دوره 11، شماره 4 - ( 6-1403 )
جلد 11 شماره 4 صفحات 393-380 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Bagheri A, Sadani M, karimi M. Effluent quality prediction of one of the urban wastewater treatment plants using machine learning algorithms. J Environ Health Eng 2024; 11 (4) :380-393
URL: http://jehe.abzums.ac.ir/article-1-1059-fa.html
URL: http://jehe.abzums.ac.ir/article-1-1059-fa.html
باقری امین، سعدانی محسن، کریمی محمدرضا. پیش‌بینی کیفیت پساب یکی از تصفیه‌خانه های فاضلاب شهری شهر تهران با استفاده از الگوریتم های یادگیری ماشین. مجله مهندسی بهداشت محیط. 1403; 11 (4) :380-393
دانشجوی گروه MPH، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران،ایران
چکیده: (607 مشاهده)
زمینه و هدف: برای کاهش هزینه‌های مدیریت سیستم‌های تصفیه فاضلاب، می‌توان از شبیه‌سازهای ریاضی و آماری استفاده نمود. این پژوهش باهدف پیش‌بینی کیفیت پساب یکی از تصفیه‌خانه‌های فاضلاب شهری شهر تهران با استفاده از الگوریتم‌های یادگیری ماشین طی سال‌های ۱۳۹۶ تا ۱۴۰۰ انجام گردید.
مواد و روش ها: این مطالعه یک پژوهش توصیفی - تحلیلی است که در آن اطلاعات سیستم‌های پایش ورودی و خروجی تصفیه‌خانه فاضلاب دریافت و پاک‌سازی داده‌ها انجام گرفت. در مرحله دوم تبدیل داده‌ها به‌منظور آماده‌سازی ورود آن‌ها به الگوریتم‌های داده‌کاوی از طرق پالایش، پردازش و ایجاد متغیر ساختگی (Dummy) انجام شد. سپس، الگوریتم شبکه عصبی مصنوعی (ANN) و مدل درختی M5 به‌منظور یافتن بهترین مدل جهت پیش‌بینی غلظت COD در خروجی تصفیه‌خانه مورد بررسی قرار گرفت؛ در این راستا ٧۰ درصد داده‌ها جهت یادگیری ماشین و ۳۰ درصد به‌منظور اعتبارسنجی در نرم‌افزار پایتون مورداستفاده قرار گرفت. درنهایت با مدل رگرسیونی و مقایسه شاخص‌های R2 و RMSE به انتخاب بهترین مدل پرداخته شد.
یافته ها: نتایج نشان داد که ANN با ضریب تعیین ۰/۷۲ عملکرد بهتری نسبت به مدل M5 با ضریب ۰/۶۸ در پیش‌بینی غلظت COD خروجی به‌عنوان شاخص کارایی تصفیه‌خانه دارد.
همچنین بر اساس نتایج تحلیل رگرسیون از بین متغیرهای مستقل BOD5 و TSSe بیشترین همبستگی را با CODout داشتند.
نتیجه گیری: در پژوهش حاضر، نتایج مدل ANN و M5 بر اساس شاخص‌های آماری در محدوده قابل‌قبولی قرار گرفتند و می‌توان با موفقیت برای تخمین داده‌ها در تصفیه‌خانه‌های فاضلاب استفاده کرد.
مواد و روش ها: این مطالعه یک پژوهش توصیفی - تحلیلی است که در آن اطلاعات سیستم‌های پایش ورودی و خروجی تصفیه‌خانه فاضلاب دریافت و پاک‌سازی داده‌ها انجام گرفت. در مرحله دوم تبدیل داده‌ها به‌منظور آماده‌سازی ورود آن‌ها به الگوریتم‌های داده‌کاوی از طرق پالایش، پردازش و ایجاد متغیر ساختگی (Dummy) انجام شد. سپس، الگوریتم شبکه عصبی مصنوعی (ANN) و مدل درختی M5 به‌منظور یافتن بهترین مدل جهت پیش‌بینی غلظت COD در خروجی تصفیه‌خانه مورد بررسی قرار گرفت؛ در این راستا ٧۰ درصد داده‌ها جهت یادگیری ماشین و ۳۰ درصد به‌منظور اعتبارسنجی در نرم‌افزار پایتون مورداستفاده قرار گرفت. درنهایت با مدل رگرسیونی و مقایسه شاخص‌های R2 و RMSE به انتخاب بهترین مدل پرداخته شد.
یافته ها: نتایج نشان داد که ANN با ضریب تعیین ۰/۷۲ عملکرد بهتری نسبت به مدل M5 با ضریب ۰/۶۸ در پیش‌بینی غلظت COD خروجی به‌عنوان شاخص کارایی تصفیه‌خانه دارد.
همچنین بر اساس نتایج تحلیل رگرسیون از بین متغیرهای مستقل BOD5 و TSSe بیشترین همبستگی را با CODout داشتند.
