استفاده از مدل تركيبي براي بهبود عملكرد روش‌هاي ANN، ANFIS و SVR در تخمين پارامترهاي BOD و COD پساب تصفيه‌خانه فاضلاب

Using Ensemble Model to Improve ANN, ANFIS, SVR Models in Predicting Effluent BOD and COD

دست‌يابي به طراحي دقيق و راهبري صحيح تصفيه‌خانه‌هاي فاضلاب از جمله چالش‌هاي مهم در صنعت آب و فاضلاب به شمار مي‌آيد. مدل‌هاي عددي به دليل نياز به داده‌هاي فراوان، زمان‌بر بوده و صرفه اقتصادي ندارند. بنابراين در اين مطالعه، عملكرد تصفيه‌خانه فاضلاب تبريز با استفاده از مدل‌هاي جعبه‌سياه هوش مصنوعي شامل شبكه عصبي مصنوعي (ANN)، سيستم استنتاج تطبيقي عصبي-فازي (ANFIS)، رگرسيون بردار پشتيبان (SVR) و مدل جعبه‌سياه كلاسيك خودهمبسته تفاضلي با ميانگين متحرك (ARIMA) براساس داده‌هاي روزانه سال‌هاي 1395-1396 مورد بررسي قرار گرفته ‌است. جهت تعيين پارامترهاي ورودي از معيار ضريب همبستگي (CC) استفاده شد كه پارامترهاي اكسيژن مورد نياز بيولوژيكي (BOD)، اكسيژن مورد نياز شيميايي (COD) ، مواد جامد معلق (TSS)، pH ورودي به تصفيه‌خانه در زمان t و BOD وCOD پساب خروجي از تصفيه‌خانه در يك گام زماني قبل (t-1) با بيشترين مقادير CC به عنوان ورودي انتخاب گرديدند. BOD وCOD پساب خروجي نيز به عنوان پارامترهاي خروجي مدل‌هاي هوش مصنوعي در نظرگرفته شده‌اند. همچنين براي بهبود عملكرد مدل‌سازي، روش تركيب مدل با استفاده از خروجي مدل‌هاي منفرد مذكور، به عنوان يك روش پس‌پردازش، بكار گرفته‌ شده ‌است. تركيب مدل به سه روش ميانگين‌گيري خطي ساده، ميانگين‌گيري خطي وزن‌دار و ميانگين‌گيري غير خطي با استفاده از شبكه عصبي مصنوعي انجام گرفته ‌است. نتايج حاكي از آن است كه بكارگيري مدل‌هاي غيرخطي بهتر از مدل خطي ARIMA بوده و مدل SVR بالاترين مقدار ضريب تبيين (DC) را ارائه كرده ‌است. همچنين استفاده از مدل‌هاي تركيبي و به ويژه مدل تركيبي غيرخطي با شبكه عصبي مصنوعي باعث افزايش عملكرد مدل‌سازي تا 15% در مرحله صحت‌سنجي مي‌شود.

In this study, black box artificial intelligence models (AI) including feed-forward neural network (FFNN), support vector regression (SVR), and adaptive neuro-fuzzy inference system (ANFIS) were used to predict effluent biological oxygen demand (BODeff) and chemical oxygen demand (CODeff) of Tabriz wastewater treatment plant (WWTP) using the daily data collected from 2016 to 2018. In addition, the autoregressive integrated moving average (ARIMA) linear model was used to predict BODeff and CODeff parameters to compare the linear and non-linear models' abilities in complex processes prediction. To improve the prediction of BODeff and CODeff parameters, the data post-processing ensemble method was also used. The input data set included daily influent BOD, COD, total suspended solids (TSS), pH at the current time (t), and BODeff and CODeff at the previous time (t-1) and the output data included BODeff and CODeff at t. The results of the single models indicated that the SVR model provides better results than the other single models. In ensemble modeling, simple and weighted linear averaging, and neural network ensemble methods were applied to enhance the performance of the single AI models. The results indicated that using ensemble models could increase the prediction accuracy up to 15% at the verification phase.