مدل‌سازی تصفیه فاضلاب لبنی به‌روش انعقاد الکتریکی با استفاده از سامانه استنتاج فازي– عصبي تطبيقي

نویسندگان

  • Mohammad Abdollahzadeh1 1- دانشگاه علوم پزشکی سبزوار- معاونت غذا و دارو- کارشناس ارشد علوم و صنایع غذایی.
  • Roshanak Rafiei Nazari2 2- دانشگاه آزاد اسلامی- واحد تهران جنوب- دانشکده علوم پایه- گروه فیزیک- استاديار.
  • Negar Abasi Bastami3 3- دانشگاه علوم پزشکی شاهرود- دانشکده بهداشت- گروه بهداشت محیط- دانشجوی کارشناس بهداشت محیط.
  • Ebrahim Esmaeili4 4- دانشگاه علوم پزشکی بابل- معاونت غذا و دارو- کارشناس ارشد علوم و صنایع غذایی
  • Mojtaba Raeisi5 5- دانشگاه علوم پزشکی گلستان- مرکز تحقیقات سلامت غلات- استادیار
  • Majid Arabameri6 6- دانشگاه علوم پزشکی شاهرود- معاونت غذا و دارو- کارشناس ارشد علوم و صنایع غذایی.

DOI::

https://doi.org/10.22100/jkh.v11i3.1398

کلمات کلیدی:

فاضلاب لبنی، سامانه استنتاج فازي- عصبي تطبيقي (ANFIS)، انعقاد الکتریکی

چکیده

مقدمه: پیش‌بینی شاخص‌های کیفی تصفیه فاضلاب دارای اهمیت زیادی در روش‌های تصفیه فاضلاب مدرن است. یکی از مهمترین مشکلات در هنگام پیش‌بینی کارآیی فاضلاب تصفیه شده، پیچیدگی ویژگی‌های فیزیک و شیمیایی فاضلاب اولیه و اختلاف داده‌ها به علل مختلف است. مدل‌سازي تصفیه فاضلاب با استفاده از سامانه استنتاج فازي- عصبي تطبيقي مي‌تواند به بهبود فرآيند كنترل كيفيت فاضلاب كمك كند. هدف از اين مطالعه، مدل‌سازی تصفیه فاضلاب لبنی به‌روش انعقاد الکتریکی با استفاده از سامانه استنتاج فازي- عصبي تطبيقي است.

مواد و روش‌ها: در این مطالعه از روش سامانه استنتاج فازي- عصبي تطبيقي برای پیش‌بینی فرآیند تصفیه فاضلاب به‌روش انعقاد الکتریکی استفاده شد. شاخص‌های زمان، ولتاژ، TSS (Total suspended solids) و BOD (Biochemical oxygen demand) به‌عنوان ورودی و راندمان حذف COD (Chemical oxygen demand) به‌عنوان خروجی در نظر گرفته شد. همچنین برای بهینه‌سازی مدل از توابع عضویت مختلف، تعداد توابع عضویت و دوره‌‌های یادگیری متعددی به شکل آزمون و خطا استفاده شد.

نتایج: بهترين مدل با استفاده از تابع عضویت زنگوله‌ایی، تعداد توابع 3 3 3 3 3 و چرخه يادگيري 300 به‌دست آمد كه دارای كمترين ميانگين مربعات خطا و بهترين ضريب تبيين (R2) بود. مقدار ضريب تبيين بهترین مدل و ميانگين مربعات خطا به‌ترتیب 9912/0 و 012/0 بود.

نتیجه‌گیری: تجزیه و تحلیل مدل نشان داد که سامانه استنتاج فازي- عصبي تطبيقي یک ابزار قدرتمند برای پیش‌بینی کارآیی تصفیه فاضلاب لبنی به‌روش انعقاد الکتریکی است.

مراجع

Borbón B, Oropeza-Guzman MT, Brillas E, Sirés I. Sequential electrochemical treatment of dairy wastewater using aluminum and DSA-type anodes. Environmental Science and Pollution Research 2014;21:8573-84. doi: 10.1007/s11356-014-2787-x

Bensadok K, Benammar S, Lapicque F, Nezzal G. Electrocoagulation of cutting oil emulsions using aluminium plate electrodes. Journal of Hazardous Materials 2008;152: 423-30. doi: 10.1016/j.jhazmat.2007.06.121

Daneshvar N, Oladegaragoze A, Djafarzadeh N. Decolorization of basic dye solutions by electrocoagulation: An investigation of the effect of operational parameters. Journal of Hazardous Materials 2006;129:116-22. doi: 10.1016/j.jhazmat.2005.08.033

Bazrafshan E, Moein H, Kord Mostafapour F, Nakhaie S. Application of electrocoagulation process for dairy wastewater treatment. Journal of Chemistry 2013;2013:1-8. doi: 10.1155/2013/640139

Bazrafshan E, Mostafapour FK, Farzadkia M, Ownagh KA, Mahvi AH. Slaughterhouse wastewater treatment by combined chemical coagulation and electrocoagulation process. PloS One 2012;7:e40108. doi: 10.1371/journal.pone.0040108

Curteanu S, Piuleac CG, Godini K, Azaryan G. Modeling of electrolysis process in wastewater treatment using different types of neural networks. Chemical Engineering Journal 2011;172: 267-76. doi: 10.1016/j.cej.2011.05.104

Gaya MS, Wahab NA, Sam YM, Samsudin SI. ANFIS modelling of carbon and nitrogen removal in domestic wastewater treatment plant. Jurnal Teknologi 2014;67:29-34. doi: 10.11113/jt.v67.2839

Hernández-Ramírez DA, Herrera-López EJ, editors. Artificial neural network modeling of slaughterhouse wastewater removal of COD and TSS by electrocoagulation. In: Advance Trends in Soft Computing. Springer International pub;2014.p.273-80; doi: 10.1007/978-3-319-03674-8_26

Kundu P, Debsarkar A, Mukherjee S. Artificial neural network modeling for biological removal of organic carbon and nitrogen from slaughterhouse wastewater in a sequencing batch reactor. Advances in Artificial Neural Systems 2013;2013:1-15. doi: 10.1155/2013/268064

Tay JH, Zhang X. A fast predicting neural fuzzy model for high-rate anaerobic wastewater treatment systems. Water Research 2000;34:2849-60. doi: 10.1016/S0043-1354(00)00057-9

Association APH. Standard methods for the examination of water and wastewater. American Public Health Association, Washington, DC 1998, 1268.

Jang JSR, Sun CT, editors. Neuro-fuzzy and soft computing: A Computational approach to learning and machine intelligence. United States: Prentice Hall pub;1997. doi: 10.1109/TAC.1997.633847

دانلود

چاپ شده

2016-06-18

شماره

نوع مقاله

مقاله پژوهشي

مقالات بیشتر خوانده شده از همین نویسنده

<< < 30 31 32 33 34 35 36 37 38 39 > >>