بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (MBBR) با استفاده از روش پاسخ سطح (RSM) و شبکه عصبی مصنوعی (ANN)

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 41

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JEHE-7-3_005

تاریخ نمایه سازی: 8 آذر 1402

Abstract:

زمینه و هدف: در این تحقیق بهینه سازی و پیش بینی راندمان راکتور بیوفیلمی با بستر متحرک (MBBR) در تصفیه فاضلاب مصنوعی حاوی آنیلین با استفاده از روش سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) بررسی شده است. مواد و روش ها: نتایج مدلسازی از راکتور به حجم تقریبی ۵ لیتر که با درصد پرشدگی ۳۰، ۵۰ و ۷۰ درصد با سنگدانه های سبک لیکا به عنوان محیط رشد میکروارگانسیم ها و تشکیل لایه بیوفیلم پر شده بود، استفاده گردید. برای تعیین شرایط بهینه در آزمایش­ های انجام شده و همچنین پیش ­بینی آزمایش ­های انجام نشده، سه عامل میزان خوراک در سطوح بین ۱۰۰ تا ۳۰۰۰ میلی­گرم بر لیتر، زمان ماند ۸ تا ۷۲ ساعت و درصد پرشدگی ۳۰ و ۵۰ و ۷۰ درصد با استفاده از RSM صورت گرفت. دقت و صحت مدلهای ارائه شده به کمک تحلیل واریانس ANOVA بررسی شد. پیش­ بینی راندمان حذف سیستم با استفاده از ANN پایه شعاعی نیز بررسی گردید. یافته ها: بهینه­ سازی فرایند نشان داد که شرایط بهینه برای بیشترین حذف در میزان خوراک mg/l ۱۷۰۰ و زمان ماند ۷۲ ساعت در درصد پرشدگی ۸۲/۵۶ درصد می­باشد. نتایج پیش بینی فرایند با استفاده از ANN پایه شعاعی نیز نشان داد که در بهترین ساختار شبکه با توابع انتقال Radbas و خطی (Purelin) با ۹۸۲/۰=R۲ قادر به پیش بینی راندمان حذف می­باشد. نتیجه گیری: با مقایسه مدل ANN پایه شعاعی و RSM و مقایسه میزان خطای این دو روش می­توان گفت که روش ANN پایه شعاعی با دقت بیشتر و خطای کمتر روند داده­ ها را پیش ­بینی کرده است.

Keywords:

Moving Bed Biofilm Reactor , Aniline , Surface Response Method , Artificial Neural Network , راکتور بیوفیلمی با بستر متحرک , آنیلین , روش پاسخ سطح , شبکه عصبی مصنوعی

Authors

محمد دلنواز

Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran

مهسا پیداد

Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran

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 :
  • Delnavaz M, Ayati B, Ganjidoust H. Treatment of Wastewater Containing ...
  • Bering S, Mazur J, Tarnowski K, Janus M, Mozia S, ...
  • Chen S, Sun F, Chung J.S. Treatment of pesticide wastewater ...
  • Devulapalli R, Jones F. Separation of aniline from aqueous solutions ...
  • Brillas E, Casado J. Aniline degradation by Electro-Fenton® and peroxi-coagulation ...
  • Qi X.H, Zhuang Y.Y, Yuan Y.C, Gu W.X. Decomposition of ...
  • Zangooei H, Delnavaz M, Asadollahfardi G. Prediction of coagulation and ...
  • Qaderi, F, Sayahzadeh A,Azizi M. Efficiency optimization of petroleum wastewater ...
  • Navamani K.D, Aditya Narayana B.C, Arivazhagan M. Removal of high ...
  • Jaafarzadeh Haghighifard N, Mehrabani Ardekani M.M, Nabizadeh Nodehi R, Yazdanbakhsh ...
  • Zinatizadeh A, Ghaytooli E. Simultaneous nitrogen and carbon removal from ...
  • Jamali H.A, Dindarloo K, Panahi fard M, Moradnia M. Response ...
  • Delnavaz M, Ayati B, Ganjidoust H. Prediction of Moving Bed ...
  • Montgomery D, Myers R. Response surface methodology: process and product ...
  • Karimifard S, Alavi Moghaddam M.R. Application of response surface methodology ...
  • Nasr M.S, Moustafa M.A.E, Seif H.A.E, Kobrosy G.E.L. Application of ...
  • Cohen S, Intrator N. Automatic model selection in a hybrid ...
  • نمایش کامل مراجع