Dynamic Performance Analysis and Simulation of a Full Scale Activated Sludge System Treating an Industrial Wastewater Using Artificial Neural Network

با توجه به ماهيت متغير فاضلاب هاي صنعتي، به منظور حفظ پايداري فرايند در شرايط مطلوب بهره برداري صحيح از تصفيه خانه فاضلاب صنعتي از اهميت بسزايي برخوردار مي باشد. در اين راستا، شبكه هوش مصنوعي به منظور شبيه سازي رفتار سيستم تصفيه خانه مي تواند بعنوان يك ابزار موثر مورد استفاده واقع گردد. اين مطالعه كاركرد طولاني مدت و پايداري فرايندي يك سيستم تركيبي تصفيه فاضلاب را در مقياس صنعتي (شهرك صنعتي فرامان، كرمانشاه) طي يك دوره دو ساله مورد ارزيابي قرار مي دهد. تصفيه خانه مورد مطالعه متشكل از واحدهاي آشغالگير، تانك متعادلساز، برج بيولوژيكي هوازي (فيلتر چكنده) و تانك هوادهي (لجن فعال) مي باشد. از شبكه هوش مصنوعي با ساختار چندلايه اي پيشرو جهت پيش بيني عملكرد واحد سيستم لجن فعال تصفيه خانه استفاده گرديد. در اين مطالعه، جامدات معلق مايع مخلوط (MLSS) (mg/l) و شدت بارگذاري ماده آلي (OLR) (kg COD/m3.d) بعنوان پارامترهاي ورودي شبكه (متغير) و راندمان حذف كل جامدات معلق (TSS)، راندمان حذف مواد آلي (COD) و شاخص حجمي لجن (SVI) به عنوان پارامترهاي خروجي انتخاب گرديدند. نتايج بدست آمده تطابق خيلي خوبي را بين داده هاي واقعي و مدلسازي شده با رگرسيوني بالاي 0.9 نشان مي دهد. مدل شبكه هوش مصنوعي يك ابزار قابل اطمينان براي پيش بيني عملكرد سيستم تصفيه خانه فاضلاب ايجاد نمود بطوريكه بر مبناي پارامترهاي پايش شده، كيفيت پساب خروجي پيش بيني مي شود.

Due to changeable nature of the industrial wastewaters, proper operation of an industrial wastewater treatment plant is of prior importance in order to keep the process stability at the desired conditions. In this mean, simulation of the treatment system behavior using artificial neural network (ANN) can be an effective tool. This paper evaluates long term performance and process stability of a full-scale integrated industrial wastewater treatment system (Faraman’s industrial estate, Kermanshah) in removing organic matter over a 2-year operation. The wastewater treatment system is composed of static screens, an equalization tank, an aerobic biological tower (TF) and an activated sludge (AS) reactor. Multilayer Feed-forward Networks of ANN was used to forecast the process performance of AS system. In this study, mixed liquor suspended solids (MLSS) (mg/l) and organic loading rate (OLR) (kg COD/m3.d) were selected as input parameters and TSS removal, COD removal and sludge volume index (SVI) as output parameters. The results showed a very good agreement between the actual and modeled data (R2 > 0.9). The ANN models provided a robust tool for predicting the performance of wastewater treatment plants and as a result, the online monitoring parameters could be applied for prediction of effluent characteristics.