شماره ركورد كنفرانس :
5394
عنوان مقاله :
كاربرد هوش مصنوعي در تصفيه آب
عنوان به زبان ديگر :
Application of artificial intelligence in water treatment
پديدآورندگان :
سيدي فر سيد علي aliseyedifar128@gmail.com دانشجوي كارشناسي گروه مهندسي شيمي، دانشكده مهندسي نفت آبادان، دانشگاه صنعت نفت , نيكمنش سودابه Soudabeh.Nikmanesh@Put.ac.ir استاديار گروه مهندسي شيمي، دانشكده مهندسي نفت آبادان، دانشگاه صنعت نفت
كليدواژه :
تصفيه آب و پساب , فرآيند جذب , هوش مصنوعي , يادگيري ماشين , صنعت نفت و گاز 4.0
عنوان كنفرانس :
دومين كنفرانس ملي تحول ديجيتال و سيستم هاي هوشمند
چكيده فارسي :
در سالهاي اخير هوش مصنوعي (AI) به عنوان ابزاري قدرتمند براي حل مشكلات دنياي واقعي در زمينه هاي مختلف توجه فوق العاده اي را به خود جلب كرده است. تكنيك‌هاي هوش مصنوعي و يادگيري ماشين در ارتقاء فرآيندهاي تصفيه آب و پساب كار گرفته شده‌اند و انتظار مي رود كه كاربردهاي هوش مصنوعي با بهينه سازي استفاده از مواد شيميايي، هزينه هاي عملياتي فرآيند تصفيه آب را كاهش دهد. اين مقاله تكنيك‌هاي مختلف هوش مصنوعي و كاربردهاي آن در تصفيه آب را با تمركز بر جذب آلاينده‌ها، مدل‌هاي متعدد يادگيري ماشين در تلفيق با روش هاي سنتي حذف آلاينده ها (فرآيند جذب)، عملكرد جاذب‌هاي مختلف را براي حذف آلاينده‌هاي متعدد خلاصه مي كند. علي رغم برخي از چالش هاي موجود در كاربرد هوش مصنوعي براي تصفيه آب و پساب، بدون شك فناوري هاي هوش مصنوعي راه را به سمت عمليات بهتر، اتوماسيون فرآيند و مديريت تصفيه آب و پساب هموار مي كند.
چكيده لاتين :
In recent years, there has been a notable surge in the recognition and utilization of artificial intelligence (AI) as a formidable tool for addressing real-world challenges in diverse domains. In the context of water and wastewater treatment, the application of AI and machine learning techniques has garnered significant interest. By optimizing the use of chemicals, these technologies are projected to diminish the operational costs associated with water treatment processes. This paper provides a comprehensive overview of various AI techniques and their specific applications in water treatment. It primarily focuses on pollutant adsorption, the amalgamation of multiple machine learning models with conventional pollutant removal methods (such as the adsorption process), and the assessment of different adsorbents in the context of multiple pollutant removal. Notwithstanding the challenges that arise in implementing AI for water and wastewater treatment, there is an undeniable consensus that these technological advancements will revolutionize operations, offer process automation possibilities, and enhance the management of water and wastewater treatment systems.
