كاربرد شبكه عصبي نوع GMDH در مدلسازي و پيش بيني ميزان آلومينيوم آزاد باقي مانده آب شرب

Applying GMDH-type Neural Network for Modeling and Prediction of Free Residual Aluminium in Drinking Water

آب كافي و با كيفيت مطلوب براي ادامه حيات بشر ضروري است. تصفيه خانه ها، آب شرب را با كيفيت بالا در كوتاه ترين زمان ممكن با حداقل هزينه فراهم مي كنند. انعقاد و لخته سازي از جمله فرآيندهاي ضروري به منظور حذف كدورت از آب شرب مي باشند. يكي از موادي كه باعث انعقاد ميشود، پلي آلومينيوم كلرايد (PAC) ميباشد. در صورت استفاده بيش از حد اين ماده ممكن است مقدار آلومينيوم آزاد باقي مانده در آب افزايش يابد. در اين مقاله از روش شبكه هاي عصبي نوع دسته بندي گروهي داده هاي عددي ( GMDH ) براي مدلسازي و پيش بيني آلومينيوم آزاد باقيمانده در آب استفاده گرديد. داده هاي مورد استفاده جهت مدلسازي از تصفيه خانه بزرگ شهر رشت جمع آوري شده است. به منظور مدلسازي داده هاي تجربي به دو دسته ( 70 % درصد براي آموزش و 30 % براي آزمايش) تقسيم شدند. نتايج حاصل از مدل سازي با داده هاي تجربي مقايسه و نتايج نشان داد كه مدل بدست آمده تطابق بسيار خوبي با داده هاي تجربي دارد.

Enough water with proper quality is necessary for life. Drinking water treatment plants (WTPs) have to provide high quality drinking water in shortest possible time with minimal costs. Coagulation and flocculation are essential processes for turbidity removal from drinking water. One of the material is used for coagulation is Poly Aluminium Chloride. In case of excessive use of this material, the amount of free residual aluminium may increase in water. In this paper, Group Method of Data Handling (GMDH)-type neural networks have been used for modeling and prediction of free residual aluminium. The data for modeling was collected from Rasht WTP. For modeling, the experimental data were divided into train and test sections (70% for training and 30% for testing). The predicted values were compared with those of experimental values and the model values showed a very good regression with the experimental results