در این مقاله با توجه اهمیت راندمان حذف آلاینده ها به عنوان یکی از مهم ترین شاخص های عملکرد سیستم های تصفیه فاضلاب به پیش بینی راندمان حذف آلاینده ها در تصفیه فاضلاب با شبکه های عصبی مصنوعی خواهیم پرداخت.

ابتدا با مفهوم شبکه های عصبی مصنوعی آشنا خواهیم شد و سپس به موضوع مقاله در ابعاد مختلف خواهیم پرداخت.

♥اجرای سپتیک تانک قبل از ورود پساب به تصفیه خانه فاضلاب سبب بهبود عملکرد آن  و افزایش راندمان  خواهد شد.

شبکه های عصبی مصنوعی(ANN) چیست؟

شبکه های عصبی مصنوعی(Artificial Neural Networks) ،در واقع سیستم های محاسباتی هستند که با الهام گرفتن از مغز انسان طراحی شده اند.

همانگونه که می دانیم مغز انسان متشکل از میلیاردها نورون است که با هم در ارتباطند و اطلاعات توسط آن ها پردازش می شود.ANN نیز از همین ایده به صورت نرم افزاری یا سخت افزاری بهره برده است.

ساختار پایه ای ANN عبارت است از:

• Neurons/Nodes:واحد های پردازشی جهت دریافت و پردازش و ارسال  اطلاعات هستند.
• Layers:این بخش سه قسمت اصلی دارد که عبارتنذ از:

Input Layer: لایه ی در یافت اطلاعات( در موضوغ مقاله ی ما هم چون:دما،PH،غلظت آلاینده ها)

Hidden Layer:واحد اصلی پردازش و دریافت روابط پیچیده است.

Output Layer:پیس بینی شبکه را ارائه می دهد( راندمان حذف BOD ،COD)

• Weights:چون که هر نورون به نورون بعدی متصل است  و این اتصالات به اصطلاح وزن دارند ،در واقع وزن ها مشخص کننده ی تاثیر ورودی ها هستند.

♥ خوانندگان عزیز مقاله، شرکت مهندسی فراب رسا انواع چربی گیر ،مخزن اسید و منهول پلی اتیلن را نیز با قیمت درب کارخانه و با احترام تقدیمتان می کند.

عملکرد کلی شبکه های عصبی مصنوعی

ابتدا شبکه داده ها را دریافت می کند سپس الگوها و روابط غیر خطی بین ورودی ها و خروجی ها را یاد می گیرد.با استفاده از Training ، شبکه Weights را طوری تنظیم می کند که پیش بینی ها واقع گرایانه باشند.

پس از آموزش شبکه،هر داده ی جدیدی قابل پیش بینی یا شبیه سازی است.

اهمیت کاربرد شبکه عصبی مصنوعی برای تصفیه فاضلاب

روابط بین پارامترهای فاضلاب و راندمان تصفیه عموما پیچیده و غیر خطی است.شبکه ی عصبی قادر است این روابط پیچیده را بدون نیاز به مدل سازی ریاضی پیش بینی کند.بنابراین  پیش بینی راندمان حذف آلاینده ها در تصفیه فاضلاب با شبکه های عصبی مصنوعی ، با استفاده از داده های آزمایشگاهی یا عملیاتی و شرایطی که حتی داده ها کم است مفید می باشد.

پیش بینی راندمان حذف آلاینده ها در تصفیه فاضلاب با شبکه های عصبی مصنوعی

برای این منظور با توجه به اطلاعات فوق،باید پیش بینی راندمان حذف آلاینده ها در تصفیه فاضلاب با شبکه های عصبی مصنوعی شامل مراحل زیر می باشد :

• Data  Collection:مهم ترین مرحله جمع آوری داده می باشد،جرا که کیفیت پیش بینی شبکه به داده ها بستگی دارد.

Input Variables:پارامتر هاب تاثیر گذار بر راندمان تصفیه:

مشخصات فاضلاب:BOD،COD،TSS،نیتروژ کل،فسفر

شرایط عملیاتی:PH،دبی،زمان ماند،اکسیژن محلول

Output Variables:راندمان حذف آلاینده ها(درصد کاهش BOD،CODو نیتروژن)

این داده ها از اندازه گیری های آزمایشگاهی و سیستم های تصفیه واقعی به دست می آیند.

• Data Preprocessing:این مرحله باعث یادگیری بهتر و سریع تر شبکه می شود که شامل حذف داده های ناقص یا نادرست ،نرمال سازی و مقیاس بندی داده ها و تقسیم بندی داده ها(Testing set،Training set،Validation set)ست
• Network Architecture Design:در این بخش نوع شبکه انتخاب می شود که اصولا برای موضوع ما (  Multi Layer Perceptron)MLP کارربرد دارد زیرا توانایی مدل سازی روابط غیر خطی را دارد.سپس نوبت به تعداد لایه و نورون ها می رسد که بسته به پیچیدگی داد هامعمولا 1 تا 2 لایه پنهان با 5 تا 20 نورون را داراست.سپس از توابع فعالسازی استفاده می شود.
• Network training:هدف اصلی این بخش کمینه کردن تفاوت بین خروجی واقعی و خروجی پیش بینی شده است.روش مورد استفاده عبارتست از:ورود داده ها به شبکه،محاسبه ی خخروجی شبکه،محاسبه خطا و بروز رسانی وزن ها با الگوریتم Backpropagation

این فرایند تا رسیدن به حداقل خطا ادامه دار خواهد بود.

• Evaluation & Validation:حالا که مرحله ی آموزش انجام شد،شبکه با داده های Validation و Testing بررسی می شود.

معیارهای ارزیابی عبارتند:

-RMSE(Root Mean Squared Error):میزان انحراف پیش بینی شده از داده های واقعی

-MAE(Mean Absolute Error):میانگین خطای مطلق

-R^2(Coeffiicient of Determiination):میزان تطابق پیش بینی با داده های واقعی

در صورت مناسب نبودن عملکرد شبکه :

-تعداد نورون ها و لایه ها تغییر خواهد کرد

-داده ها مجدد پیش پردازش می شوند

-پارامترهای آموزش بهبود می یابند

• Prediction & Application :حالا شبکه ی آموزش دیده قادر به پیش بینی راندمان حذف آلاینده ها در شذایط جدید عملیاتی خواهد بود.

جهت مشاوره و اجرای پکیج تصفیه فاضلاب پلی اتیلن و  پکیج تصفیه فاضلاب صنعتی با کارشناسان فراب رسا در ارتیاط باشید.

کاربردها

• پیش بینی راندمان تصفیه خانه ها
• کمک به بهینه سازی پارامترههای عملیاتی
• کاهش هزینه ها و صرفه جویی در مصرف انرژی

کلام آخر

استفاده از شبکه هاب عصبی مصنوعی به عنوان بک ابزار در تصمیم گیری سبب بهینه سازی عملکرد تصفیه خانه ها،کاهش هزینه های بهره برداری و افزایش پایداری محیط زیت می شود.

این ابزار برخلاف مدل های کلاسیک که نیازمند معادلات مشخخص هستند بدون نیاز به فرم ریاضی خاص ،قادر به یادگیری رفتار واقعی سیتستم های تصفیه از طریق یادگیری می باشند.این رویکرد ( پیش بینی راندمان حذف آلاینده ها در تصفیه فاضلاب با شبکه های عصبی مصنوعی) عدم قطعیت های موجود در فرآیند های تصفیه فاضلاب را به طور موثری کاهش می دهد!