كاربرد شبكه عصبي GMDH و الگوريتم ژنتيك در مدل سازي درصد متان موجود در گاز مراكز دفن زباله

زمینه و هدف : در این مطالعه از شبكه عصبی GMDH بر اساس الگوریتم ژنتیك جهت پیش بینی درصد متان موجود در گاز دفن گاه زباله در مقیاس آزمایشگاهی، استفاده شده است. جهت تخمین درصد متان موجود در گاز مركز دفن به وسیله شبكه عصبی GMDH، از مشخصات فاضلاب به عنوان داده های ورودی و از درصد متان موجود در بیوگاز به عنوان داده خروجی استفاده شده است. پارامترهای ورودی جهت پیش بینی میزان متان موجود در بیوگاز شامل دما، رطوبت، pH، COD و آمونیوم می باشد. روش بررسی: راكتورهای شبیه ساز مركز دفن زباله كه در این مطالعه از آن ها استفاده شده، در دو سیستم متفاوت عمل می كنند. سیستم یك(C1)، فقط شامل راكتور حاوی زباله تازه است، در این سیستم فاضلاب پس از تولید بر روی زباله تازه بازگردانده می شود. سیستم دو(C2)، شامل راكتور حاوی زباله تازه و راكتوری حاوی زباله خوب تجزیه شده است. در این سیستم، فاضلاب پس از خروج از زباله تازه، برروی راكتور حاوی زباله خوب تجزیه شده تخلیه و سپس بر روی زباله تازه بازگردانده می شود. در دو سیستم، پارامترهای كیفی فاضلاب و درصد متان موجود در بیوگاز راكتورها به مدت 132 روز پایش شده است. یافته ها: نتایج مطالعه نشان می دهد، شبكه عصبی GMDH در پیش بینی درصد متان موجود در بیوگاز دارای عملكرد بالایی می باشد به طوری كه ضریب همبستگی در داده های آموزش و تست به ترتیب برابر 98/0 و 99/0 برآورد می گردد. بحث و نتیجه گیری: با توجه به كارائی بالای شبكه عصبی GMDH در پیش بینی درصد متان موجود در بیوگاز، می توان از این مدل جهت طراحی بهینه سیستم های جمع آوری و تصیه گاز مراكز دفن زباله، و همچنین برای حصول اطمینان از نتایج پایش و كاهش هزینه پایش استفاده كرد.