طراحی بهینه چندهدفی شبکه های عصبی نوع gmdh برای مدلسازی و بهینه سازی مواد منعقدکننده مصرفی در تصفیه آب مطالعه موردی:داده های تجربی گرفته شده از تصفیه خانه بزرگ آب شهر رشت

یکی از مراحل مهم و ضروری در فرایند تصفیه آب،فرآیند انعقاد و لخته سازی می باشد. تعیین مقدار بهینه مصرفی منعقد کننده بسیار تعیین کننده می باشد و مصرف نامناسب آن باعث کاهش کیفیت آب مصرف شده می شود و همچنین بر روی بازده اقتصادی مانند هزینه مواد مصرفی تاثیرگذار می باشد . دوز مصرفی نا مناسب باعث کاهش بازده در مراحل ته نشینی و فیلتراسیون می شود . بصورت متداول آزمایش جار و تجربه شخصی اپراتور برای تعیین میزان دوز مصرفی مورد استفاده قرار می گیرد . اما آزمایش جار هزینه بر و زمان بر می باشد و همچنین در مقابل تغییرات ناگهانی در آب خام ورودی انعطاف پذیری کمی دارد . وقتی که یک تغییر غیر معمول مانند باران سنگین یا طوفان اتفاق بیفتد باعث بالا رفتن ناگهانی کدورت آب می شود و این کدورت می تواند باعث کاهش کیفیت آب شرب شود و به همین دلیل تعیین میزان بهینه دوز مصرفی در زمان کم بسیار سخت می شود . .محققان اخیرا از مدلسازی مانند شبکه های عصبی استفاده می کنند تا بر این محدودیت ها غلبه کنند . در این مقاله شبکه های عصبی نوع روش دسته بندی گروهی دادههای عددی ) gmdh (برای تعیین مقدار بهینه دوز مصرفی منعقدکننده در تصفیه خانه رشت مورد مطالعه قرار گرفته است . داده های مورد استفاده جهت مدلسازی از تصفیه خانه رشت جمع آوری شده است .به منظور مدلسازی داده های آزمایشگاهی یه دو دسته ) 62 % برای تمرین و 42 % برای آزمایش( تقسیم شدند تا عملکرد مدل مورد ارزیابی قرار گیرد . مقادیر بدست آمده توسط مدل مطابقت بسیار خوبی با نتایج آزمایشگاهی داشت .