این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران امیرکبیر، جلد ۵۳، شماره ۱۱، صفحات ۴۶۸۳-۴۷۰۲
عنوان فارسی استفاده از مدل ترکیبی برای بهبود عملکرد روش‌های ANN، ANFIS و SVR در تخمین پارامترهای BOD و COD پساب تصفیه‌خانه فاضلاب
چکیده فارسی مقاله دست‌یابی به طراحی دقیق و راهبری صحیح تصفیه‌خانه‌های فاضلاب از جمله چالش‌های مهم در صنعت آب و فاضلاب به شمار می‌آید. مدل‌های عددی به دلیل نیاز به داده‌های فراوان، زمان‌بر بوده و صرفه اقتصادی ندارند. بنابراین در این مطالعه، عملکرد تصفیه‌خانه فاضلاب تبریز با استفاده از مدل‌های جعبه‌سیاه هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN)، سیستم استنتاج تطبیقی عصبی-فازی (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل جعبه‌سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرک (ARIMA) براساس داده‌های روزانه سال‌های 1395-1396 مورد بررسی قرار گرفته ‌است. جهت تعیین پارامترهای ورودی از معیار ضریب همبستگی (CC) استفاده شد که پارامترهای اکسیژن مورد نیاز بیولوژیکی (BOD)، اکسیژن مورد نیاز شیمیایی (COD) ، مواد جامد معلق (TSS)، pH ورودی به تصفیه‌خانه در زمان t و BOD وCOD پساب خروجی از تصفیه‌خانه در یک گام زمانی قبل (t-1) با بیشترین مقادیر CC به عنوان ورودی انتخاب گردیدند. BOD وCOD پساب خروجی نیز به عنوان پارامترهای خروجی مدل‌های هوش مصنوعی در نظرگرفته شده‌اند. همچنین برای بهبود عملکرد مدل‌سازی، روش ترکیب مدل با استفاده از خروجی مدل‌های منفرد مذکور، به عنوان یک روش پس‌پردازش، بکار گرفته‌ شده ‌است. ترکیب مدل به سه روش میانگین‌گیری خطی ساده، میانگین‌گیری خطی وزن‌دار و میانگین‌گیری غیر خطی با استفاده از شبکه عصبی مصنوعی انجام گرفته ‌است. نتایج حاکی از آن است که بکارگیری مدل‌های غیرخطی بهتر از مدل خطی ARIMA بوده و مدل SVR بالاترین مقدار ضریب تبیین (DC) را ارائه کرده ‌است. همچنین استفاده از مدل‌های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل‌سازی تا 15% در مرحله صحت‌سنجی می‌شود.
کلیدواژه‌های فارسی مقاله محاسبات نرم، هوش مصنوعی، مدل خطی ARIMA، ترکیب مدل، تصفیه‌خانه فاضلاب تبریز،
عنوان انگلیسی Using Ensemble Model to Improve ANN, ANFIS, SVR Models in Predicting Effluent BOD and COD
چکیده انگلیسی مقاله In this study, black box artificial intelligence models (AI) including feed-forward neural network (FFNN), support vector regression (SVR), and adaptive neuro-fuzzy inference system (ANFIS) were used to predict effluent biological oxygen demand (BODeff) and chemical oxygen demand (CODeff) of Tabriz wastewater treatment plant (WWTP) using the daily data collected from 2016 to 2018. In addition, the autoregressive integrated moving average (ARIMA) linear model was used to predict BODeff and CODeff parameters to compare the linear and non-linear models' abilities in complex processes prediction. To improve the prediction of BODeff and CODeff parameters, the data post-processing ensemble method was also used. The input data set included daily influent BOD, COD, total suspended solids (TSS), pH at the current time (t), and BODeff and CODeff at the previous time (t-1) and the output data included BODeff and CODeff at t. The results of the single models indicated that the SVR model provides better results than the other single models. In ensemble modeling, simple and weighted linear averaging, and neural network ensemble methods were applied to enhance the performance of the single AI models. The results indicated that using ensemble models could increase the prediction accuracy up to 15% at the verification phase.
کلیدواژه‌های انگلیسی مقاله محاسبات نرم, هوش مصنوعی, مدل خطی ARIMA, ترکیب مدل, تصفیه‌خانه فاضلاب تبریز
نویسندگان مقاله پریسا اصغری |
گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

وحید نورانی |
گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

الناز شرقی |
گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

نازنین بهفر |
گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

نشانی اینترنتی https://ceej.aut.ac.ir/article_4176_ec8435f94512f34171b6cef03bd60979.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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