وجود مشکلاتی از قبیل: ارتباط علت و معلولی پیچیده و غیر خطی بین پارامترهای مختلف تصفیه خانه، فقدان تجهیزات اندازه گیری پارامترهای شیمیایی بلادرنگ[۲] در اکثر تصفیه خانه ها، عدم بهره برداری مناسب از آنالایز کننده های نصب شده و در نتیجه کاهش کارایی و کالیبراسیون آنها به مرور زمان، و زمان بر بودن انجام آزمایشهای فاضلاب باعث شده است که عملیات کنترلی و بهره برداری از تصفیه خانه ها به نحو احسن انجام نشود. از طرفی شبکه های عصبی دارای مزایایی از قبیل: قدرت یافتن روابط علت و معلولی پیچیده و غیر خطی توسط ابزار های محاسباتی ساده ریاضی، داشتن قدرت تعمیم بالا و همچنین سرعت بالا در مرحله آزمایش می باشند. نتایج این مطالعه نشان میدهد که شبکه عصبی مصنوعی پس از آموزش با دیتای صحیح میتواند با دقت بیش از ۹۰ درصد میزان لجن برگشتی مورد نیاز در سیستم های متداول بیولوژیکی تصفیه فاضلاب بروش لجن فعال را پیش بینی نماید. در نتیجه شبکه های عصبی مصنوعی، ابزار مناسبی جهت پیش بینی بهتر میزان لجن برگشتی مورد نیاز تصفیه خانه می باشند.

 

 

کلمات کلیدی:

تصفیه خانه فاضلاب، پیش بینی، شبکه عصبی مصنوعی، لجن برگشتی


مقدمه

تصفیه فاضلاب عبارت است از: مجموعه اقداماتی که جهت حذف یا کاهش مواد آلاینده موجود درفاضلاب بکار می رود بطوری که از پساب تولیدی بتوان بطورسالم و مطمئن برای مصارف کشاورزی یا تخلیه به آبهای جاری و یا مقاصد دیگر استفاده مجدد نمود]۱[.

در جامعه پیرامونی ما افزایش چشمگیری در زمینه مسایل مربوط به محافظت از محیط زیست به چشم می‌خورد. عملیات مناسب و شایسته تاسیسات تصفیه فاضلاب شهری، در زمینه تولید سیالات خروجی، که لازم است منطبق با ضروریات کنترل کیفی و مقررات مربوط به آژانسهای حفاظت از محیط زیست (EPA) باشند، از جمله مواردی است که در خلال این سالیان توجه کافی بدانها مبذول شده است و بر این اساس آنها باید تاثیرات مخرب محیط زیست را به حداقل برسانند]۲[.

