مطالعه بهینه سازی هوشمند تصفیه خانه های متداول آب شرب به منظور حذف کربن آلی کل
Publish place: Environmental Sciences، Vol: 14، Issue: 1
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 339
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SCJS-14-1_001
تاریخ نمایه سازی: 11 آبان 1400
Abstract:
بهینه سازی به کمک یک مدل هوشمند لازمه ی دست یابی به بالاترین کیفیت ممکن در تامین آب شرب و صنعتی می باشد. در این مطالعه، مدل شبکه عصبی مصنوعی به منظور بهینه سازی فرایند انعقاد و لخته سازی آب شرب با هدف کنترل کیفی آب خروجی نسبت به پارامتر کربن آلی کل مورد استفاده قرار گرفت. مدل شبکه عصبی با ساختار پیش خور چند لایه و با فرایند یادگیری پس انتشار خطا برای بهینه سازی غلظت فریک کلراید و پلیمر کاتیونی بکار رفت. نتایج به صورت همزمان با مدل رگرسیون غیر خطی چندگانه به منظور افزایش ضریب همبستگی و کاهش پارامترهای ورودی، مورد مقایسه قرار گرفت. آزمون صحت سنجی مدل با استفاده از ۹۴ نمونه جدید و ناشناس کاملا موفقیت آمیز بود. تحلیل نتایج نشان دهنده عملکرد قابل قبول مدل شبکه عصبی با ضریب تشخیص (R۲) به ترتیب ۰.۸۵ برای مدل پلیمر کاتیونی و ۰.۹۷ برای مدل فریک کلراید می باشد. میزان درصد میانگین خطای مطلق و جذر میانگین مربعات خطا نیز به ترتیب به ترتیب ۵.۸ % و ۰.۹۶ برای مدل پلیمر کاتیونی و ۳.۱ % و ۱.۹۷ برای مدل فریک کلراید می باشد. نتایج نشان داد که مدل شبکه عصبی مصنوعی از دقت به مراتب بالاتری در بهینه سازی فرایند های پیچیده تصفیه آب برخوردار است.
Keywords:
Authors
طاهر احمدزاده
دکتری مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران
ناصر مهردادی
گروه مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران
مجتبی اردستانی
گروه مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران
اکبر باغوند
گروه مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :