عنوان پایان‌نامه
مدل بهینه سازی هوشمند سیستم تصفیه به منظور کنترل کیفی منابع آب ( مطالعه موردی: پارامتر کربن آلی کل (TOC )
- رشته تحصیلی
- مهندسی محیط زیست -منابع آب
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1469;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76290;کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1469;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76290
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۵
- دانشجو
- طاهر احمدزاده کوکیا
- استاد راهنما
- ناصر مهردادی, مجتبی اردستانی
- چکیده
- اندازه گیری و پایش کربن آلی در محیط های آبی یکی از شاخص های مهم کیفی در پروژه های مدیریت محیط زیست، پایش کیفی منابع آب و تامین آب شرب است. لازمه ی دست یابی به بالاترین کیفیت با کمترین هزینه ممکن در تامین آب شرب نیازمند بهینه سازی فرایند های حذف کربن آلی از منابع آب می باشد. در این رساله، عملکرد مدل شبکه عصبی مصنوعی با هدف سنجش پارامتر کربن آلی کل در آب و بهینه سازی سیستم تصفیه در حذف آن با حداکثر ضریب همبستگی محتمل و حداقل تعداد پارامترهای ورودی، مورد مطالعه و بهینه سازی قرار گرفت. آزمون صحت سنجی مدل بیانگر توافق خوبی میان محاسبات مدلسازی و مشاهدات واقعی بوده است. تحلیل نتایج نشان دهنده ی عملکرد قابل قبول مدل شبکه عصبی می باشد. رفتار سنجی نتایج مدلسازی شبکه عصبی در مقایسه با مدل رگرسیون غیر خطی چندگانه آشکار نمود که مدل شبکه عصبی از قابلیت ممتازتری در سنجش کربن آلی و تعیین دوز بهینه ترکیبات منعقدکننده در شرایط بحرانی بهره مند است. بنابراین مدل شبکه ی عصبی با ساختار پس انتشار خطا به عنوان قلب نرم افزاری این رساله برای تعیین کربن آلی ورودی، غلظت بهینه ی فریک کلراید و پلیمر و نهایتاً تخمین کربن آلی خروجی از تصفیه خانه بکار رفت. تحلیل نتایج آزمون صحت سنجی نشان دهنده ی عملکرد قابل قبول مدل شبکه عصبی با ضریب تشخیص 0.98 و 0.97 و 0.85 و 0.97 به ترتیب برای محاسبه ی غلظت کربن آلی ورودی، دوز بهینه ی فریک کلراید، دوز بهینه ی پلیمر و غلظت کربن آلی خروجی می باشد. بیشینه خطای محاسباتی برای کلیه ی خروجی های مدل شبکه ی عصبی از 5 % فراتر نرفت. نتایج مدلسازی با موفقیت در پایلوت سنجش و بهینه سازی حذف TOC تحت کالیبراسیون و آزمون قرار گرفت.
- Abstract
- Detection and monitoring of organic carbon in water resources is a critical quality index for environmental management, water quality monitoring and drinking water projects. Intelligent model optimization is a key factor in water treatment improvement. In this study, the performance and applicability of artificial neural network and multiple nonlinear regression modeling were investigated and optimized for the prediction of source water organic carbon and the optimization of the treatment processes with the highest probable correlation coefficient and minimum number of input parameters. Model verification showed a good agreement between predicted parameters and actual observations. Results indicated remarkable performance of neural network model for the prediction of TOC and coagulants dosages in most of situations. Coefficient of determination was calculated to be 0.98, 0.97, 0.85, 0.97 for the source water TOC, ferric chloride dosage, polymer dosage and output water TOC respectively. Maximum mean absolute error percentages calculated to be below 5% for all the modeling outputs. According to the results, artificial neural networks showed to be very promising for the optimization of water treatment processes according to the source water quality variations. Keywords Modeling; Total Organic Carbon; Coagulant dosage; Water Quality; Neural Network
