بررسي كارايي تصفيه‌خانه فاضلاب تبريز با استفاده از مدل‌هاي هوش مصنوعي

Efficiency Consideration of Wastewater Treatment Plant of Tabriz using Artificial Intelligence Models

با توجه به محدودبودن منابع آب شيرين در جهان، استفاده مجدد از پساب‌هاي شهري تصفيه‌‌شده به خصوص در مناطق خشك و نيمه‌‌خشك مانند ايران ضرروي به نظر مي‌‌‌رسد. از اين رو تصفيه صحيح، مديريت و كنترل فرايند تصفيه نيازمند بررسي دقيق پارامترهاي مـوثر در اين فرايند است. لذا با توجه به عدم قطعيت در پارامترهاي كيفي فرايند تصفيه و پيچيدگي ارتباط آن‌ها، در اين مطالعه از مدل‌‌هاي هوش مصنوعي مانند فازي (FL) و شبكه‌‌هاي عصبي مصنوعي (ANN) براي مدل‌‌سازي رفتار تصفيه‌‌خانه فاضلاب تبريز استفاده شده است. بدين منظور با مبنا قراردادن مشخصه‌‌هاي كيفي اندازه‌گيري‌‌شده در ورودي تصفيه‌‌خانه، مقدار متناظر اين مشخصه‌‌ها در خروجي تصفيه‌‌خانه پيش‌‌بيني و از مدل‌هاي فازي ممداني و ساجنو و شبكه‌‌هاي عصبي مصنوعي استفاده شد. داده‌‌‌هاي ورودي اين مدل‌هاي هوش مصنوعي شامل پارامترهاي دما، اكسيژن مورد نياز بيوشيميايي (BOD)، اكسيژن مورد نياز شيميايي (COD)، كل جامدات معلق (TSS) و pH فاضلاب و داده‌‌هاي خروجي شامل مشخصه BOD³، COD و TSS است. بر اساس نتايج، هر سه مدل شبكه عصبي مصنوعي، فازي ممداني و ساجنو به ترتيب متوسط RMSE كمتر از 1/3 براي مراحل آموزش و آزمايش داشتند و نتايج قابل قبولي ارايه دادند. مدل فازي ساجنو با متوسط RMSE برابر 83/2 بهترين مدل شناخته شد. همچنين، با محاسبه درصد بازده حذف آلاينده‌‌ها در خروجي تصفيه‌‌خانه مشخص شد حداكثر بهره‌‌وري حذف در تصفيه‌خانه مربوط به آلاينده TSS بوده و معادل 93 درصد است. ساير آلاينده‌‌ها نيز مقاديري بسيار نزديك به TSS داشتند. به همين ترتيب بازده حذف اين آلاينده‌‌ها از طريق مقادير برآوردي با مدل‌‌هاي فازي و شبكه عصبي نيز به همين منوال است كه به واسطه نزديكي با مقادير مشاهداتي مبين كارايي خوب مدل‌هاي به كار برده شده است.

According to the shortage of water resources in the world, it seems necessary the use of refined water, particularly in arid and semi-arid areas such as Iran. The suitable treatment, management and the control of refining process needs to investigate effective parameters in this process precisely. Therefore, because of the uncertainty and complexity in refining qualitative parameters and their relationship, artificial intelligence such as the fuzzy model (FL) and artificial neural networks (ANNs) were used in this study for modeling the behavior of Tabriz plant wastewater treatment. To this purpose, the corresponding characteristics of the plant output data were predicted based on the measured quality parameters of the plant input data. So that both fuzzy models (Mamdani and Sugeno) and artificial neural networks was adopted for this purpose. Input data for this artificial intelligence model include Temperature (T), Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), Total Suspended Solids (TSS) and the effluent pH parameters and the output data include Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), and Total Suspended Solids (TSS). Based on the results, the three models show acceptable results. The mean RMSE of these models are less than 3.1 in train and test steps. Although all of the methods have acceptable results, but Sugeno Fuzzy model with the lowest mean RMSE (2.83) show superior rather than other models. The maximum removal efficiency of pollutants in the wastewater treatment plant which was determined by calculating the percent removal contaminants in treatment plant output is related to TSS and equal to 97%. The other pollutant values also were very close to TSS. Similarly, the removal efficiency of pollutants from estimated values by three models is the same as observed data. The proximity of the observed and estimated values indicates good performance of FL and ANN models.