مقايسه شبكه‌هاي عصبي نوع GMDHچند هدفي و شبكه خودباوري بيزين در پيش‌بيني كدورت آب تصفيه شده مطالعه موردي: تصفيه خانه بزرگ آب گيلان

Comparison of Multi Objective GMDH-type Neural Network and Bayesian Belief Network in the Prediction of Treated Water Turbidity . Case Study: Great Water Treatment Plant in Guilan Province

آب كافی و با كیفیت مطلوب برای ادامه حیات بشر ضروری است. تصفیه‌خانه‌ها، آب شرب را با كیفیت بالا در كوتاه‌ترین زمان ممكن با حداقل هزینه فراهم می‌كنند. در این مقاله ابتدا متغیرهای تأثیر‌گذار بر فرآیند حذف كدورت آب، با استفاده از روش‌شناسی سطح پاسخ‌ شناسایی گردیده است. در ادامه شبكه‌‌های عصبی نوع GMDH و شبكه خودباوری بیزین برای مدل-سازی و پیش‌بینی كدورت آب تصفیه شده، با استفاده از مجموعه داده‌های ورودی- خروجی مورد مطالعه قرار گرفته است. برای ارزیابی مدل پیشنهادی، تصفیه‌خانه بزرگ آب گیلان به صورت موردی بررسی و داده‌های مورد نیاز شامل 700 سری داده به دست آمده است. به منظور مدل‌سازی داده‌های برگرفته از واحد بهره‌برداری به دو دسته (70% برای آموزش و30% برای آزمایش) تقسیم شده‌اند. نتایج حاصل از مدل‌سازی با داده‌های تجربی مقایسه گردید كه ضریب تعیین مقادیرآزمایشی برای دو الگوریتم شبكه خودباوری بیژین شامل EM و GD و برای مدل GMDH به ترتیب 9388/0 ، 9196/0 و 97095/0 بوده است كه بر این اساس مدل GMDH نسبت به مدل BBN كارایی بهتری برای پیش‌بینی میزان كدورت آب تصفیه شده دارد.

Enough water with proper quality is necessary for life. Drinking Water Treatment Plants (WTPs) have to provide high quality drinking water in the shortest possible time with minimal costs. In this paper, Factors affecting the process for removal of water turbidity using the Response Surface Methodology (RSM) were firstly identified and then GMDH-type Neural Networks and Bayesian Belief Network (BBN) have been used for modeling and prediction of treated water turbidity; using input-output data set. To validate the proposed model, a case study was carried out based on the data consisted of 700 sets obtained from Guilan‌WTP. For modeling, the experimental data obtained from the operation unit were divided into train and test sections (70% for training and 30% for testing). The predicted values were compared with those of experimental values. The determination coefficient of the predicted values for the two BBN algorithms consist of EM and GD, and GMDH model were 0.9388, 0.9196 and 0.97095, respectively. The GMDH model performed better than the BBN model in predicting treated water turbidity dosage.