AU - Delnavaz, Mohammad AU - Peidad, Mahsa TI - Optimization and Prediction of Moving Bed Biofilm Reactor (MBBR) Using Surface Response Method (RSM) and Artificial Neural Network (ANN) PT - JOURNAL ARTICLE TA - jehe JN - jehe VO - 7 VI - 3 IP - 3 4099 - http://jehe.abzums.ac.ir/article-1-759-fa.html 4100 - http://jehe.abzums.ac.ir/article-1-759-fa.pdf SO - jehe 3 AB  - 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. CP - IRAN IN - Department of Civil Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran LG - eng PB - jehe PG - 298 PT - Research YR - 2020