پيش‌بيني غلظت آمونيوم و مواد آلي فاضلاب دفنگاه زباله با استفاده از شبكه عصبي مصنوعي

Prediction of COD and NH4+-N Concentrations in Leachate from Lab-scale Landfill Bioreactors Using Artificial Neural Networks

در اين تحقيق به‌منظور پيش‌بيني ميزان غلظت مواد آلي و آمونيوم موجود در فاضلاب دفنگاه زباله با استفاده از شبكه عصبي مصنوعي، دو سيستم در آزمايشگاه مدل شد. براي آموزش و تست مدل شبكه عصبي، از نتايج آزمايشگاهي به‌دست آمده استفاده شد. سيستم 1، فقط شامل راكتور حاوي زباله تازه بود. در اين سيستم فاضلاب پس از توليد، بر روي زباله تازه بازگردانده مي‌‌شد. سيستم 2، شامل راكتور حاوي زباله تازه و راكتوري حاوي زباله خوب تجزيه شده بود. در اين سيستم، فاضلاب پس از خروج از زباله تازه بر روي راكتور حاوي زباله خوب تجزيه شده، تخليه و سپس بر روي زباله تازه بازگردانده مي‌شد. نتايج آزمايشگاهي نشان داد كه در سيستم 1، انباشتگي مواد آلي و NH4+-N رخ داد، اما حذف مواد آلي و NH4+-N در سيستم 2 به‌خوبي صورت گرفت به‌طوري كه در طول مدت آزمايش، ميانگين راندمان حذف مواد آلي در سيستم 2، معادل 85 درصد و ميانگين راندمان حذف NH4+-N معادل 34 درصد بود. همچنين پيش‌بيني ميزان غلظت مواد آلي و NH4+-N به‌وسيله شبكه عصبي مصنوعي، با توجه به شاخصهاي آماري با كارايي بالايي صورت گرفت.

In this study, we present an Artificial Neural Network (ANN) model for predicting COD and NH4+-N concentrations in landfill leachate from lab-scale landfill bioreactors. For this purpose, two different lab-scale systems were modeled. for neural network’s data obtained. In the first system, the leachate from a fresh-waste reactor was drained to a recirculation tank and recycled every two days. In the second, the leachate from a fresh waste landfill reactor was fed through a well-decomposed refuse landfill reactor, while the leachate from a well-decomposed refuse landfill reactor was simultaneously recycled to a fresh waste landfill reactor. The results indicate that leachate NH4+-N and COD concentrations accumulated to a high level in the first system, while. NH4+-N and COD removals were successfully carried out in the second. Also, average removal efficiencies in the second system reached 85% and 34% for COD and NH4+-N, respectively. Finally, the ANN’s results exhibited the success of the model as witnessed by the excellent agreement obtained between measured and predicted values.