دوره 7، شماره 3 - ( 2-1399 )
جلد 7 شماره 3 صفحات 313-298 |
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:
Delnavaz M, Peidad M. Optimization and Prediction of Moving Bed Biofilm Reactor (MBBR) Using Surface Response Method (RSM) and Artificial Neural Network (ANN). J Environ Health Eng 2020; 7 (3) :298-313
URL: http://jehe.abzums.ac.ir/article-1-759-fa.html
URL: http://jehe.abzums.ac.ir/article-1-759-fa.html
دلنواز محمد، پیداد مهسا. بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (MBBR) با استفاده از روش پاسخ سطح (RSM) و شبکه عصبی مصنوعی (ANN). مجله مهندسی بهداشت محیط. 1399; 7 (3) :298-313
گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران
چکیده: (2179 مشاهده)
زمینه و هدف: در این تحقیق بهینه سازی و پیش بینی راندمان راکتور بیوفیلمی با بستر متحرک (MBBR) در تصفیه فاضلاب مصنوعی حاوی آنیلین با استفاده از روش سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) بررسی شده است.
مواد و روش‌ها: نتایج مدلسازی از راکتور به حجم تقریبی 5 لیتر که با درصد پرشدگی 30، 50 و 70 درصد با سنگدانه‌های سبک لیکا به عنوان محیط رشد میکروارگانسیم‌ها و تشکیل لایه بیوفیلم پر شده بود، استفاده گردید. برای تعیین شرایط بهینه در آزمایش های انجام شده و همچنین پیش بینی آزمایش های انجام نشده، سه عامل میزان خوراک در سطوح بین 100 تا 3000 میلیگرم بر لیتر، زمان ماند 8 تا 72 ساعت و درصد پرشدگی 30 و 50 و 70 درصد با استفاده از RSM صورت گرفت. دقت و صحت مدلهای ارائه شده به کمک تحلیل واریانس ANOVA بررسی شد. پیش بینی راندمان حذف سیستم با استفاده از ANN پایه شعاعی نیز بررسی گردید.
یافته‌ها: بهینه سازی فرایند نشان داد که شرایط بهینه برای بیشترین حذف در میزان خوراک mg/l 1700 و زمان ماند 72 ساعت در درصد پرشدگی 82/56 درصد میباشد. نتایج پیش بینی فرایند با استفاده از ANN پایه شعاعی نیز نشان داد که در بهترین ساختار شبکه با توابع انتقال Radbas و خطی (Purelin) با 982/0=R2 قادر به پیش بینی راندمان حذف میباشد.
نتیجه‌گیری: با مقایسه مدل ANN پایه شعاعی و RSM و مقایسه میزان خطای این دو روش میتوان گفت که روش ANN پایه شعاعی با دقت بیشتر و خطای کمتر روند داده ها را پیش بینی کرده است.
مواد و روش‌ها: نتایج مدلسازی از راکتور به حجم تقریبی 5 لیتر که با درصد پرشدگی 30، 50 و 70 درصد با سنگدانه‌های سبک لیکا به عنوان محیط رشد میکروارگانسیم‌ها و تشکیل لایه بیوفیلم پر شده بود، استفاده گردید. برای تعیین شرایط بهینه در آزمایش های انجام شده و همچنین پیش بینی آزمایش های انجام نشده، سه عامل میزان خوراک در سطوح بین 100 تا 3000 میلیگرم بر لیتر، زمان ماند 8 تا 72 ساعت و درصد پرشدگی 30 و 50 و 70 درصد با استفاده از RSM صورت گرفت. دقت و صحت مدلهای ارائه شده به کمک تحلیل واریانس ANOVA بررسی شد. پیش بینی راندمان حذف سیستم با استفاده از ANN پایه شعاعی نیز بررسی گردید.
یافته‌ها: بهینه سازی فرایند نشان داد که شرایط بهینه برای بیشترین حذف در میزان خوراک mg/l 1700 و زمان ماند 72 ساعت در درصد پرشدگی 82/56 درصد میباشد. نتایج پیش بینی فرایند با استفاده از ANN پایه شعاعی نیز نشان داد که در بهترین ساختار شبکه با توابع انتقال Radbas و خطی (Purelin) با 982/0=R2 قادر به پیش بینی راندمان حذف میباشد.
نتیجه‌گیری: با مقایسه مدل ANN پایه شعاعی و RSM و مقایسه میزان خطای این دو روش میتوان گفت که روش ANN پایه شعاعی با دقت بیشتر و خطای کمتر روند داده ها را پیش بینی کرده است.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
