برآورد ميزان شيرابه مراكز دفن زباله با استفاده از شبكه عصبي مصنوعي

Modeling Leachate Generation Using Artificial Neural Networks

در اين مطالعه به‌منظور مدل‌سازي شدت جريان فاضلاب در مراكز دفن زباله از شبكه عصبي مصنوعي استفاده شد. پس از آموزش، شبكه عصبي قادر است براساس داده‌هاي هواشناسي و مشخصات فاضلاب مركز دفن، شدت جريان فاضلاب را پيش‌بيني كند. داده‌هاي ورودي شبكه عصبي شامل پارامترهايي نظير pH، دما، هدايت الكتريكي فاضلاب مركز دفن و داده‌هاي هواشناسي بود. براي ارزيابي و تشريح مدل، مركز دفن زباله بيروت به‌صورت موردي بررسي شد. از مطالعه انجام شده بر روي مركز دفن زباله بيروت، داده‌هاي مورد نياز براي آموزش و آزمايش شبكه عصبي به‌دست آمد. اين مركز دفن از سال 1997 بهره‌برداري شده و از سال 1998 ميزان فاضلاب توليدي در آن پايش شده است. الگوريتم بهينه از بين سيزده نوع الگوريتم پس انتشار انتخاب شد و براي آموزش شبكه عصبي مورد استفاده قرار گرفت. سپس ساختمان بهينه شبكه عصبي تعيين گرديد. در اين مطالعه، شبكه عصبي با الگوريتم لونبرگ- ماركوارت كه داراي ده نرون در لايه پنهان بود، به‌عنوان شبكه عصبي بهينه انتخاب شد. با توجه به شاخصهاي آماري به‌دست آمده (ضريب تعيين= 976/0، ميانگين خطاي نسبي= 089/0) و داده‌هاي ورودي در نظر گرفته شده، برآورد شدت جريان فاضلاب در مركز دفن زباله توسط شبكه عصبي از كارايي مناسبي برخوردار است.

In this study, a neural network model is proposed for modeling leachate flow-rate in a municipal solid waste landfill site. After training, the neural network model predicts leachate generation based on meteorological data and leachate characteristics. Parameters such as pH, temperature, conductivity and meteorological data were used as input data. To validate the proposed method, a case study was carried out based on the data obtained from city of Beirut landfill site. While waste disposal at the site started in October 1997, measuring leachate generation rates was not initiated until April 1998. The Levenberg-Marquardt algorithm was selected as the best of thirteen backpropagation algorithms. The optimal neuron number for Levenberg-Marquardt algorithm is 10. The performance of modeling was determined. According to the statistical performance indices (R=0.976, ARE=0.089), the results of the forecast model were in good agreement with measured data.