ارايه الگوي عملكرد صافي‌هاي تحت فشار با استفاده از شبكه‌هاي عصبي مصنوعي و تعيين ميزان كدورت بهينه مرتبط با حذف باكتري‌ها

يكي از مباني اساسي و ضروري در طراحي و بهره‌برداري صحيح از واحدهاي مختلف تاسيسات تصفيه‌خانه‌هاي آب، ارزيابي و پيش‌بيني دقيق عملكرد آن واحدها تحت شرايط مختلف است. در اين تحقيق علاوه بر ارايه الگويي براي پيش‌بيني عملكرد صافي‌هاي تحت فشار در حذف كدورت، رابطه ميزان كدورت در بار سطحي بهينه و درصد حذف باكتري بررسي شده است. اهداف مد نظر شامل: 1) بررسي‌هاي آزمايشگاهي پيرامون عملكرد صافي‌هاي تحت فشار در حذف كدورت تحت شرايط مختلف از جمله تغيير كدورت ورودي، نرخ فيلتراسيون و فشار فيلتر، 2) تجزيه‌و‌تحليل آماري نتايج استخراج شده و تعيين حداقل و حداكثر كدورت محتمل خروجي از صافي، 3) استفاده از شبكه‌هاي عصبي مصنوعي به منظور ارايه الگويي مناسب در تعيين عملكرد صافي مورد نظر در حذف كدورت، 4) تعيين شاخص‌هاي الگوي مورد نظر به منظور استفاده در تعيين عملكرد صافي‌هاي مشابه، 5) تعيين بهترين ميزان كدورت و بار براي رسيدن به بيشترين حذف كليفرم و كل باكتري، است. براي دسترسي به اهداف تعيين شده، ضمن ساخت پايلوت مناسب، نمونه‌برداري و انجام آزمايش‌هاي لازم بر روي 1300 نمونه صورت پذيرفت و سپس بر اساس محاسبات و تجزيه‌و‌تحليل‌هاي آماري، حداقل و حداكثر كدورت محتمل خروجي از صافي تحت شرايط مختلف تعيين شد. در نهايت و بر اساس نتايج حاصل از تجزيه‌و‌تحليل‌هاي مورد نظر، ضمن بررسي ساختارهاي مختلفي از شبكه‌هاي عصبي مصنوعي، بهترين ساختار تعيين و شاخص‌هاي آن به‌عنوان يكي از اهداف مهم تحقيق حاضر براي استفاده در موارد مشابه ارايه شد.

One of the principles for designing and using the various units of water treatment plants is ability of assigning and predicting performance of those units in different and various conditions that could be checked by making pilot and could be modeled by means of available programs and software such as artificial neural network. At this study a model provided for predict performance of pressure filters to remove turbidity, also relationship between turbidity quantity in optimize surface loading removal of bacteria have been investigated. This targets was considerate: (1) Experimental studies on performance of pressure filters for turbidity remove under different conditions, including influent turbidity, filtration rate and filter pressure, (2) extract of statistical analysis results and determine of the minimum and maximum effluent turbidity, (3) Using artificial neural networks for providing the appropriate model in determining filter performance in turbidity remove, (4) determining of the desired model indicators for using in performance of same filters, (5) determining the best influent turbidity and surface loading to receive maximum removal bacteria and coli-form. Appropriate pilot making, sample testing was done with 1300 of sample and then the minimum and maximum effluent turbidity was determined based on calculation and statistical analysis. Finally, the best model was determined and its indicators as one of the major objectives were presented for this study in similar cases.