مدلسازي نفوذپذيري سيستم بيوراكتورغشايي با استفاده از شبكه عصبي مصنوعي

Modeling of permeability of membrane bioreactor system using artificial neural network

مدلسازي براي سيستم هاي پيچيده اي همچون بيوراكتور غشايي به دليل امكان اجراي آزمايشهاي مجازي زياد در زمان كوتاه ابزاري قدرتمند است، اگرچه نيازمند اعتبار تجربي و تبديل فرايند به مدل رياضي مي باشد. در اين پژوهش به مدلسازي فرايند فيلتراسيون توسط شبكه هاي عصبي با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده هاي تجربي يك سيستم بيوراكتور غشايي غوطه ور مجهز به غشاء كوبوتا جهت تصفيه فاضلاب شهري با غلظت مواد جامد محلول (MLSS) بالا استفاده شده است. 2/3 از داده هاي تجربي جهت ساخت شبكه، آموزش و ارزيابي شبكه استفاده گرديد، سپس شبكه طراحي شده جهت تخمين نفوذپذيري 1/3 از داده ها و همچنين سيستم بيوراكتور غشايي مشابه ديگر مورد استفاده قرار گرفت.جهت آموزش شبكه الگوريتم trainlm اعمال شده است. مقدار ضريب تعيين (R^2) جهت پيش بيني نفوذپذيري براي 1/3از داده هاي سيستم اول 0/93 و در مورد سيستم مشابه 0/92 مي باشد.

Modeling for complex systems such as membrane bioreactor due to run virtual tests a lot in a short time is a powerful tool, however, requires experimental validation and conversion the process to mathematical model. In this study, the modeling of filtering process by using neural network software MATLAB 8.1 (2013) with experimental data from a submerged MBR system that is equipped with Kubota membranes for municipal wastewater treatment with high Mixed Liquor Suspended Solids (MLSS) concentration was investigated. 2/3 of empirical data were used for build, training and assessment the network, then the designed network was used to estimate the permeability of 1/3 of the data as well as other similar membrane bioreactor system. trainlm algorithm is applied for training. The value of Coefficient of determination (R^2) for predicting the permeability of 1/3 of datas of the first system is 0/93 and 0/92 for the same system.