عنوان پایان‌نامه
استفاده ازشبکه های عصبی مصنوعی جهت پیش بینی مقداربهینه ماده منعقدکننده درآزمایش جارتست
- رشته تحصیلی
- مهندسی محیط زیست -آب وفاضلاب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1084;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61122
- تاریخ دفاع
- ۰۹ بهمن ۱۳۹۲
- دانشجو
- صدف حقیری
- چکیده
- امروزه بهره برداری مناسب از تصفیه خانه های آب و استفاده از آن از اهمیت ویژه ای برخوردار است. انعقاد و لخته سازی ازمرسوم ترین روش ها در تصفیه آب است که در آن استفاده از مواد منعقد کننده منجر به ناپایدار شدن ذرات و تشکیل ذرات بزرگتر و سنگین تر، و در نتیجه بهبود فرآیند های ته نشینی و فیلتراسیون می شود. تعیین دوز بهینه این ماده منعقدکننده از اهمیت ویژه ای برخوردار است . مقدار دوز بالا علاوه بر افزودن هزینه ها، موجب باقی ماندن رسوب در آب تصفیه شده می گردد که طبق استاندارد ها خطرناک خواهد بود ، و همچنین نبود دوز کافی مواد منعقد کننده، عدم کیفیت لازم و بازده مناسب در فرایند انعقاد را منجر خواهد شد. به صورت سنتی از آزمایش جار تست برای این امر ( تعیین مقدارماده ی منعقدکننده ی مطلوب) استفاده می شود که استفاده از این آزمایش به دلیل هزینه بر بودن و زمان نسبتا طولانی مورد نیاز و روابط پیچیده بین عوامل زیادی که در کارایی ماده منعقد کننده و نتایج آزمایش تاثیر گذارند (کدورت و درجه حرارت و pH و قلیائیت و ...) در ارزیابی نتایج برای تغییرات ناگهانی پارامتر آب ورودی با محدودیت مواجه است. مدل سازی می تواند برای غلبه بر این محدودیت ها مورد استفاده قرار گیرد. در این تحقیق، دو مدل شبکه عصبی مصنوعی MLP با یک لایه ی پنهان برای مدلسازی آزمایش جارتست و پیش بینی دوز ماده منعقد کننده مصرفی و پیش بینی کیفیت آب خروجی در فرایند انعقاد تصفیه خانه آب استفاده میگردد. داده های موجود در این تحقیق مربوط به تصفیه خانه آب شرب واقع در استان اردبیل می باشد. به منظور ارزیابی عملکرد مدل ها از شاخص های MSE و ضریب همبستگی R استفاده شده است. مقادیر R بدست آمده در مدل ها در بازه ی قابل قبولی قرار دارند که نشان دهنده دقت مناسب آنها در برآورد مشخصات کیفی آب و دوز بهینه است. بنابر این استفاده از این مدل ها به بهره برداران اجازه خواهد داد تا همراه کاهش هزینه ها و زمان صرف شده برای انجام تجربی آزمایش جار تست، به پیش بینی مناسبی برای مقدار ماده منعقد کننده در شرایط واقعی متغییر و همچنین پیش بینی کیفیت آب خروجی در صورت داشته باشند.
- Abstract
- Nowadays the proper operation of the water treatment plant and its use is of particular importance.Coagulation and flocculation in water treatment is one of the common ways in which the use of coagulants leads to unstable particles to form larger and heavier particles, resulting in improved sedimentation and filtration processes. Determine the optimum dose of this coagulant is of particular importance.High dose in addition to adding costs, results in remaining the filtrate is precipitated which would be dangerous according to the standard and lack of adequate doses of coagulants, will result in lack of the required quality and accepted good performance in the coagulation process.Traditionally, jar tests are used for this case (determine the optimum coagulant doses) but Use of this experiment because of therequired relatively long time, expensive and complex relationships between the many factors that influence the efficiency of coagulant and test results(Turbidity, temperature, pH and alkalinity, etc.) In the evaluation of resultsin sudden changes in water parameters has some limitation.Modeling can be used to overcome these limitations.In this research, artificial neural network MLE With onehidden layer is used for the modeling of Jar test to determine dosage of fourused coagulant in water treatment processes. The data contained in this research relates to the Drinking Water Treatment Plant is located in the Ardabil province.To evaluate the performance of the model, the parameters of MSE And the Correlation coefficient R is used. Theobtained values are within the acceptable range which shows high accuracy of models in the estimation of water quality characteristics and is the optimal doseoquagulant. Thus, using these models will allow operators to reachin addition to reducing costs and time taken to perform experimental jar tests,a good prediction of suitable dose for the coagulant variables in real terms as well as predictingtreated water quality characters.