فرآیند لجن‌ فعال‌ یکی‌ از روشهای‌ بیولوژیک‌ هوازی‌ برای‌ تصفیه‌ فاضلاب‌ است‌. علت نام گذاری این روش اینست که در این سیستم توده های میکروبی فعال که قادر به تثبیت مواد آلی هستند به کار گرفته می شوند و با برگشت دادن این توده های میکروبی به راکتور واکنش، جمعیت متمرکزی از میکروارگانیسمها جهت تصفیه فاضلاب فراهم می گردد]۳[. در فرآیند لجن فعال مواد جامد باقیمانده‌ به‌ شکلی ‌تبدیل‌ می‌شوند که‌ قادرند به‌ صورت‌ لجن‌ در عملیات‌ ته‌ نشینی،‌ از فاضلاب‌ جدا شوند. بعد از انجام ‌فرآیند هوادهی‌، فاضلاب‌ به‌ طرف‌ استخر ته‌ نشینی‌ ثانویه‌ هدایت‌ می‌شود تا میکروارگانیسمها از مایع ‌جدا گردند. درصدی‌ از میکروارگانیسمهای‌ جدا شده‌ به‌ استخر هوادهی‌ برگشت‌ داده ‌می‌شوند تا به‌ صورت‌ لجن‌ فعال‌ عمل‌ نمایند. برای‌ رسیدن‌ به‌ عملکرد مناسب در‌ فرآیند لجن‌فعال‌، بهره ‌بردار‌ باید تعداد ارگانیسم‌ها، غلظت‌ اکسیژن ‌محلول‌ در استخر هوادهی‌ و زمان‌ تصفیه‌ را کنترل‌ نماید. هنگامی‌ که‌ این‌ فاکتورها تحت‌ کنترل‌ مناسب ‌درآیند، ارگانیسمها قادر خواهند بود جامدات‌ محلول‌ را تبدیل‌ نموده‌ و با عمل‌ تجمع‌، ذرات‌ ریز آنها را به ‌صورت‌ توده‌ فلوک‌ درآورند. برای‌ حفظ غلظت‌ مطلوب‌ توده‌ بیولوژیکی‌ در حوض‌ هوادهی‌ و همچنین‌ حفظ ضخامت‌ لایه‌ لجن‌ درحد مناسب‌ در حوض‌ ثانویه‌، میزان‌ لجن‌ برگشتی‌ از حوض‌ ته‌نشینی‌ ثانویه‌ به‌ حوض‌ هوادهی‌ باید دقیقاً نظارت‌ و کنترل‌ شود]۱[. میزان‌ لجن‌ برگشتی‌ به‌ عوامل‌ زیادی‌ نظیر دبی‌ ورودی به حوض‌ هوادهی‌، BOD5 ورودی‌، نرخ ‌رشد میکروارگانیسمها، غلظت‌ توده‌ بیولوژیکی‌ و غلظت‌ مواد جامد معلق‌ در لجن‌ برگشتی‌ بستگی‌ دارد. اصولا لجن‌ برگشتی‌ یکی‌ از پارامترهای‌ مهم‌ کنترل‌ فرآیند لجن‌ فعال‌ است‌]۴[. همچنین بهره ‌برداری‌ موفقیت ‌آمیز یک‌ تصفیه‌ خانه‌ به‌ روش‌ لجن ‌فعال،‌ مستلزم‌ آگاهی‌ و کنترل‌ دائم‌ بهره ‌بردار از فاکتورهایی‌ است‌ که‌ بر فرآیند تاثیر می‌گذارند و برای‌ فعال‌ نگاه‌ داشتن‌ دائم‌ ارگانیسمها در سیستم ‌لجن ‌فعال‌، بهره‌ بردار می ‌بایست‌ شرایط محیطی‌ مناسب (نسبت غذا به میکروارگانیسم)‌ را فراهم‌ کند. جریان‌ نامنظم‌ فاضلاب‌ ورودی‌ سبب‌ بار بیش‌ از حد، گرسنگی‌ باکتریها و سایر مشکلات‌ می‌شود که‌ این‌ امر موجب‌ اختلال‌ در فرآیند سیستم می‌گردد. عدم‌ تأمین‌ اکسیژن ‌کافی‌ منجر به‌ شرایط محیطی‌ نامناسب‌ شده‌ و در نهایت‌ باعث‌ کاهش‌ فعالیتهای‌ ارگانیسم‌ها می‌گردد]۵[.

