مصنوعی و الگوریتم ژنتیک)

چکیده در این مطالعه از شبکه عصبی GMDH براساس الگوریتم ژنتیک برای پیش‌بینی خواص فیزیکی و مکانیکی تخته خرده چوب در مقیاس آزمایشگاهی استفاده‌ شد. به‌منظور تعیین خواص فیزیکی و مکانیکی به‌وسیله شبکه عصبی GMDH، از مشخصات دمای پرس در 4 سطح 170،160،150 و 180 درجه سانتی‌گراد، زمان بسته شدن پرس در 3 سطح 20،10 و 30 ثانیه و رطوبت کیک در 4 سطح 12،10،8 و 14 به‌عنوان داده‌های ورودی و از خواص فیزیکی و مکانیکی ...

full text

یک مدل ریاضی برای پیش بینی خواص تخته خرده چوب با کاربرد gmdh (نوعی شبکه عصبی مصنوعی و الگوریتم ژنتیک)

چکیده در این مطالعه از شبکه عصبی gmdh براساس الگوریتم ژنتیک برای پیش بینی خواص فیزیکی و مکانیکی تخته خرده چوب در مقیاس آزمایشگاهی استفاده شد. به منظور تعیین خواص فیزیکی و مکانیکی به وسیله شبکه عصبی gmdh، از مشخصات دمای پرس در 4 سطح 170،160،150 و 180 درجه سانتی گراد، زمان بسته شدن پرس در 3 سطح 20،10 و 30 ثانیه و رطوبت کیک در 4 سطح 12،10،8 و 14 به عنوان داده های ورودی و از خواص فیزیکی و مکانیکی ...

full text

My Resources

Save resource for easier access later


Journal title:
علوم و تکنولوژی محیط زیست

جلد ۱۸، شماره ۳، صفحات ۱-۱۲

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023