طاهر احمدزاده؛ ناصر مهردادی؛ مجتبی اردستانی؛ اکبر باغوند
دوره 14، شماره 1 ، فروردین 1395، ، صفحه 1-8
چکیده
بهینه سازی به کمک یک مدل هوشمند لازمه ی دست یابی به بالاترین کیفیت ممکن در تامین آب شرب و صنعتی می باشد. در این مطالعه، مدل شبکه عصبی مصنوعی به منظور بهینه سازی فرایند انعقاد و لخته سازی آب شرب با هدف کنترل کیفی آب خروجی نسبت به پارامتر کربن آلی کل مورد استفاده قرار گرفت. مدل شبکه عصبی با ساختار پیش خور چند لایه و با فرایند یادگیری پس ...
بیشتر
بهینه سازی به کمک یک مدل هوشمند لازمه ی دست یابی به بالاترین کیفیت ممکن در تامین آب شرب و صنعتی می باشد. در این مطالعه، مدل شبکه عصبی مصنوعی به منظور بهینه سازی فرایند انعقاد و لخته سازی آب شرب با هدف کنترل کیفی آب خروجی نسبت به پارامتر کربن آلی کل مورد استفاده قرار گرفت. مدل شبکه عصبی با ساختار پیش خور چند لایه و با فرایند یادگیری پس انتشار خطا برای بهینه سازی غلظت فریک کلراید و پلیمر کاتیونی بکار رفت. نتایج به صورت همزمان با مدل رگرسیون غیر خطی چندگانه به منظور افزایش ضریب همبستگی و کاهش پارامترهای ورودی، مورد مقایسه قرار گرفت. آزمون صحت سنجی مدل با استفاده از 94 نمونه جدید و ناشناس کاملاً موفقیت آمیز بود. تحلیل نتایج نشان دهنده عملکرد قابل قبول مدل شبکه عصبی با ضریب تشخیص (R2) به ترتیب 0.85 برای مدل پلیمر کاتیونی و 0.97 برای مدل فریک کلراید می باشد. میزان درصد میانگین خطای مطلق و جذر میانگین مربعات خطا نیز به ترتیب به ترتیب 5.8 % و 0.96 برای مدل پلیمر کاتیونی و 3.1 % و 1.97 برای مدل فریک کلراید می باشد. نتایج نشان داد که مدل شبکه عصبی مصنوعی از دقت به مراتب بالاتری در بهینه سازی فرایند های پیچیده تصفیه آب برخوردار است.
