پيش‌بيني نرخ برگشت لجن با استفاده از شبكه‌هاي عصبي مصنوعي، مطالعه موردي: تصفيه‌خانه فاضلاب تربت حيدريه

Using Artificial Neural Networks to Estimate the Return Sludge Rate, A Case Study of Torbat Heydarieh Wastewater Treatment Plant

بین پارامترهای مختلف كمّی و كیفی فاضلاب و میزان لجن برگشتی مورد نیاز، كه یكی از مهم‌ترین پارامترهای بهره برداری از تصفیه‌خانه‌های فاضلاب به‌روش لجن فعال است، ارتباط علت و معلولی پیچیده و غیر خطی وجود دارد. همچنین شبكه‌های عصبی مصنوعی دارای مزایایی از قبیل قدرت یافتن روابط علت و معلولی پیچیده و غیر خطی توسط ابزارهای محاسباتی ساده ریاضی، داشتن قدرت تعمیم بالا و همچنین سرعت بالا در مرحله آزمایش‌اند و می‌توانند به‌صورت یك ابزار نرم‌افزاری در بهره‌برداری از تصفیه‌خانه فاضلاب مورد استفاده قرار گیرند. در این پژوهش میزان لجن برگشتی در تصفیه‌خانه فاضلاب شهر تربت حیدریه با استفاده از شبكه عصبی مصنوعی و با توجه به داده‌های ورودی یك‌ساله مورد بررسی قرار گرفت. پارامترهای مختلف تأثیر‌گذار در میزان لجن برگشتی از قبیل دبی و دمای فاضلاب ورودی، TSS، BOD5، COD ورودی و خروجی، غلظت لجن برگشتی، غلظت مواد معلق مایع مخلوط و همچنین میزان لجن فعال جمع‌آوری شده، به شبكه‌های عصبی MLP و RBF اعمال شد. نتایج این مطالعه نشان داد كه شبكه عصبی مصنوعیMLP می‌تواند با دقت بیش از 93 درصد میزان لجن برگشتی مورد نیاز در سیستم‌های متداول بیولوژیكی تصفیه فاضلاب به‌روش هوادهی گسترده را پیش‌بینی نماید.

There are complex and nonlinear causal relationships among the different quality and quantity parameters of wastewater and return activated sludge, which is one of the most important parameters in the operation of activated sludge wastewater treatment plants. On the other hand, Artificial Neural Networks (ANNs) have advantages such as the ability to identify and extract complex and nonlinear causal relations using simple mathematical formulas, high generalizing power , and high speed that make them capable of being used as a powerful software in the operation of wastewater treatment plants. In this study, the application of artificial neural networks (ANNs) for determining the amount of return activated sludge in Torbat Heydarieh wastewater treatment plant is investigated based on one-year inlet flow data. The different parameters involved in this process such as inlet flow and temperature, inlet and outlet total suspended solids, inlet and outlet BOD5 and COD, MLSS, and the amount of return activated sludge were collected and applied to MLP and RBF artificial neural networks (ANNs). Results showed thatMLP is capable of estimating the return activated sludge required in conventional biological wastewater treatment systems such as extended aeration and that its estimation accuracy is above 93%.