امروزه با توسعه سریع فناوری پردازش رایانه­ای و ایجاد نرم افزارهای مربوطه، از مزایای فناوری هوش مصنوعی برای حل مسائل مربوط به مدل سازی سیستم­ها و پیش­بینی فرآیندها استفاده می­شود. یکی از روش­های هوش مصنوعی که در سطح وسیعی در بهره برداری از تصفیه خانه های فاضلاب از یک دهه گذشته آغاز شده و برای شبیه سازی و پیش­بینی پارامترهای مورد نیاز در این فرآیندها در حال بسط و توسعه است، شبکه­های عصبی مصنوعی می­باشد که در این تحقیق از آن برای مدل سازی و سپس پیش بینی قسمتی از فرآیند استفاده می­شود]۶[. با عنایت به این که شبکه‌های عصبی از دو ویژگی اساسی یادگیری یا نگاشت‌پذیری بر اساس ارائه داده‌های تجربی (قدرت و توانایی تعمیم پذیری) و ساختارپذیری موازی برخوردار می‌باشند این شبکه‌ها برای مسائل کنترل، علی‌الخصوص سیستم‌های پیچیده که مدل‌سازی این سیستم‌ها یا میسر نیست و یا به سختی انجام می‌پذیرد بسیار مناسب هستند،]۷[. علاوه بر این، با گذشت زمان، مدل شبکه عصبی مصنوعی به سمت یک مدل بالغ در حرکت بوده و در این راه دانش و داده های پارامترهای مدلی مختلف از طریق اپراتورهای گوناگون حاصل می‌شوند که میتواند باعث افزایش دقت و کیفیت پیش بینی شبکه عصبی گردد. در نتیجه میتوان با مدل سازی پروسه لجن فعال در تصفیه خانه فاضلاب توسط شبکه های عصبی مصنوعی، مشکلات فوق را کاهش داده و با توجه به دیتای تولید شده توسط شبکه عصبی با پیش بینی میزان لجن فعال برگشتی، بخشی از مشکلات بهره برداری تصفیه خانه فاضلاب را کاهش داد]۸[. ANN ها در ابتدا نیاز به اندازه گیری اولیه متمرکز و دقیق از تغییرات سیستم دارند، تا بتوانند به نحو صحیح آموزش یابند بعد از آموزش شبکه عصبی، تعداد دفعات اندازه گیریها و تمرکز آنها می تواند کمتر باشد، اگر مقادیر خروجی شبکه عصبی با مقادیر واقعی تفاوت پیدا کرد شبکه می تواند با دیتاهای جدید آموزش داده شود که این کار به صورت نرم افزاری می تواند انجام شود. همچنین از آنجا که شبکه های عصبی منفرد دارای توپولوژی های مختلف می باشند میتوان با توجه به تعداد پارامتر ها و نوع دیتای جمع آوری شده شبکه عصبی مصنوعی مناسب را انتخاب کرد، و در نهایت با ترکیب طبقه بندهای مختلف بهترین نتیجه را بدست آورد]۹[.

از طرفی افراد متخصص بدلیل شرایط کاری نامناسب محیط تصفیه خانه های فاضلاب، حاضر به همکاری در این زمینه نمیشوند، وپرسنل تصفیه خانه های فاضلاب نیز بدلیل شرایط کاری شان همیشه در معرض بروز انواع بیماریها میباشند. بنابراین لازمست جهت کاهش تعداد نفرات بهره بردار و افراد درگیر با تصفیه خانه از سیستم های کنترل خودکار استفاده شود]۸[.

همچنین با توجه به قدرت پیش بینی خطا در شبکه های عصبی و همچنین توان ارزیابی ارتباطات غیر خطی آنها، استفاده از مدلسازی شبکه های عصبی جهت پیش بینی میزان لجن فعال برگشتی ضروری بنظر میرسد.

در این مقاله امکان سنجی کاربرد شبکه عصبی مصنوعی در پیش بینی میزان لجن برگشتی مورد نیاز در تصفیه خانه فاضلاب شهر تربت حیدریه به روش لجن فعال مورد بررسی قرار گرفته است.

 

روش انجام تحقیق

مشخصات تصفیه خانه مورد مطالعه:

شهر تربت حیدریه مرکز شهرستان تربت حیدریه در استان خراسان رضوی و در فاصله تقریبی ۱۵۰ کیلومتری جنوب غربی مشهد، در موقعیت ۳۵ درجه و ۱۶ دقیقه عرض شمالی و ۵۹ درجه و ۱۴ دقیقه طول شرقی نصف النهار گرینویچ واقع شده است. ارتفاع متوسط شهر از سطح دریا ۱۴۰۰ متر می باشد.

متوسط سردترین ماه سال در دیماه حدود ۷/۴- درجه سانتیگراد و متوسط گرمترین ماه سال در تیر ماه حدود ۳۴ درجه سانتیگراد میباشد. ظرفیت متوسط تصفیه خانه برابر ۱۵۰ لیتر در ثانیه و حداکثر ظرفیت ۳۰۰ لیتر در ثانیه است.

مراحل تصفیه فاضلاب شهر تربت حیدریه به شرح زیر می باشد

  • آشغالگیر
  • دانه گیر با هوادهی
  • واحد اندازه گیری جریان
  • تصفیه بیولوژیکی به روش لجن فعال
  • ته نشینی نهایی
  • واحد گندزدایی UV
  • لاگن لجن

 

سیستم کنترل لجن برگشتی طرح:

در این طرح لجن فعال توسط (۳+۱) دستگاه الکترو پمپ لجن کش مستغرق فاضلابی با ظرفیت ۲۷۰ متر مکعب به حوضچه تقسیم حوضهای هوادهی وارد میشود و لجن مازاد نیز توسط (۱+۱) دستگاه الکترو پمپ لجن کش مستغرق فاضلابی با ظرفیت ۳۶ متر مکعب به لاگنهای لجن ارسال میشود.

میزان اکسیژن محلول(DO)وجامدات معلق در حوض هوادهی(MLSS) و pH، دبی، دما و کدورت فاضلاب ورودی، و دبی لجن برگشتی و مازاد و همچنین دبی، کدورت، اکسیژن محلول (DO) و pH پساب خروجی به صورت آنلاین توسط تجهیزات ابزار دقیق نصب شده اندازه گیری و جهت ثبت به دستگاه PLC ارسال میشود. همچنین پارامترهایی از قبیل TSS، BOD5، COD، MLSS و SVI در واحدهای مختلف تصفیه خانه با روشهای مختلف آزمایشگاهی اندازه گیری و ثبت میگردد.

و در نهایت بهره بردار با توجه به داده های ثبت شده به طور ساعتی و روزانه میزان لجن برگشتی مورد نیاز را به صورت تجربی و محاسباتی بدست آورده و تعداد پمپ لجن برگشتی و مازاد را مشخص و به اپراتور جهت اجرا، اعلام میکند. کلیه تغییرات فوق از قبیل تعداد پمپهای روشن، ساعت کاری آنها، دبی لجن و … توسط دستگاه کنترل کننده قابل برنامه ریزی (PLC)[3] ثبت و ضبط شده و نمودار های آن نیز تهیه میشود. در شکل ۱ تجهیزات ابزار دقیق نصب شده در واحد بیولوژیکی بصورت شماتیک ترسیم شده است.

شکل ۱: تجهیزات ابزار دقیق نصب شده در واحد بیولوژیکی

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شبکه های عصبی مصنوعی

شبکه‌های عصبی زیر مجموعه‌ای از تکنیک‌های هوش مصنوعی هستند که امروزه در طیف وسیعی برای بکارگیری در حل بسیاری از مسائل، شامل حافظه‌های ارتباط دهنده، بهینه‌سازی، پیش‌بینی، تشخیص و کنترل رایج شده‌اند]۷[.

ساختار و عملکرد ANNs از مغز انسان تقلید می‌کند و از تعدادی اجزای ساختاری ساده، اما با یک ارتباط پیچیده که به عنوان نرون با نود شناخته می‌شوند، تشکیل شده است. به هر مجموعه از این نرون‌ها یک لایه گفته می‌شود. یک شبکه عصبی معمولا از سه لایه ورودی، پنهان و خروجی تشکیل شده است. ل

ایه ورودی فقط اطلاعات را دریافت می‌کند و مشابه متغیر مستقل عمل می‌کند، لایه خروجی نیز همانند متغیر وابسته عمل کرده و تعداد نرون‌های آن بستگی به تعداد متغیر وابسته دارد اما بر خلاف لایه‌های ورودی و خروجی، لایه پنهان اصلی‌ترین بخش پردازش شبکه عصبی است که می‌تواند شامل چند لایه و نرون‌های متنوع باشد. بهترین روش برای تعیین تعداد نرون مخفی آزمون و خطا می‌باشد]۹[. هر شبکه با دریافت مثال­هایی آموزش می­بیند. آموزش، فرآیندی است که در نهایت منجر به یادگیری می شود. یادگیری شبکه، زمانی انجام می­شود که وزن­های ارتباطی بین لایه­ها چنان تغییر کند که اختلاف بین مقادیر پیش­بینی شده و محاسبه شده در حد قابل قبولی باشد. با دست یابی به این شرایط فرایند یادگیری محقق شده است. این وزن­ها حافظه و دانش شبکه را بیان می­کنند. شبکه عصبی آموزش دیده می­تواند برای پیش­بینی خروجی­های متناسب با مجموعه جدید داده­ها بکار رود]۱۰[.

در این تحقیق از شبکه پرسپترون چندلایه (MLP)[4] و شبکه (RBF)[5] استفاده گردید. لازم به ذکر است که این شبکه‌ها متداول‌ترین شبکه‌های عصبی مصنوعی پیش‌خور[۶] محسوب می‌شوند که معمولا بوسیله الگوریتم انتشار به عقب(BP)[7] آموزش داده می‌شوند. دراین الگوریتم خطای خروجی شبکه برآورد و به عقب (به داخل سیستم) انتشار یافته و بر این اساس وزن‌های انتخاب شده در مدل اصلاح می‌گردد. این فرایند مربوط به اصلاح وزن‌ها در تمام عناصر سیستم ادامه می‌یابد تا بهترین وزن‌ها که صحیح‌ترین خروجی را برای سیستم ایجاد می‌کند، شناسایی و انتخاب شوند. در حقیقت در این روش با تصحیح مرتب خطا وزن‌های مناسب بدست می‌آید. مفهوم حالتی که مناسب‌ترین وزن‌ها بدست آمده است، این است که مدل آموزش کافی دیده است و لذا وزن‌های مربوط تثبیت شده و در مورد داده‌های ورودی جدید که در قالب داده‌های مربوط به کارایی مدل است اعمال می‌گردد. در این حالت با مقایسه نتایج مدل با مقادیر مشاهده شده، در مورد کارایی مدل قضاوت می‌شود]۱۰[.مراحل آموزش به کمک این الگوریتم عبارتند از: (الف)- اختصاص ماتریس وزن تصادفی به هریک از اتصالات (ب)- انتخاب بردار ورودی و خروجی متناسب با آن (پ)- محاسبه خروجی نرون در هر لایه و در نتیجه محاسبه خروجی نرون ها در لایه خروجی (ت)- بهنگام سازی وزن ها به روش انتشار خطای شبکه به لایه های قبل که خطای یاد شده ناشی از اختلاف بین خروجی واقعی و خروجی محاسبه شده است. (ث)- ارزیابی عملکرد شبکه آموزش دیده به کمک برخی شاخص های تعریف شده مانند جذر میانگین مربعات خطا (MSE ) و سرانجام برگشت به قسمت پ یا پایان آموزش]۱۱[.

همچنین توابع آستانه مختلفی برای یافتن حالت بهینه آن مورد ارزیابی قرار گرفت که عبارتند از :

(۱)   تابع سیگموئیدی لگاریتمی[۸]

 

(۲)   تابع تانژانت سیگموئیدی[۹]

 

که جهت انجام مراحل فوق اعم از تشکیل شبکه عصبی، آموزش، اصلاح وزنها، و در نهایت آزمایش شبکه عصبی از ابزار موجود در نرم افزار MATLAB-Ver. 7.8.0.347(R2009a) استفاده شده است.

