fa پیش‌بینی کیفیت پساب یکی از تصفیه‌خانه های فاضلاب شهری شهر تهران با استفاده از الگوریتم های یادگیری ماشین تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:nasimYW;"><strong>زمینه و هدف: </strong>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.<br> <strong>مواد و روش ها:</strong> 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&nbsp; و RMSE به انتخاب بهترین مدل پرداخته شد.<br> <strong>یافته ها:</strong> 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.<br> همچنین بر اساس نتایج تحلیل رگرسیون از بین متغیرهای مستقل BOD₅ و TSS_e بیشترین همبستگی را با COD_out داشتند.<br> <strong>نتیجه گیری: </strong>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.</span></span></span></div> <div style="text-align: justify;"><span style="font-size:14px;"><span style="line-height:2;"><span style="font-family:Times New Roman;"><strong>Background:</strong> Mathematical and statistical simulators can significantly reduce the management costs of wastewater treatment systems. This research aimed to predict the effluent quality of an urban wastewater treatment plant in Tehran using machine learning algorithms from 2017 to 2021.<br data-end="501" data-start="498" > <strong data-end="527" data-start="501">Materials and Methods:</strong> This descriptive-analytical study utilized monitoring data from the influent and effluent of the wastewater treatment plant, which were prepared for analysis. In the second stage, the data were refined, processed, and converted into dummy variables to facilitate entry into data mining algorithms. The Artificial Neural Network (ANN) algorithm and the M5 tree model were then evaluated to identify the best model for predicting the concentration of Chemical Oxygen Demand (COD) in the effluent. In this process, 70% of the data were allocated for training and 30% for validation using Python software. The best model was selected based on regression analysis, comparing the R&sup2; and RMSE indices.<br data-end="1225" data-start="1222" > <strong data-end="1237" data-is-only-node="" data-start="1225">Results:</strong> The findings indicated that the ANN model, with a coefficient of determination (R&sup2;) of 0.72, outperformed the M5 model, which had an R&sup2; of 0.68, in predicting the output COD concentration&mdash;an indicator of the treatment plant&#39;s efficiency. Additionally, regression analysis revealed that BOD₅ and TSS exhibited the highest correlation with COD_out.<br data-end="1587" data-start="1584" > <strong data-end="1602" data-start="1587">Conclusion:</strong> The results of the ANN and M5 models were within an acceptable range based on statistical indicators, demonstrating their potential for effectively estimating data in wastewater treatment plants</span></span></span></div> الگوریتم های یادگیری ماشین , شبکه عصبی مصنوعی, درخت مدل M5, رگرسیون, اکسیژن خواهی شیمیایی Machine learning algorithms, artificial neural network, M5 model tree, regression, chemical oxygen demand 380 393 http://jehe.abzums.ac.ir/browse.php?a_code=A-10-828-2&slc_lang=fa&sid=1 Amin Bagheri امین باقری 100319475328460010205 100319475328460010205 No Department of Health, Safety and Environment, School of Public Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran استادیارگروه سلامت، ایمنی و محیط زیست، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران،ایران Mohsen Sadani محسن سعدانی 100319475328460010206 100319475328460010206 No Department of Environmental Health, School of Public Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran استادیار گروه مهندسی بهداشت محیط، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران،ایران Mohammadreza karimi محمدرضا کریمی reza575261@gmail.com 100319475328460010207 100319475328460010207 Yes MPH student School of Public Health and Safety, Shahid Beheshti University of Medical Sciences, Tehran, Iran دانشجوی گروه MPH، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران،ایران