این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم محیطی، جلد ۱۴، شماره ۱، صفحات ۰-۰
عنوان فارسی مطالعه بهینه سازی هوشمند تصفیه خانه های متداول آب شرب به منظور حذف کربن آلی کل
چکیده فارسی مقاله بهینه سازی به کمک یک مدل هوشمند لازمه ی دست یابی به بالاترین کیفیت ممکن در تامین آب شرب و صنعتی می باشد. در این مطالعه، مدل شبکه عصبی مصنوعی به منظور بهینه سازی فرایند انعقاد و لخته سازی آب شرب با هدف کنترل کیفی آب خروجی نسبت به پارامتر کربن آلی کل مورد استفاده قرار گرفت. مدل شبکه عصبی با ساختار پیش خور چند لایه و با فرایند یادگیری پس انتشار خطا برای بهینه سازی غلظت فریک کلراید و پلیمر کاتیونی بکار رفت. نتایج به صورت همزمان با مدل رگرسیون غیر خطی چندگانه به منظور افزایش ضریب همبستگی و کاهش پارامترهای ورودی، مورد مقایسه قرار گرفت. آزمون صحت سنجی مدل با استفاده از 94 نمونه جدید و ناشناس کاملاً موفقیت آمیز بود. تحلیل نتایج نشان دهنده عملکرد قابل قبول مدل شبکه عصبی با ضریب تشخیص (R 2 ) به ترتیب 0.85 برای مدل پلیمر کاتیونی و 0.97 برای مدل فریک کلراید می باشد. میزان درصد میانگین خطای مطلق و جذر میانگین مربعات خطا نیز به ترتیب به ترتیب 5.8 % و 0.96 برای مدل پلیمر کاتیونی و 3.1 % و 1.97 برای مدل فریک کلراید می باشد. نتایج نشان داد که مدل شبکه عصبی مصنوعی از دقت به مراتب بالاتری در بهینه سازی فرایند های پیچیده تصفیه آب برخوردار است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Intelligent optimization of common water treatment plant for the removal of organic carbon
چکیده انگلیسی مقاله Intelligent model optimization is a key factor in water treatment improvement. In current study, we applied the artificial neural networks modelling for the optimization of coagulation and flocculation processes to get sufficient water quality control over the total organic carbon parameter. ANN network consisted of a multilayer feed forward structure with backpropagation learning algorithm with the output layer of ferric chloride and cationic polymer dosages. The results were simultaneously compared with the nonlinear multiple regression model. Model validation phase performed using 94 unknown samples for which the prediction result was in good agreement with the observed values. Analysis of the results showed a determination coefficient of 0.85 for cationic polymer and 0.97 for ferric chloride models. Mean absolute percentage error and root mean square errors were calculated consequently as 5.8% and 0.96 for polymer and 3.1% and 1.97 for ferric chloride models. According to the results, artificial neural networks showed to be very promising for the optimization of water treatment processes.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله طاهر احمدزاده | taher ahmadzadeh
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

ناصر مهردادی | naser mehrdadi
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

مجتبی اردستانی | mojtaba ardestani
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

اکبر باغوند | akbar baghvand
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://scj.sbu.ac.ir/index.php/EnvironmentalScience/article/view/10125
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/964/article-964-380403.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقالات
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات