كاربرد شبكه عصبي GMDH و الگوريتم ژنتيك در مدل سازي درصد متان موجود در گاز مراكز دفن زباله

زمينه و هدف : در اين مطالعه از شبكه عصبي GMDH بر اساس الگوريتم ژنتيك جهت پيش بيني درصد متان موجود در گاز دفن گاه زباله در مقياس آزمايشگاهي، استفاده شده است. جهت تخمين درصد متان موجود در گاز مركز دفن به وسيله شبكه عصبي GMDH، از مشخصات فاضلاب به عنوان داده هاي ورودي  و از درصد متان موجود در بيوگاز به عنوان داده خروجي استفاده شده است. پارامترهاي ورودي جهت پيش بيني ميزان متان موجود در بيوگاز شامل دما، رطوبت، pH، COD و آمونيوم مي باشد. روش بررسي: راكتورهاي شبيه ساز مركز دفن زباله كه در اين مطالعه از آن ها استفاده شده، در دو سيستم متفاوت عمل مي كنند. سيستم يك(C1)، فقط شامل راكتور حاوي زباله تازه است، در اين سيستم فاضلاب پس از توليد بر روي زباله تازه بازگردانده مي شود. سيستم دو(C2)، شامل راكتور حاوي زباله تازه و راكتوري حاوي زباله خوب تجزيه شده است. در اين سيستم، فاضلاب پس از خروج از زباله تازه، برروي راكتور حاوي زباله خوب تجزيه شده تخليه و سپس بر روي زباله تازه بازگردانده مي شود. در دو سيستم، پارامترهاي كيفي فاضلاب و درصد متان موجود در بيوگاز راكتورها به مدت 132 روز پايش شده است. يافته ها: نتايج مطالعه نشان مي دهد، شبكه عصبي GMDH در پيش بيني درصد متان موجود در بيوگاز داراي عملكرد بالايي مي باشد به طوري كه ضريب همبستگي در داده هاي آموزش و تست به ترتيب برابر 98/0 و 99/0 برآورد مي گردد. بحث و نتيجه گيري: با توجه به كارائي بالاي شبكه عصبي GMDH در پيش بيني درصد متان موجود در بيوگاز، مي توان از اين مدل جهت طراحي بهينه سيستم هاي جمع آوري و تصيه گاز مراكز دفن زباله، و همچنين براي حصول اطمينان از نتايج پايش و كاهش هزينه پايش استفاده كرد.