این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محیط شناسی، جلد ۳۸، شماره ۳، صفحات ۸۵-۹۸
عنوان فارسی کاربرد شبکه عصبی مصنوعی در ارزیابی تصفیه‌خانه فاضلاب اکباتان
چکیده فارسی مقاله در این مطالعه به منظور مدل‌سازی رفتار تصفیه‌‌خانه فاضلاب از شبکه عصبی مصنوعی استفاده شد. بدین منظور با مبنا قراردادن اندازه‌گیری‌های مشخصه‌های کیفی در ورودی تصفیه‌خانه، مقدار متناظر مشخصه‌های فوق در خروجی تصفیه‌خانه پیش‌بینی شد. داده‌های ورودی شبکه عصبی شامل مشخصه‌های دما (T)، اکسیژن مورد نیاز بیوشیمیایی (BOD)، اکسیژن مورد نیاز شیمیایی (COD)، کل جامدات معلق (TSS)، کل جامدات (TS) و pH فاضلاب بود. اجرای ساختارهای مختلف شبکه عصبی مصنوعی با تعداد نرون‌های مختلف در لایه میانی نشان داد آرایش 6-12-6 با مقادیر مجذور میانگین مربعات خطای نرمال 26/0 و ضریب همبستگی 82/0 به عنوان آرایش مطلوب قابل پیشنهاد است. ساختار فوق در پیش‌بینی 72 الی 97 درصد از تغییرات مشخصه‌های کیفی پساب براساس تغییرات متغیرهای مستقل موفق بوده است. از طرفی با محاسبه درصد بازده حذف آلاینده‌ها در خروجی تصفیه‌خانه، مشخص شد، حداکثر بهره‌وری حذف در تصفیه‌خانه مربوط به آلاینده TSS معادل 97 درصد و کمترین آن به میزان 32 درصد مربوط به TS بود. به همین ترتیب بازده حذف آلاینده‌های فوق از طریق مقادیر برآوردی با شبکه عصبی نیز برابر 97 و 30 درصد است که به واسطه نزدیکی با مقادیر مشاهداتی مبین کارایی خوب شبکه عصبی است. در مجموع با توجه به مقایسه نتایج حاصل از پیش‌بینی در این مطالعه با سایر مطالعات و با توجه به شاخص‌های آماری می‌توان از کارایی شبکه عصبی اطمینان حاصل کرد. همچنین تصفیه‌خانه در کاهش مقادیر کیفی در حد مقادیر استاندارد توصیه شده از سوی سازمان حفاظت محیط زیست، از کارایی بالایی برخوردار است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of Artificial Neural Networks in the Evaluation of Ekbatan Wastewater Treatment Plant
چکیده انگلیسی مقاله In this study artificial neural network (ANN) was used for modeling of wastewater treatment plants with using. For this purpose, the base of the quality parameters measured at the plant input, plant output value was predicted. Neural network input data, including temperature (T), biochemical oxygen demand (BOD), chemical oxygen demand (COD), total suspended solids (TSS), total solids (TS) and pH. Different structures of ANN with different number of neurons in middle layer, the structure of 6-12-6 with normal values of squared mean square error of 0.26 and the coefficient 0.82 as desired structure can be is proposed. This structure, predicting 72 to 97 percent of the effluent quality parameters, the changes in independent variables has been successful. With the removal of pollutants in the effluent treatment plant, was identified maximum removal efficiency in the plant, the pollutants TSS, equivalent to 97 percent and the lowest, compared to 32 percent, TS, respectively. Similarly, removal of these pollutants, the estimated values of the neural network, which is due to the 97 and 30 percent, with values close to observations, although the neural network performance is good . Overall, the comparison of results predicted in this study with other studies and the statistical indicators, the good performance of neural networks, in this study, to be sure. Also, treatment plants in the reduction of qualitative values in based of the values of the standard recommended by the environmental protection agency, the efficiency is high.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حمید زارع ابیانه | zare abyaneh
دانشیار گروه مهندسی آب دانشکده کشاورزی دانشگاه بوعلی سینا
سازمان اصلی تایید شده: دانشگاه بوعلی سینا (Bu ali sina university)

مریم بیات ورکشی | bayat varkeshi
دانشجوی دکترای آبیاری و زهکشی دانشکده کشاورزی دانشگاه بوعلی سینا
سازمان اصلی تایید شده: دانشگاه بوعلی سینا (Bu ali sina university)

جابر بیات ورکشی | bayat varkeshi
دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشکده کشاورزی دانشگاه شهرکرد
سازمان اصلی تایید شده: دانشگاه شهرکرد (Shahr kord university)

نشانی اینترنتی http://jes.ut.ac.ir/article_29151_9b12f3759cf056f4e58a021917319ff9.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1056/article-1056-207127.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات