مدلسازي غلظت تري هالومتان در آب شرب با استفاده از شبكه عصبي مصنوعي

A Neural Network Model for Prediction of Tri-Halo-Methane Concentration in Drinking Water

در اين مطالعه جهت مدل سازي ميزان غلظت تري هالومتان در آب شرب، از شبكه عصبي مصنوعي استفاده شده است. پس از آموزش، شبكه عصبي قادر است براساس مشخصات كيفي آب و ميزان غلضت كلر در آب شرب، ميزان غلظت تري هالومتان را پيش بيني كند. جهت ارزيابي و تشريح مدل، آب تصفيه خانه سنگر واقع در شهرستان رشت به صورت موردي بررسي شده است. از اندازه گيري هاي انجام يافته بر روي آب شرب تصفيه خانه سنگر، داده هاي مورد نياز، جهت آموزش و تست شبكه عصبي اخذ شده است، آب شرب اين تصفيه خانه در سال 1386 و در فصول تابستان و زمستان پايش شده است. پارامتر هدف در شبكه عصبي، ميزان غلظت تري هالومتان در آب شرب در نظر گرفته شده است. از بين سيزده نوع الگوريتم پس انتشار، الگوريتم بهينه انتخاب و جهت آموزش شبكه عصبي استفاده شد، و سپس ساختمان بهينه شبكه عصبي تعيين گرديد. در اين مطالعه شبكه عصبي با الگوريتم Marquardt-Levenberg كه داراي هشت نرون در لايه پنهان مي باشد، به عنوان شبكه عصبي بهينه انتخاب شده است. با توجه به شاخص هاي آماري به دست آمده (ضريب همبستگي= 997/0 ، ضريب انحراف معيار = 466/6) و داده هاي ورودي در نظر گرفته شده، برآورد ميزان غلظت تري هالومتان در آب شرب توسط شبكه عصبي از كارايي مناسبي برخوردار است.

In this study a neural network model is proposed for modeling tri-halo-methane concentration in drinking water. After training, the neural network model predicts tri-halo-methane concentration based on input data. Parameters such as pH, Temperature, free chlorine residue and TOC were used as input data. To validate the proposed method, a case study was carried out, based on the data obtained from Guilan grand treatment plant (Sangar). The Levenberg-Marquardt algorithm was selected as the best of thirteen back-propagation algorithms. The optimal neuron number for Levenberg-Marquardt algorithm is 8 neurons. The performance of modeling was determined. The trends of the forecast and measured data were in good agreement.