تخمين TSS خروجي تصفيه خانه فاضلاب اهواز با استفاده از مدل هاي هوشمند

Estimation of Effluent TSS of Ahvaz Wastewater Treatment Plant Using Inelegant Models

مقدمه محدودبودن منابع آب شيرين در جهان، بهخصوص در مناطق خشك و نيمهخشك مانند ايران، رويكرد استفاده مجدد از پسابهاي شهري را اجتناب ناپذير ساخته است. از مهمترين شاخصهاي بررسي ميزان آلودگي فاضلاب و مقايسه با استانداردهاي مختلف جهت بازاستفاده يا تخليه به منابع آبي TSS ميباشد كه آزمايشي هزينه بر و زمان بر است. مطالعه حاضر در سال 1395 با هدف تخمين TSS خروجي تصفيهخانه فاضلاب اهواز با استفاده از مدل هاي هوشمند انجام يافته است. مواد و روش ها با توجه به زمان بر و هزينه بر يودن آزمون TSS، در اين تحقيق، توانمندي سه مدل رگرسيون خطي چندمتغيره، شبكه عصبي مصنوعي و سيستم استنتاج فازي عصبي تطبيقي جهت تخمين TSS فاضلاب خروجي از تصفيه خانه فاضلاب با استفاده از نرم افزار MATLAB و SPSS 21 بررسي شد. براين اساس تركيبات مختلفي از پارامترهاي كيفي فاضلاب، طي دوره آماري 8 ساله (1394-1387) به عنوان ورودي مدلها در دو حالت روزانه و ماهانه مورد ارزيابي قرار گرفت. نتايج مدل رگرسيون حداكثر ضريب تعيين (R2) براي مراحل آموزش و صحتسنجي را بهترتيب در دوره روزانه 0/75 و 0/67 و در دوره ماهانه 0/68 و 0/66 به دست آورد؛ ريشه ميانگين مربعات خطا (RMSE) در اين آزمون 0/033 و 0/025 در دوره روزانه و 0/053 و 0/053 در دوره ماهانه، بهدست آمد. حداكثرR2 با شبكه عصبي مصنوعي به ترتيب براي مراحل آموزش و صحت سنجي در دوره روزانه 0/87 و 0/79 و در دوره ماهانه 0/87 و 0/85، و RMSE برابر 0/030 و 0/023در دوره روزانه و 0/034و 0/031 در دوره ماهانه، به دست آمد. نتايج بيشترين r2 را براي مدل سيستم استنتاج فازي عصبي تطبيقي نشان دادند كه در دوره روزانه 0/91 و 0/83 و در دوره ماهانه 0/89 و 0/87، و مقدار RMSE برابر 0/026 و 0/025 در دوره روزانه و 0/031 و 0/028 در دوره ماهانه، به ترتيب براي مراحل آموزش و صحتسنجي بود. نتيجه گيري براساس يافته هاي تحقيق هر سه مدل در تخمين مقدار TSS فاضلاب خروجي كاربرد مناسبي داشتند، اما مدل سيستم استنتاج فازي عصبي تطبيقي به دليل برازش بهتر و خطاي كمتر، مدلي مناسبتر است.

Introduction: The limitation of fresh water resources in the world, especially in arid and semi-arid regions such as Iran, has inevitably led to the reuse of urban wastewater. One of the most important indicators of sewage pollution and comparison with different standards for reuse or discharge to the water resources is TSS. The present study was conducted in 2016 with the aim of estimation of effluent TSS of Ahvaz wastewater treatment plant using inelegant models. Material and methods: Regard to costly and time-consuming measurement tests of TSS, the capability of multivariate linear regression model, Artificial Neural Network (ANN), and Adaptive Neuro-Fuzzy Inference System (ANFIS) was studied to estimate (TSS) in wastewater treatment plant output by MATLAB and SPSS 21 software. Accordingly, various compounds of sewage quality parameters were evaluated during the 8-year statistical period (2008-2015) as input of models in two daily and monthly modes. Results: The results of the regression model indicated that the maximum R2 for training and verification were 0.75 and 0.67 in daily and 0.68 and 0.66 in monthly period, respectively. The root mean square error (RMSE) in this test was 0.033 and 0.025 in the daily period and 0.053 and 0.053 in the monthly period. The maximum R2 in ANN for training and verification were 0.87 and 0.79 in daily and 0.87 and 0.85 in monthly period, respectively. The RMSE in this test was 0.030 and 0.023 in the daily period and 0.034 and 0.031 in the monthly period. Meanwhile, the maximum R2 in ANFIS for training and verification were 0.91 and 0.83 in daily and 0.89 and 0.87 for monthly period, respectively. The RMSE in this test was 0.026 and 0.025 in the daily period and 0.031 and 0.028 in the monthly period. Conclusion: The results confirmed the application of three models is appropriate, but the ANFIS was considered as a more appropriate model.