مدل سازی فرایندهای رأکتور هوادهی تصفیه فاضلاب با استفاده از شبکه عصبی هوشمند
Abstract
در این پایان نامه به مدلسازی پارامترهای رآکتور هوادهی تصفیه خانه فاضلاب شهری در استان تهران پرداخته شده است. بدین منظور داده های اندازه گیری شده در 9 تصفیه خانه زرگنده، جنوب، دولت آباد، محلاتی، شهرک قدس، شوش، صاحبقرانیه، اکباتان و قیطریه تحلیل و آنالیز گردیده است و بر مبنای راندمان حذف bod, cod, tss در ماه های 5 سال متوالی 87 تا 91 دیده شده است که تصفیه خانه شهرک قدس از میان تمام تصفیه خانه ها دارای راندمان حذف کمتری بوده و لذا برای مدلسازی مناسبتر میباشد. در این تصفیه خانه، داده های ورودی و خروجی 10 پارامتر bod, cod, tss, tds, ts, svi, mlss, mlvss, ph, t اندازه گیری شده است که برای انتخاب هدف مناسب جهت مدلسازی از ماتریس همبستگی استفاده شده است. که به کمک آن پارامترهایی که دارای ضرایب همبستگی بالاتری نسبت به پارامترهای دیگر باشد هدف مدلسازی مدنظر قرار میگیرد و پارامترهایی که دارای ضرایب همبستگی مناسبی نسبت به این هدف هستند به عنوان پارامترهای ورودی مدلسازی مدنظر قرار میگیرند. بدین ترتیب 4 سناریوی اصلی برای مدلسازی تعریف میگردند. در مرحله بعدی از ابزار شبکه عصبی پیشرو با روش تعلیم پس انتشار خطاو شعاعی برای مدلسازی این سناریوها استفاده میگردد. بدین صورت که ابتدا داده های پارامترهای مدلسازی، نرمالایز شده و بدون هیچ روش پیش پردازش وارد سیستم مدلسازی شبکه عصبی پیشرو قرار میگیرد. در صورتیکه نتایج مدلسازی از دیدگاه شاخصهای همبستگی r مناسب نبوده و در حد 8/0 و یا کمتر باشد از روش پیش پردازش نرم سیگنال برای مدلسازی آن سناریوی استفاده میگردد. در این روش نوین، از ورودی های سیستم، نرمهای مرتبه اول، دوم و بی نهایت در بازه های دو روزه گرفته میشود و از هدف مدلسازی نیز به صورت دو روزه متوسط گیری میشود. بعد از اعمال این روش پیش پردازش میبایست از شبکه عصبی پیشرو برای مدلسازی نهایی استفاده نمود. دیده شده است که ضرایب r در حالتیکه روش پیش پردازش نرم سیگنال اعمال میشود نسبت به حالتیکه داده های خام نرمالایز شده وارد سیستم مدلسازی میگردد، حداقل 30 درصد بهبود می یابد. شاخص r در این روش به حد 0.9 و بیشتر میرسد. در مرحله بعد این مطالعه، داده های خام نرمالایز شده وارد سیستم مدلسازی شبکه عصبی شعاعی شده است و دیده میشود که این نوع شبکه عصبی بدون هیچ پیش پردازشی قادر به مدلسازی بسیار دقیقی از سناریوهای تعریف شده است. بواسطه مدلسازی سناریوها با این روش، شاخص r به 0.99 میرسد که نشان به کارا بودن شبکه عصبی شعاعی در مدلسازی پارامترهایی است که دارای نوسانات فراوانی میباشد. در انتها نیز سناریوهای تعریف شده بواسطه روش پیش پردازش pca و شبکه عصبی پیشرو مدلسازی شده اند تا بتوان مقایسه ای بین دستاوردهای این مطالعه با روش های ارایه شده تحقیقات قبلی انجام داد. دیده مشود که اعمال روش پیش پردازش pca بر روی داده های این تصفیه خانه منجر به بهبود دقت مدلسازی نمیگردد و ضرایب r مشابه با حالتی استخراج میشود که داده های خام نرمالایز شده وارد سیستم مدلسازی شبکه عصبی پیشرو شده اند. دستاورد نهایی این تحقیق نشان می دهد که دقت مدل سازی با روش شبکه عصبی شعاعی rbf نسبت به ffbp به شدت افزایش می یابد. در ادامه هم روش رایج pca در پیش پردازش داده ها بر روی پارامترهای مختلف اعمال گردید. با توجه به پایین بودن ضرایب همبستگی بین پارامترهای این سیستم دیده می شود که دقت این روش در تصفیه خانه شهرک قدس نسبت به روش های دیگر این تحقیق چشمگیر نمی باشد. در مجموع بهترین دقتهای مدلسازی مربوط به روش rbf و سپس توسط روش ffbp و با روش پیش پردازش نرم گیری بدست آمده است. کلید واژه: شبکه عصبی، فرایند،تصفیه فاضلاب،پیش بینی