ﻣﺪلﺳﺎزي ﮐﯿﻔﯿﺖ ﺗﺼﻔﯿﻪ آب و ﻓﺎﺿﻼب ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﺗﺮﮐﯿﺒﯽ

Modeling the quality of water and wastewater treatment using neural networks and hybrid neural networks

يكي از مهمترين و بنيادي‌ترين عامل حيات موجودات زنده آب است، لذا آلودگي آب ها، يك معضل بزرگ زيست محيطي محسوب مي شود و جلوگيري از آلودگي آب ها و ارائه روش هاي هوشمند براي تصفيه آب ها بسيار مهم و مورد توجه است. تجهيز علوم مهندسي به ابزارهاي هوشمند و هوش مصنوعي در تشخيص كيفيت تصفيه فاضلاب ها مي تواند اشتباهات افراد خبره و خسارت هاي مالي ناشي از آن را كاهش دهد. تا كنون از روش هاي مختلفي براي تصفيه پساب هاي صنعتي استفاده شده است. اما با توجه به وقت گير بودن و هزينه بالاي اين روش ها، استفاده از روش هاي كم هزينه و دقيق همواره مورد نياز مي باشد. دراين مقاله يك روش هوشمند ساده و تركيبي بر پايه شبكه عصبي مصنوعي و روش آماري رگرسيون لجستيك ، جهت مدلسازي پيش بيني كيفيت خروجي سيستم هاي تصفيه فاضلاب ارائه مي شود. سيستم هوشمند ارائه شده نقش مهمي در بررسي كيفيت تصفيه فاضلاب ها داشته و براي محققان هوش مصنوعي و مهندسين محيط زيست قابل استفاده مي باشد. مقايسه نتايج پيش بيني شده توسط مدل شبكه عصبي ساده و مدل تركيبي طراحي شده با پايه شبكه عصبي و رگرسيون لجستيك، نشان داد كه روش پيشنهادي در اين تحقيق يك روش ارزشمند براي پيش بيني كيفيت خروجي حاصل از تصفيه فاضلاب ها با بيشترين بازده وكمترين خطا مي باشد.

One of the most important and fundamental factors in the life of living things is water. Therefore, water pollution is a major environmental problem and prevent water pollution and providing smart methods for water treatment is so important. Equipping engineering sciences with intelligent tools and artificial intelligence in the diagnose quality of wastewater treatments can reduce the errors of the methods. This paper presents a simple and hybrid neural network with statistical logistic regression method for modelling of the output quality of wastewater treatment. The proposed intelligent method plays an important role in the quality of wastewater treatment and can be used by artificial intelligence researchers and environmental engineers. Comparison of the predicted results by simple neural network and hybrid one showed that the efficiency of the hybrid model and it is suitable for our purpose. results of research proved that the new method has the highest efficiency with minimum errors.