ارزيابي تصفيه خانه فاضلاب شهر خرمشهر با استفاده از شبكه هاي عصبي و مصنوعي و ماشين بردار پشتيبان و امكان استفاده از آن براي مصارف كشاورزي

Evaluation of Khorramshahr wastewater treatment plant using neural and artificial networks and support vector machine and the possibility of using it for agricultural purposes

در اين تحقيق از شبكه عصبي و مصنوعي و ماشين بردار پشتيبان جهت ارزيابي فاضلاب تصفيه خانه شهر خرمشهر استفاده شده است. همچنين امكان استفاده فاضلاب اين شهر براي مصارف كشاورزي بررسي گرديد. در اين تحقيق از مقادير ماهيانه BOD، COD، TS و TSS كه مورد نياز در اين پژوهش بودند مورد استفاده قرار گرفت و همچنين از اين مقادير جهت ارزيابي فاضلاب تصفيه خانه شهر خرمشهر جهت استفاده در مصارف كشاورزي استفاده گرديد. كاربرد مدل شبكه عصبي ­مصنوعي، براي پيش­بيني كيفيت پساب خروجي تصفيه ­خانه­ هاي فاضلاب نيز امكان پذير مي ­باشد. مدل منتخب ANN (LM) از دقت مناسبي در تخمين به هنگام BOD5 برخوردار بود. به هر حال اين مدل در پيش­بيني مقادير حدي بيشينه از عملكرد ضعيف ­تري برخوردار بود. با استفاده از الگوريتم بهينه ­سازي جستوجوي شبكه دو مرحله ­اي، مقادير بهينه مشخصه­ هاي مدل SVM يعني ɛ، C و γ به ترتيب معادل 0/037، 13 و 1/472 به دست آمد. در نهايت با توجه به نتايج به دست ­آمده در اين تحقيق مدل SVM براي پيش­بيني به هنگام BOD5 براي تصفيه­ خانه شهر خرمشهر توصيه شد. با توجه به نتايج به دست آمده از آناليز كيفي فاضلاب ورودي پساب خروجي تصفيه شده راندمان حذف BOD5 برابر با 88 درصد، COD برابر با 92 درصد، TDS برابر با 70 درصد و حذف TSS برابر با 27 درصد مي­ باشد. شوري پساب تصفيه­ خانه فاضلاب شهر خرمشهر با مينيم ­شوري 208، ماكزيمم 3050 و ميانگين 1544 ميكروموس بر سانتي­متر اندازه­ گيري شد. بنابراين پساب تصفيه ­خانه فاضلاب اين شهر در گروه C3، آب­هاي قابلقبول قرار دارد. براساس مقدار سديم پساب خروجي فاضلاب اين تصفيه خانه براي آبياري گندم، جو، سويا، انجير، زيتون، صنوبر و امثال آنها، بر اساس نمودار ويلكاكس هيچ محدوديتي در استفاده از اين پساب وجود ندارد.

In this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly values ​​of BOD, COD, TS and TSS that were required in this study were used and also these values ​​were used to evaluate the wastewater of Khorramshahr treatment plant for use in agriculture. The application of artificial neural network model is also possible to predict the quality of effluent from wastewater treatment plants. The selected ANN (LM) model had good accuracy in estimating BOD5. However, this model had poorer performance in predicting maximum values. Using a two-stage network search optimization algorithm, the optimal values ​​of the characteristics of the SVM model, namely ɛ, C and γ, were obtained as 0.037, 13 and 1.472, respectively. Finally, according to the results obtained in this study, the SVM model was recommended for BOD5 time prediction for Khorramshahr refinery. According to the results obtained from the qualitative analysis of treated wastewater, effluent from BOD5 removal is equal to 88%, COD is equal to 92%, TDS is equal to 70% and TSS removal is equal to 27%. Khorramshahr wastewater treatment plant effluent salinity was measured with a minimum salinity of 208, maximum 3050 and an average of 1544 micromoles per centimeter. Therefore, the effluent of the city's wastewater treatment plant is in group C3, acceptable water. Based on the amount of sodium in the effluent of the treatment plant for irrigation of wheat, barley, soybeans, figs, olives, poplar and the like, according to the Wilcox diagram, there are no restrictions on the use of this effluent.