ViraScience.
Article

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

محمد جواد ذوقی، m.j zoqi senior expert, of environmental research institute of jahad daneshgahi, rasht, gilan, iranفوق لیسانس عمران محیط زیست، عضو شورای علمی پژوهشکده محیط زیست جهاد دانشگاهی آریامن قویدل، a ghavidel member of scientific board of environmental research institute of jahad daneshgahi rasht, gilan, iraعضو هیئت علمی پژوهشکده محیط زیست جهاد دانشگاهی

Abstract

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 راکتورهای شبیه ساز مرکز دفن زباله، در دو سیستم متفاوت عمل می کنند، جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی مصنوعی، از مشخصات فاضلاب این راکتورها به عنوان داده های ورودی استفاده شده است. سیستم یک(c1)، در این سیستم، فاضلاب پس از تولید بر روی زباله تازه بازگردانده می شود. سیستم دو(c2)، 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 شودیافته ها: شبکه عصبی دارای کارایی بالایی در پیش بینی درصد متان موجود در بیوگاز است، به طوری که مقدار ضریب همبستگی در شبکه عصبی بهینه، برای داده های آموزش و تست، به ترتیب برابر 999/0 و 997/0 می باشد و ضریب انحراف معیار به ترتیب برابر 098/1 و 387/2 می باشد.نتیجه گیری: با توجه به کارایی بالای شبکه عصبی در پیش بینی درصد متان موجود در بیوگاز، می توان از این مدل جهت طراحی بهینه سیستم های جمع آوری و تصفیه گاز مراکز دفن زباله، و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.

Similar items

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

    Article2009سلامت و محیط زیستذوقی, محمد جواد، قویدل, آریامن

    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 th

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

    Article2016علوم و تکنولوژی محیط زیستسعید فلاحی، محمد جواد ذوقی، محمد غمگسار، مسلم گنجی

    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

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

    Articleعلوم و تکنولوژی محیط زیستمحمد 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

    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

  • برآورد میزان شیرابه مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

    Article2011فصلنامه علمی- پژوهشی آب و فاضلابمحمدجواد ذوقی، محسن سعیدی

    در این مطالعه به منظور مدل سازی شدت جریان فاضلاب در مراکز دفن زباله از شبکه عصبی مصنوعی استفاده شد. پس از آموزش، شبکه عصبی قادر است براساس داده های هواشناسی و مشخصات فاضلاب مرکز دفن، شدت جریان فاضلاب را پیش بینی کند. داده های ورودی شبکه عصبی شامل پارامترهایی نظیر ph، دما، هدایت ا

  • برآورد میزان شیرابه مراکز دفن زباله با استفاده از شبکه عصبی مصنوعی

    Article2011آب و فاضلابمحمدجواد ذوقی، محسن سعیدی

    در این مطالعه به‌منظور مدل‌سازی شدت جریان فاضلاب در مراکز دفن زباله از شبکه عصبی مصنوعی استفاده شد. پس از آموزش، شبکه عصبی قادر است براساس داده‌های هواشناسی و مشخصات فاضلاب مرکز دفن، شدت جریان فاضلاب را پیش‌بینی کند. داده‌های ورودی شبکه عصبی شامل پارامترهایی نظیر pH، دما، هدایت ا

  • مدل طراحی بهینه معماری برای شبکه های عصبی مصنوعی و به کارگیری آن در پیش بینی مصرف ماهانه نفت گاز کل کشور

    Article2010پژوهش های مدیریت در ایرانمحمدرضا امین ناصری، احمد کوچک زاده

    یکی از گامهای مهم در توسعه شبکه های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه های عصبی مصنوعی، عواملی از قبیل تعداد لایه های پنهان، تعداد نرون ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه