آب و فاضلاب، جلد ۲۷، شماره ۲، صفحات ۷۱-۸۳
عنوان فارسی مقایسه شبکه‌های عصبی نوع GMDHچند هدفی و شبکه خودباوری بیزین در پیش‌بینی کدورت آب تصفیه شده مطالعه موردی: تصفیه خانه بزرگ آب گیلان
چکیده فارسی مقاله آب کافی و با کیفیت مطلوب برای ادامه حیات بشر ضروری است. تصفیه‌خانه‌ها، آب شرب را با کیفیت بالا در کوتاه‌ترین زمان ممکن با حداقل هزینه فراهم می‌کنند. در این مقاله ابتدا متغیرهای تأثیر‌گذار بر فرآیند حذف کدورت آب، با استفاده از روش‌شناسی سطح پاسخ‌ شناسایی گردیده است. در ادامه شبکه‌‌های عصبی نوع GMDH و شبکه خودباوری بیزین برای مدل-سازی و پیش‌بینی کدورت آب تصفیه شده، با استفاده از مجموعه داده‌های ورودی- خروجی مورد مطالعه قرار گرفته است. برای ارزیابی مدل پیشنهادی، تصفیه‌خانه بزرگ آب گیلان به صورت موردی بررسی و داده‌های مورد نیاز شامل 700 سری داده به دست آمده است. به منظور مدل‌سازی داده‌های برگرفته از واحد بهره‌برداری به دو دسته (70% برای آموزش و30% برای آزمایش) تقسیم شده‌اند. نتایج حاصل از مدل‌سازی با داده‌های تجربی مقایسه گردید که ضریب تعیین مقادیرآزمایشی برای دو الگوریتم شبکه خودباوری بیژین شامل EM و GD و برای مدل GMDH به ترتیب 9388/0 ، 9196/0 و 97095/0 بوده است که بر این اساس مدل GMDH نسبت به مدل BBN کارایی بهتری برای پیش‌بینی میزان کدورت آب تصفیه شده دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of Multi Objective GMDH-type Neural Network and Bayesian Belief Network in the Prediction of Treated Water Turbidity . Case Study: Great Water Treatment Plant in Guilan Province
چکیده انگلیسی مقاله Enough water with proper quality is necessary for life. Drinking Water Treatment Plants (WTPs) have to provide high quality drinking water in the shortest possible time with minimal costs. In this paper, Factors affecting the process for removal of water turbidity using the Response Surface Methodology (RSM) were firstly identified and then GMDH-type Neural Networks and Bayesian Belief Network (BBN) have been used for modeling and prediction of treated water turbidity; using input-output data set. To validate the proposed model, a case study was carried out based on the data consisted of 700 sets obtained from Guilan‌WTP. For modeling, the experimental data obtained from the operation unit were divided into train and test sections (70% for training and 30% for testing). The predicted values were compared with those of experimental values. The determination coefficient of the predicted values for the two BBN algorithms consist of EM and GD, and GMDH model were 0.9388, 0.9196 and 0.97095, respectively. The GMDH model performed better than the BBN model in predicting treated water turbidity dosage.
کلیدواژه‌های انگلیسی مقاله water treatment, Turbidity, Modeling, GMDH-NN, BBN
نویسندگان مقاله الهیار داغبندان |
استادیار، گروه مهندسی شیمی، دانشکده فنی و مهندسی، دانشگاه گیلان، رشت
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

فرشته علی طالشی | ali taleshi
دانشجوی کارشناسی ارشد مهندسی شیمی دانشگاه گیلان، رشت
سازمان اصلی تایید شده: دانشگاه گیلان (Guilan university)

مهران یعقوبی |
مسئول واحد بهره برداری تصفیه خانه بزرگ آب گیلان

نشانی اینترنتی http://www.wwjournal.ir/article_13767_095e32511234a43f7aa1fd0e8f217a38.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات