مدلسازی فرآیند انعقاد و لخته سازی توسط روش های استنتاج عصبی- فازی تطبیقی، شبکه های عصبی مصنوعی و رگرسیون فازی

Authors

محمد دلنواز

دانشگاه خوارزمی

abstract

فرایند انعقاد و لخته سازی یکی از فرایندهای اصلی در تصفیه آب است. تاثیر پارامترهای مختلف بر این فرایند همواره یک بحث اساسی در راهبری تصفیه خانه های آب بوده و سال های مختلف از آزمایش جار برای این منظور استفاده شده است. در این مطالعه از سیستم استنتاج عصبی- فازی تطبیقی (anfis)، شبکه های عصبی مصنوعی (دو مدل پیشخور و پایه شعاعی) و تحلیل رگرسیون فازی جهت پیش بینی میزان نهایی کدورت پس از فرآیند انعقاد و لخته سازی در تصفیه خانه های آب 3 و 4 تهران استفاده شد. پارامترهای بکار رفته در مدلسازی کیفیت آب خروجی شامل نوع منعقدکننده (انواع پلی آلومینیوم کلراید (pac))، غلظت منعقدکننده، کدورت ورودی و ph آب خام بوده است. نتایج نشان داد که شبکه های عصبی مصنوعی و تحلیل رگرسیون فازی نسبت به سیستم استنتاج عصبی- فازی تطبیقی توانایی بالاتری در پیش بینی راندمان حذف کدورت در شرایط مختلف آزمایشگاهی داشته و قابل جایگزینی با روش-های زمان بر و هزینه بر مانند آزمایش جار می باشند. بهترین شبکه ساخته شده جهت پیش بینی کدورت آب تصفیه شده در این مطالعه، شبکه پیشخور با دو لایه مخفی و تعداد 6 و 8 نرون و توابع انتقال tansig و purelin به ترتیب در لایه های اول و دوم، با استفاده از داده های نرمال شده و با اصلاح تابع کارایی بوده است. این شبکه موفق به پیش بینی فرایند انعقاد با ضریب همبستگی 96/0، شاخص تطابق 99/0 و مجذور میانگین مربعات خطای 0106/0 گردید. بهترین راندمان سیستم در شرایط بهره برداری با کدورت اولیه ntu 160، ph معادل 8، منعقد کننده pac نوع i با دوز mg/l 19 و با راندمان 5/99 درصد تعیین شد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ارزیابی قابلیت مدل‏ های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ‏ای سیلاب

سابقه و هدف: توسعه روش‏های برآورد فراوانی منطقه‏‏‏ ای سیلاب در مناطق فاقد ایستگاه‏‏ های اندازه‏گیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می‏ باشد. ارزیابی فراوانی سیلاب در حوضه‏ های فاقد ایستگاه‏های اندازه‏ گیری، معمولاً توسط ایجاد روابط مناسب آماری (مدل‏ها)بین سیلاب و ویژگی‏های فیزیکی حوضه انجام می‏ گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه...

full text

پیش‌‌بینی جریان روزانه رودخانه اهرچای با استفاده از روش های شبکه های عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS)

در طی سال‌های اخیر پیش‌‌بینی فرآیندهای هیدرولوژیکی به منظور بهره‌برداری پایدار از منابع آب با استفاده از روش‌‌های هوشمند مورد توجه دست اندرکاران بخش آب قرار گرفته است. در این تحقیق با بهره‌‌گیری از شبکه‌‌های عصبی مصنوعی (ANN) و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) اقدام به پیش‌‌بینی دبی جریان روزانه رودخانه اهر چای واقع در استان آذربایجان شرقی در ایستگاه های اورنگ، برمیس و تازه کند گردید. بر...

full text

پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بار...

full text

عملکرد شبکه عصبی مصنوعی و شبکه عصبی فازی- تطبیقی در برآورد غلظت ازن در شهر تهران

در سال‌های اخیر آلودگی هوا به عنوان یکی از بزرگ ترین مشکلات زیست محیطی در سطح جهانی مطرح شده است. ازن تروپوسفری یک آلاینده ثانویه است و سبب بروز مشکلات تنفسی و تاثیر حاد بر گیاهان می‌شود. در این مطالعه به دلیل غیر خطی بودن و پیچیدگی این پدیده‌هابه مقایسه برآورد غلظت آلاینده ازن با استفاده از شبکه عصبی مصنوعی و شبکه عصبی فازی-تطبیقی پرداخته شد. در پژوهش حاضر از متغیرهای هواشناسی در ...

full text

My Resources

Save resource for easier access later


Journal title:
مهندسی عمران مدرس

جلد ۱۶، شماره ۳، صفحات ۷۳-۸۵

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023