بررسي بهينه سازي فرايند حذف كربن آلي كل در تصفيه خانه هاي متداول آب شرب

Intelligent Optimization of Common Water Treatment Plant for the Removal of Organic Carbon

بهينه سازي به كمك يك مدل هوشمند لازمه ي دست يابي به بالاترين كيفيت ممكن در تامين آب شرب و صنعتي مي باشد. در اين مطالعه، مدل شبكه عصبي مصنوعي به منظور بهينه سازي فرايند انعقاد و لخته سازي آب شرب با هدف كنترل كيفي آب خروجي نسبت به پارامتر كربن آلي كل مورد استفاده قرار گرفت. مدل شبكه عصبي با ساختار پيش خور چند لايه و با فرايند يادگيري پس انتشار خطا براي بهينه سازي غلظت فريك كلرايد و پليمر كاتيوني بكار رفت. نتايج به صورت همزمان با مدل رگرسيون غير خطي چندگانه به منظور افزايش ضريب همبستگي و كاهش پارامترهاي ورودي، مورد مقايسه قرار گرفت. آزمون صحت سنجي مدل با استفاده از 94 نمونه جديد و ناشناس كاملاً موفقيت آميز بود. تحليل نتايج نشان دهنده عملكرد قابل قبول مدل شبكه عصبي با ضريب تشخيص (R2) به ترتيب 0.85 براي مدل پليمر كاتيوني و 0.97 براي مدل فريك كلرايد مي باشد. ميزان درصد ميانگين خطاي مطلق و جذر ميانگين مربعات خطا نيز به ترتيب به ترتيب 5.8 % و 0.96 براي مدل پليمر كاتيوني و 1/3 % و 1.97 براي مدل فريك كلرايد مي باشد. نتايج نشان داد كه مدل شبكه عصبي مصنوعي از دقت به مراتب بالاتري در بهينه سازي فرايند هاي پيچيده تصفيه آب برخوردار است.

Intelligent model optimization is a key factor in the improvement of water treatment. In the current study, we applied artificial neural networks modelling for the optimization of the coagulation and flocculation processes to achieve sufficient water quality control over the total organic carbon parameter. The ANN network consisted of a multilayer feed-forward structure with a back propagation learning algorithm with the output layer of ferric chloride and cationic polymer dosages. The results were simultaneously compared with the nonlinear multiple regression model. The model validation phase was 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 the cationic polymer and 0.97 for the ferric chloride models, respectively. He mean absolute percentage error and root mean square errors were calculated, consequently, as 5.8% and 0.96 for the polymer and 3.1% and 1.97 for the ferric chloride models, respectively. According to the results, artificial neural networks proved to be very promising for the optimization of water treatment processes.