ارزیابی عملکرد تصفیه خانه فاضلاب صنعتی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی : تصفیه خانه فاضلاب شهرک صنعتی مشهد)

در سالیان اخیر بهره برداری و کنترل مناسب تصفیه خانه های فاضلاب به دلیل افزایش نگرانی در مورد مسائل زیست محیطی اهمیت بیشتری پیدا کرده است. عملکرد نادرست یک تصفیه خان? فاضلاب ممکن است مشکلات جدی برای محیط زیست و سلامت عمومی ایجاد نماید. کنترل بهتر تصفیه خانه های فاضلاب با توسعه یک ابزار ریاضی قدرتمند برای پیش بینی عملکرد تصفیه خانه بر اساس مشاهدات گذشت? برخی از پارامتر های کلیدی، قابل دست یابی است. با این حال، مدل سازی یک تصفیه خان? فاضلاب، با توجه به پیچیدگی فرآیند های تصفیه وظیفه ای دشوار است. هدف از انجام پایان نام? حاضر، تخمین غلظت اکسیژن خواهی شیمیایی پساب خروجی (codeff) بر اساس داده های زمانی در دسترس (با توجه به خصوصیات کمی و کیفی فاضلاب ورودی و نیز شرایط بهره برداری) در تصفیه خان? فاضلاب شهرک صنعتی مشهد با استفاده از دو نوع شبک? عصبی مصنوعی (پرسپترون چند لایه و رگرسیون عمومی) می باشد. آمار مورد استفاده در این پژوهش، داده های ثبت شده توسط واحد کنترل و بهره برداری تصفیه خانه در طی سال های 1387 و 1388 را شامل می شود. برای مقایسه خصوصیات مختلف پارامتر های کیفی فاضلاب و تعیین سطح اختلاف معنی دار، از آزمون تحلیل واریانس یک طرفه استفاده شد. لازم به ذکر است که در این تحقیق معنی دار بودن اختلاف با دقت 05/0p ? انجام پذیرفت. نرمال سازی داده ها در مرحل? آموزش شبکه مورد بررسی قرار گرفت که بیانگر عملکرد مناسب تر شبکه نسبت به حالت استفاده از داده های غیر نرمال در مرحل? آموزش بود. همچنین در مورد شبک? عصبی پرسپترون چند لایه، عملکرد مدل به ازای تعداد دوره های آموزشی، تعداد نورون ها و توابع محرک مختلف در لای? پنهان بررسی شد که در نهایت با توجه به معیار های سنجش خطا و نکوئی برازش بهترین مدل انتخاب گردید. بهترین مدل شبک? عصبی پرسپترون با الگوریتم آموزشی لونبرگ-مارکوارد، ساختار (1-17-8)، با ضریب همبستگی برابر 8846/0 و مقادیر 827/10=rmse، 373/7=mae و 831/4=mape در مرحل? آزمون و نتایج مناسب برای داده های آموزشی، در تخمین غلظت cod پساب خروجی از کارایی و دقت مناسب برخوردار بود. در مدل دوم نیز، شبک? عصبی رگرسیون عمومی با مقدار spread، برابر 17/0، 8618/0=r، 741/12=rmse، 594/7=mae و 314/5=mape به عنوان بهترین مدل برگزیده شد. با توجه به نتایج به دست آمده از تحلیل حساسیت مدل شبک? عصبی مصنوعی بهینه، پارامتر های دمای فاضلاب خام (t)، ph و ذرات جامد معلق کل (tss) از مهم ترین متغیر های ورودی موثر در تعیین یا تخمین غلظت cod پساب خروجی می باشد.