 

شبکه عصبی پرسپترون چند لایه MLP

در این نوع شبکه اتصال فقط از جزء i به جزءi+1 برقرار بوده و در جهت عکس وجود ندارد. شبکه فوق، عملاً از به هم پیوستن سه شبکه پرسپترون تک لایه ایجاد شده است. یکی لایه خروجی و دو قسمت دیگر لایه‌های میانی نامیده می‌شوند. خروجی‌های لایه اول، بردار ورودی لایه دوم را تشکیل می‌دهند، و به همین ترتیب بردار خروجی لایه دوم، ورودی‌های لایه سوم را می‌سازند، و خروجی‌های لایه سوم، پاسخ واقعی شبکه راتشکیل می‌دهند. به عبارتی روشنتر، روند جریان سیگنالی در شبکه، در یک مسیر پیش‌خور صورت می‌گیرد (از چپ به راست از لایه‌ای به لایه دیگر). هر لایه می‌تواند از تعدادی نرون مختلف با توابع تبدیل متفاوت برخوردار باشد؛ یعنی مدل‌های نرون‌ها در لایه‌ها می‌توانند متفاوت در نظر گرفته شوند. در طی آموزش شبکه MLP به کمک الگوریتم یادگیری BP، ابتدا محاسبات از ورودی شبکه به سوی خروجی شبکه انجام می شود و سپس مقادیر خطای محاسبه شده به لایه­های قبل انتشار می یابد]۱۰[. به سیگنال‌هایی که در مسیر رفت حرکت می‌کنند (از سمت چپ به راست شبکه) سیگنال‌های تابعی و سیگنال‌هایی که در مسیر برگشت حرکت می‌کنند( از سمت راست به چپ) سیگنال‌های خطا می‌گویند. در شکل ۲ این دو انتشار نشان داده شده است.

شکل ۲: انتشار سیگنال در الگوریتم BP

 

شبکه‌های پرسپترون چند لایه می‌توانند با هر تعداد لایه ساخته و به کار گرفته شوند، ولی قضیه‌ای که ما در این‌جا بدون اثبات می پذیریم بیان می‌کند که یک شبکه پرسپترون سه لایه قادر است هر نوع فضایی را تفکیک کند. این قضیه که قضیه کولموگوروف[۱۰] نامیده می‌شود، بیانگر مفهوم بسیار مهمی است که می‌توان در ساخت شبکه‌های عصبی از آن استفاده کرد]۱۱[. در این مطالعه نیز فقط یک یا دو لایه میانی در نظر گرفته شده و تعداد نرونها تغییر داده میشوند.

 

شبکه عصبی توابع شعاع پایه RBF

شبکه عصبی RBF بر خلاف شبکه های MLP که دارای لایه های متوالی متعددی هستند از سه لایه ثابت یک لایه ورودی و یک لایه مخفی و یک لایه خروجی تشکیل شده اند. ساختمان یک شبکه RBF در شکل ۳ نشان داده شده است.

بر خلاف MLP، نرون‌های لایه مخفی در شبکه‌های RBF دارای تابع غیرخطی گوسی می‌باشد. ارتباط بین نرون‌های لایه ورودی و لایه مخفی بسادگی شبکه MLP نمی‌باشد. نرون‌های لایه مخفی، واحدهای چند بعدی هستند و بعد این نرون‌ها، برابر تعداد ورودی‌های شبکه است.آموزش RBF در دو بخش نظارت شده و بدون نظارت صورت می‌گیرد. روند آموزش به این صورت است که در ابتدا با یکی از روش‌های خوشه‌بندی، پارامترهای تابع گوسی لایه مخفی، تنظیم می‌شوند و سپس وزن‌های ارتباطی بین لایه مخفی و خروجی، به کمک یک الگوریتم یادگیری با نظارت، مانند روش بیشترین شیب در پس انتشار خطای استاندارد و یا روش گرادیان مزدوج و یا روش مارکوآرت و …، تنظیم می‌گردند]۱۰[.

 

 

 

امکان سنجی استفاده از شبکه عصبی در پیش بینی تعداد پمپ لجن برگشتی مورد نیاز

در این تحقیق اطلاعات و دیتا هایی که توسطPLC و آزمایشگاه بمدت یکسال و به تعداد ۲۰۰ عدد ثبت شده است را به عنوان داده های خام در شبکه عصبی مصنوعی مورد استفاده قرار گرفت.

