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: (595 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
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
