ابراهیم علامتیان - استادیار گروه عمران، موسسه آموزش عالی خاوران، مشهد
مرتضی پاکدامن - استادیار گروه مخاطرات و تغییر اقلیم، پژوهشکده اقلیمشناسی مشهد
الهه برجی - دانشجوی کارشناسی ارشد محیط زیست، موسسه آموزش عالی خاوران

پیشبینی عملکرد تصفیه خانه های فاضلاب و ارزیابی قابلیت کاربرد پساب تولیدی، امکان ارائه راه کارهایی برای بهبود کیفیت پساب ایجاد میکند . همچنین اتخاذ تصمیمات به موقع و اجرای آنها با استفاده از نتایج حاصل از پیشبینی، باعث صرفه جویی در زمان و هزینه ها میشود. فرآیند غیرخطی بودن تصفیه فاضلاب، باعث میشود که با روابط خطی ریاضی قابل بیان نباشد. استفاده از روشهای پیشبینی شبکه های عصبی مصنوعی یک راه کار منطقی در این زمینه است. در این پژوهش عملکرد تصفیه خانه فاضلاب بجنورد با استفاده از شبکه های عصبی مصنوعی مدلسازی و شرایط مختلف بررسی شد. داده های مورد استفاده در این پژوهش شامل پارامترهای ورودی تصفیه خانه فاضلاب (دمای نمونه، دبی، BOD، COD، (TSS و پارامترهای پساب خروجی BOD)، COD، (DO از سال ۹۰ تا ۹۸ به صورت روزانه بوده که به طور فصلی مورد مطالعه و بررسی قرارگرفته اند. توابع فعال ساز و الگوریتم بهینه سازی در این پژوهش به ترتیب تابع ReLu و پس انتشار خطای شیب توام مدرج/ مقیاس شده و از الگوریتم پس انتشارخطا برای یادگیری شبکه استفاده شده است. براساس نتایج مدلهای شبکه عصبی، در شبکه عصبی دولایه با یک خروجی، ضریب همبستگی پارامترهای COD و DO در تمامی فصول معنادار بوده و بهترین نتایج ضریب همبستگی در فصل بهار با ضریب ۰/۷۸۳ و ۰/۸۷۶ به ترتیب برای پارامترهای COD و DO و با شاخص RMSE به ترتیب با ضریب ۰/۱۲۹ و ۰/۱۳۲ در این مدل به دست آمده است. در پارامتر BOD بهترین نتایج در شبکه عصبی دو لایه با سه خروجی در تمام فصول حاصل شد که بهترین نتیجه آن در فصل بهار با ضریب همبستگی ۰/۷۲۵ و ۰/۱۶۴ RMSE بود.

شبکه عصبی مصنوعی، لجن فعال، BOD، COD، DO