داده های مربوط به مقادیر زیر به عنوان دیتای خام ورودی به شبکه اعمال شد

  • دبی و دمای فاضلاب ورودی (FLOW,T)
  • TSS ورودی و خروجی
  • BOD5 ورودی و خروجی
  • COD ورودی و خروجی
  • غلظت لجن برگشتی (XR)
  • غلظت مواد معلق مایع مخلوط (MLSS) در حوض هوادهی
  • و داده های مربوط به مقادیر زیر به عنوان دیتای خام خروجی شبکه در نظر گرفته شد
  • دبی لجن برگشتی ( تعداد پمپها) (QR)

اگر فقط یک پمپ فعال باشد خروجی اول، اگر دو پمپ نیاز باشد خروجی دوم و اگر سه پمپ نیاز باشد خروجی سوم روشن میشود.

در شکل ۴ یک نمونه ساختار شبکه عصبی MLP با یک لایه میانی مورد استفاده در این تحقیق نمایش داده شده است.

شکل ۴ یک نمونه شبکه عصبی MLP استفاده شده در این تحقیق

 

آماده سازی داده ها

برای افزایش دقت و سرعت فرایندهای شبکه‌های عصبی داده‌های مورد استفاده نرمال می‌شوند برای این منظور، روش‌های متعددی ارائه گردیده، که در این تحقیق از رابطه (۱) برای نرمال‌سازی داده‌ها استفاده شد. با استفاده از این رابطه کلیه داده‌ها در دامنه ۰و ۱ قرار می‌گیرند. در این رابطه داده نرمال شده، xi داده مورد استفاده وxmin و xmax حداقل و حداکثر داده‌ها در سری مورد نظر می‌باشد]۱۱[. بعد از نرمال سازی داده‌ها به منظور آموزش شبکه، داده‌ها به طور تصادفی به دو بخش آموزش و آزمایش تقسیم میشوند. بدین ترتیب که ۳۳ درصد از کل داده ها برای آزمایش مدل کنار گذاشته شدند و ۶۷ درصد باقیمانده به عنوان داده های آموزش به کار میروند.

(۳)

 

طراحی شبکه

مقادیراندازه گیری و ثبت شده پارامترهای مختلف فاضلاب که توسط تجهیزات ابزار دقیق روی خط و آزمایشگاه، اندازه گیری شده اند، به عنوان دیتاهای ورودی و خروجی شبکه در نظر گرفته شدند. شبکه ای با ۱۰ نرون در لایه ورودی (دیتاهای ورودی) و سه نرون در لایه خروجی(تعیین تعداد پمپهای لجن برگشتی در حال کار) طراحی گردید. در مرحله اول ترتیب کلیه داده ها توسط دستورات نرم افزاری جابجا شد، به نحوی که دیتای مربوط به فصول مختلف سال به صورت غیر منظم به شبکه اعمال شوند،و پس از نرمالیزه کردن دیتاها با روش گفته شده در بخش قبل، ۶۷ درصد داده‌ها (۱۳۳ عدد) به عنوان ورودی آموزش مدل، و ۳۳ درصد به عنوان تست مدل ( ۶۷عدد) انتخاب گردیدند. فرایند آموزش برای این الگوریتمها، که شامل تغییر وزن‌ها بین لایه‌های مختلف در طول زمان آموزش است، انجام گردید تا جایی که تفاوت بین داده‌های واقعی (داده های تست) و داده‌های پیش‌بینی شده به حداقل برسد. برای فرایندهای آموزش از قواعد آموزشی و توابع انتقال مختلف استفاده شد، تعداد نرون لایه مخفی تغییر داده شدو هر بار فرآیند آموزش و تست مدل با هدف کاهش میزان میانگین مربع خطا (MSE)[11] تکرار گردید. (رابطه ۲ نحوه محاسبه میزانMSE را نشان می دهد).

