عنوان پایان‌نامه
پیش بینی کیفیت پساب خروجی تصفیه خانه فاضلاب با استفاده از داده کاوی پیش گویانه- مطالعه موردی شهرک صنعتی بهاران همدان
- رشته تحصیلی
- مهندسی محیط زیست -آب وفاضلاب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 63635;کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1166
- تاریخ دفاع
- ۲۳ بهمن ۱۳۹۲
- دانشجو
- ابوالفضل محمدطاهری
- استاد راهنما
- علی ترابیان
- چکیده
- بهره برداری مناسب از تصفیه‌خانه‌های فاضلاب، با توجه به مسائل زیست محیطی از اهمیت ویژه‌ای برخوردار است که در صورت راهبری نامناسب می‌تواند باعث بروز مشکلات جدی شود. فرایند‌هایی که در سیستم‌های بیولوژیک وجود دارد و مهندسین محیط زیست با آن سروکار دارند، اغلب دو خصوصیت عمده دارند: 1- وابسته به متغیرهای زیادی هستند. 2- روابط پیچیده‌ای بین اجزا آن وجود دارد که تحلیل آن را بسیار مشکل می‌نماید. به منظور کنترل بهتر و کارآمد عملکرد تصفیه خانه‌های فاضلاب صنعتی، می‌توان از یک ابزار هوشمند، بر مبنای اطلاعات ثبت شده برخی از پارامترهای اساسی پساب، طی دوره‌ای از بهره‌برداری تصفیه‌خانه استفاده کرد. این پایان نامه به پیش بینی برخی پارامترهای فاضلاب تصفیه خانه شهرک صنعتی بهاران با استفاده از تکنیک های داده کاوی می پردازد. پیش بینی ها در سه نقطه ورودی، خروجی و حوض هوادهی بر روی مقادیر متغیر pH ورودی به تصفیه خانه ، COD خروجی از آن و ساعت کارکرد هواده ها و دبی لجن برگشتی در حوض هوادهی ، با استفاده از تکنیک های داده کاوی نشان داد ماشین بردار پشتیبان رگرسونی و شبکه عصبی پرسپترون چندلایه می تواند مقادیر این متغیرها را با دقت بیشتری پیش بینی نمود.در پیش بینی pH با استفاده از سری های زمانی ، ماشین بردار پشتیبان رگرسیونی باMAE 037/0 و همبستگی(R) 64/0 الگوریتم منتخب برگزیده شد. درپیش بینی ساعت کارکرد هواده ها به ماشین بردار پشتیبان با MAE 404/0 و همبستگی ((R 713/0 الگوریتم برتر شناخته شد، برای پیش بینی دبی لجن برگشتی الگوریتم ماشین بردار پشتیبان رگرسونی در این حالت مقدار MAE,ME برای مقادیرپیش بینی ساعات کارکرد هواده ها به ترتیب برابر 08/0 و 64/0 می باشند و مقدار R عدد78/0 را نشان می دهد. در نهایت برای پیش بینی CODخروجی الگوریتم پرسپترون چند لایه با که همبستگی بالاتری (725/0) و خطای پایین‌تری (513/0) بر حسب آماره MAE را در داده‌های تست از خود نشان داده است، به عنوان شبکه بهینه انتخاب گردید.
- Abstract
- With regard to environmental issues, proper operation of wastewater treatment plants has a particular importance; hence inappropriate utilization will cause serious problems. Processes in biological system which environmental engineering dill whit them, mostly have two major characteristics: they are dependent on many variables; and there are complex relationships between its components which make them very difficult to analyze. In order to have a better control, and more efficient performance in industrial wastewater treatment plant, it can be used some intelligent tools based on Periodical recorded essential information. This thesis wants to predict some Baharan Industrial State wastewater treatment plant parameters using Data Mining techniques. Predictions have been done in tree point, inlet, and outlet and aeration tank, on values of variables such as inlet pH, effluent COD, and in aeration tank: blower working time and return activated sludge. Using Data Mining techniques for above mentioned predictions showed that Regression Support Vector Machine and Multi Layer Preceptoron could predict variables white high precession. In pH prediction by Time Series, SVR white MAE 0.037 and R 0.64 was selected algorithm. For RAS and Blower Working Time, SVR was selected one too (MAE 0.404 and R 0.713- MAE 0.08 and R 0.64).finally, for prediction of effluent COD, MLP white higher R (0.78) and lower MAE (0.513) in test data was the selected algorithm. Key word: prediction, Data Mining, wastewater variables, Baharan Industrial State
