این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آب و فاضلاب، جلد ۲۵، شماره ۴، صفحات ۱۰۸-۱۱۱
عنوان فارسی مدل سازی فرایند لجن فعال با روش ترکیبی سیستم استنتاج فازی عصبی تطبیقی
چکیده فارسی مقاله در این مطالعه، از سامانه استنتاج فازی-عصبی تطبیقی برای مدل‌سازی فرایند تصفیه فاضلاب لجن فعال پتروشیمی مبین استفاده شد. این مدل برای پیش‌بینی غلظت اکسیژن مورد نیاز شیمیایی خروجی مورد استفاده قرار گرفت و ضریب همبستگی بین پارامترهای ورودی و کیفیت جریان خروجی محاسبه شد. پارامتر ورودی با بیشترین تأثیر بر کیفیت جریان خروجی تعیین شد و بر اساس آن، سه ساختار فازی- عصبی تطبیقی مستقل با تعداد پارامترهای گوناگون بررسی شد. پیش‌بینی‌های مدل‌های فازی- عصبی تطبیقی با پیش‌بینی‌های مدل شبکه عصبی مصنوعی چندلایه با ساختاری مشابه مقایسه شدند. بررسی نتایج به‌دست آمده نشان می‌دهد که هر دو روش هوش مصنوعی، روش‌های مدل‌سازی منعطف، با دوام و مؤثری را برای سیستم لجن فعال ارائه می‌دهند. همچنین، پس از مقایسه خطای پیش‌بینی هر یک از این دو روش، مشاهده می‌شود که با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (با مجذور میانگین مربعات خطای 14/5 برای داده‌های آزمایش) می‌توان به نتایج بهتر و بازدهی بالاتری نسبت به شبکه عصبی مصنوعی (با مجذور میانگین مربعات خطای 59/6 برای داده‌های آزمایش) دست یافت.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Modeling of Activated Sludge Process Using Sequential Adaptive Neuro-fuzzy Inference System
چکیده انگلیسی مقاله In this study, an adaptive neuro-fuzzy inference system (ANFIS) has been applied to model activated sludge wastewater treatment process of Mobin petrochemical company. The correlation coefficients between the input variables and the output variable were calculated to determine the input with the highest influence on the output (the quality of the outlet flow) in order to compare three neuro-fuzzy structures with different number of parameters. The predictions of the neuro-fuzzy models were compared with those of multilayer artificial neural network models with similar structure. The comparison indicated that both methods resulted in flexible, robust and effective models for the activated sludge system. Moreover, the root mean square of the error for neuro-fuzzy and neural network models were 5.14 and 6.59, respectively, which means the former is the superior method.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهسا واجدی |
کارشناسی ارشد رشته طراحی، شبیه سازی و کنترل فرایند، دانشگاه علم و صنعت ایران، تهران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

شاهرخ شاه حسینی |
دانشیار گروه طراحی، شبیه سازی و کنترل فرایند، دانشگاه علم و صنعت ایران، تهران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

نشانی اینترنتی http://www.wwjournal.ir/article_5630_6c76f39860f3bf6e037d1694a4f47bb6.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