نتیجه گیری: در پژوهش حاضر، نتایج مدل ANN و M5 بر اساس شاخص‌های آماری در محدوده قابل‌قبولی قرار گرفتند و می‌توان با موفقیت برای تخمین داده‌ها در تصفیه‌خانه‌های فاضلاب استفاده کرد.
واژه‌های کلیدی: الگوریتم های یادگیری ماشین، شبکه عصبی مصنوعی، درخت مدل M5، رگرسیون، اکسیژن خواهی شیمیایی
فهرست منابع
1. Torabian A, Motalebi M. Management plan for reuses of treated wastewater (case study: ekbatan treatment plant). 2004.
2. Yel E, Yalpir S. Prediction of primary treatment effluent parameters by Fuzzy Inference System (FIS) approach. procedia computer science. 2011;3:659-65. [DOI:10.1016/j.procs.2010.12.110]
3. Fresner J. Cleaner production as a means for effective environmental management. Journal of cleaner production. 1998;6(3-4):171-9. [DOI:10.1016/S0959-6526(98)00002-X]
4. Türkmenler H, Pala M. Performance assessment of advanced biological wastewater treatment plants using artificial neural networks. International Journal of Engineering Technologies IJET. 2017;3(3):151-6. [DOI:10.19072/ijet.324091]
5. Shirvani H, Ganjidoust H, Hemmati M, Zarasvand Asadi R. Investigation of oil refinery wastewater treatment using a submerged membrane bioreactor. Journal of Petroleum Research. 2013;22(70):43-55.
6. Mjalli FS, Al-Asheh S, Alfadala H. Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance. Journal of environmental management. 2007;83(3):329-38. [DOI:10.1016/j.jenvman.2006.03.004]
7. Ward J, Ward P, Saint C, Mantzioris E. The urban agriculture revolution. Water: Journal of the Australian Water Association. 2014;41(1):69-74.
8. Mehrdadi N, Ghasemi M. Modeling of Tehran South Water Treatment Plant Using Neural Network and Fuzzy Logic Considering Effluent and Sludge Parameters. Numerical Methods in Civil Engineering. 2021;6(1):63-76. [DOI:10.52547/nmce.6.1.63]
9. Ramírez Y, Kraslawski A, Cisternas LA. Decision-support framework for the environmental assessment of water treatment systems. Journal of Cleaner Production. 2019;225:599-609. [DOI:10.1016/j.jclepro.2019.03.319]
10. Khosravi K, Mao L, Kisi O, Yaseen ZM, Shahid S. Quantifying hourly suspended sediment load using data mining models: case study of a glacierized Andean catchment in Chile. Journal of Hydrology. 2018;567:165-79. [DOI:10.1016/j.jhydrol.2018.10.015]
11. Najafzadeh M, Zeinolabedini M. Prognostication of waste water treatment plant performance using efficient soft computing models: an environmental evaluation. Measurement. 2019;138:690-701. [DOI:10.1016/j.measurement.2019.02.014]
12. Hamada M, Adel Zaqoot H, Abu Jreiban A. Application of artificial neural networks for the prediction of Gaza wastewater treatment plant performance-Gaza strip. Journal of Applied Research in Water and Wastewater. 2018;5(1):399-406.
13. Wong J. Pollution prevention/waste minimization in california petroleum refineries. OCEESA J. 2002;19(1):306.
14. Singh DN, Murugamani C, Kshirsagar PR, Tirth V, Islam S, Qaiyum S, et al. IOT based smart wastewater treatment model for industry 4.0 using artificial intelligence. Scientific Programming. 2022;2022:1-15. [DOI:10.1155/2022/5134013]
15. Asami H, Golabi M, Albaji M. Simulation of the biochemical and chemical oxygen demand and total suspended solids in wastewater treatment plants: data-mining approach. Journal of Cleaner Production. 2021;296:126533. [DOI:10.1016/j.jclepro.2021.126533]
16. Sharghi E, Nourani V, AliAshrafi A, Gökçekuş H. Monitoring effluent quality of wastewater treatment plant by clustering based artificial neural network method. Desalination and Water Treatment. 2019;164:86-97. [DOI:10.5004/dwt.2019.24385]
17. Aalami MT, Hejabi N, Nourani V, SAGHEBIAN S. Investigation of artificial intelligence approaches capability in predicting the wastewater treatment plant performance (Case study: Tabriz wastewater treatment plant). Amirkabir Journal of Civil Engineering. 2021;53(3):1033-48.
18. Ahnert M, Marx C, Krebs P, Kuehn V. A black-box model for generation of site-specific WWTP influent quality data based on plant routine data. Water Science and Technology. 2016;74(12):2978-86. [DOI:10.2166/wst.2016.463]
19. Gholizadeh M, Saeedi R, Bagheri A, Paeezi M. Machine learning-based prediction of effluent total suspended solids in a wastewater treatment plant using different feature selection approaches: A comparative study. Environmental Research. 2024;246:118146. [DOI:10.1016/j.envres.2024.118146]
20. BAKİ1a OT, Egemen A. Estimation of BOD in wastewater treatment plant by using different ANN algorithms. 2018.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
