مدل‌سازي تصفيه فاضلاب لبني به‌روش انعقاد الكتريكي با استفاده از سامانه استنتاج فازي– عصبي تطبيقي

پيش‌بيني شاخص‌هاي كيفي تصفيه فاضلاب داراي اهميت زيادي در روش‌هاي تصفيه فاضلاب مدرن است. يكي از مهمترين مشكلات در هنگام پيش‌بيني كارآيي فاضلاب تصفيه شده، پيچيدگي ويژگي‌هاي فيزيك و شيميايي فاضلاب اوليه و اختلاف داده‌ها به علل مختلف است. مدل‌سازي تصفيه فاضلاب با استفاده از سامانه استنتاج فازي- عصبي تطبيقي مي‌تواند به بهبود فرآيند كنترل كيفيت فاضلاب كمك كند. هدف از اين مطالعه، مدل‌سازي تصفيه فاضلاب لبني به‌روش انعقاد الكتريكي با استفاده از سامانه استنتاج فازي- عصبي تطبيقي است. مواد و روش‌ها: در اين مطالعه از روش سامانه استنتاج فازي- عصبي تطبيقي براي پيش‌بيني فرآيند تصفيه فاضلاب به‌روش انعقاد الكتريكي استفاده شد. شاخص‌هاي زمان، ولتاژ، TSS (Total suspended solids) و BOD (Biochemical oxygen demand) به‌عنوان ورودي و راندمان حذف COD (Chemical oxygen demand) به‌عنوان خروجي در نظر گرفته شد. همچنين براي بهينه‌سازي مدل از توابع عضويت مختلف، تعداد توابع عضويت و دوره‌‌هاي يادگيري متعددي به شكل آزمون و خطا استفاده شد. نتايج: بهترين مدل با استفاده از تابع عضويت زنگوله‌ايي، تعداد توابع 3 3 3 3 3 و چرخه يادگيري 300 به‌دست آمد كه داراي كمترين ميانگين مربعات خطا و بهترين ضريب تبيين (R2) بود. مقدار ضريب تبيين بهترين مدل و ميانگين مربعات خطا به‌ترتيب 9912/0 و 012/0 بود. نتيجه‌گيري: تجزيه و تحليل مدل نشان داد كه سامانه استنتاج فازي- عصبي تطبيقي يك ابزار قدرتمند براي پيش‌بيني كارآيي تصفيه فاضلاب لبني به‌روش انعقاد الكتريكي است.

Forecasting of the wastewater quality parameters has great importance in modern wastewater treatment methods. One of the main problems in predicting the efficacy of a wastewater treatment is the complexity of physicochemical properties of raw sewage and data differences for different reasons. Modeling of wastewater treatment using Adaptive Neural Fuzzy Inference System (ANFIS)- can help to improve wastewater quality control process. The aim of the study was to modeling of treatment of dairy wastewaters by electrocoagulation process using ANFIS. Methods: In this study, ANFIS was used to estimate the chemical coagulation of dairy wastewater treatment. The input parameters to the ANFIS model were time, voltage, total suspended solids and boichemical oxygen demand and the output was chemical oxygen demand removal efficiency. Also the membership functions, the number of membership functions and number of learning cycles (Epochs) were used for optimization of different models by trial and error. Results: The best model was assessed by bell-shaped membership functions with number of membership functions as 3 3 3 3 3 and 300 epochs of training with lowest mean square error(MES) and the best coefficient of determination (R2). The coefficient of determination and MSE of the best ANFIS model were 0.9912 and 0.012, respectively. Conclusion: Analysis of the model revealed that the ANFIS is a powerful tool to predict the dairy wastewater treatment using electrical coagulation.