(۴)

که n، تعداد پیش‌بینی‌ها و ei خطای پیش‌بینی iام است، که از تفاوت مقادیر پیش‌بینی شده و مقادیر واقعی بدست می‌آید.

 

نتایج

در این تحقیق از شبکه‌های MLP و RBF استفاده شد و قاعده آموزشی و تعداد نرون لایه مخفی و همچنین تعداد عناصر پردازشی لایه مخفی برای هر شبکه مورد آزمایش قرار گرفت. اپتیمم تعداد نرون‌ها در لایه مخفی و پارامترهای نرون‌های لایه مخفی بوسیله سعی و خطا بدست آمد. انتخاب بهترین شبکه بر اساس کمترین میزان MSE و بالاترین درصد صحت می‌باشد. در هر کدام از شبکه‌ها جهت همگرایی بهتر و رسیدن به حداقل خطا، آموزش در تعداد سیکلها[۱۲]ی مختلف انجام شده است روند نزول کمیت میانگین ‌مربع خطا MSE درشبکه MLP در عدد ۰۱۳۱/۰ و در شبکه RBF در عدد ۲۰۱۰/۰ تقریباً ثابت می‌شود که با توجه به میزان MSE ها می‌توان نتایج را رضایت‌بخش دانست.

بهترین نتیجه برای شبکه MLP از نظر درصد صحت پیش بینی های انجام شده به ازاء دیتای آزمایش، شبکه‌ای با ۱۲ نرون در لایه مخفی و با ۷۰۰ بار تکرار مراحل آموزش(Epoch) که در نهایت خطای ارزیابی در آن برابر با ۰۱۹۳/۰ و درصد صحت، ۰۷/۹۳% و بهترین شبکه RBF شبکه‌ای با ۱۸ نرون در لایه مخفی و با ۲۴۰۰ epoch که میزان MSE برابر ۳۴۸۸/۰ و درصد صحت آن ۲۵/۵۴% بود. در نهایت شبکه MLP به عنوان بهترین شبکه انتخاب گردید تا برای پیش‌بینی تعداد پمپهای مورد نیاز جهت برگشت لجن فعال مورد استفاده قرار گیرد. نتایج عملکرد شبکه برای پیش‌گویی تعداد پمپها در جدول ۱ ارائه شده است.

 

جدول ۱٫ بهترین نتایج شبکه RBF و MLP به ازای تعداد نرون لایه میانی

درصد صحت خطای ارزیابی تعداد تکرار تابع آستانه توپولوژی نوع شبکه
۵۲/۹۰% ۰۱۳۱/۰ ۴۰۰ TanSig ۳-۱۲-۱۰ MLP
۰۵/۸۹% ۰۱۴۲/۰ ۶۰۰ TanSig ۳-۱۶-۱۰
۴۵/۸۷% ۰۳۴۵/۰ ۵۰۰ TanSig ۳-۱۸-۱۰
۰۷/۹۳% ۰۱۹۳/۰ ۷۰۰ LogSig ۳-۱۲-۱۰
۰۵/۸۹% ۰۲۲۴/۰ ۵۰۰ LogSig ۳-۱۸-۱۰
۰۳/۹۱% ۰۱۹۵/۰ ۷۰۰ LogSig ۳-۱۲-۱۶-۱۰  
۳۴/۹۰% ۰۲۸۸/۰ ۴۰۰ LogSig ۳-۸-۱۴-۱۰  

 

۲۵/۴۹% ۲۳۱۵/۰ ۲۰۰۰ TanSig ۳-۱۲-۱۰ RBF
۷۵/۵۰% ۳۰۱۰/۰ ۲۲۰۰ TanSig ۳-۱۵-۱۰
۲۵/۵۴% ۳۴۸۸/۰ ۲۴۰۰ TanSig ۳-۱۸-۱۰
۶۳/۴۸% ۲۰۱۰/۰ ۲۴۰۰ LogSig ۳-۱۲-۱۰
۰۵/۴۹% ۳۷۷۵/۰ ۲۲۰۰ LogSig ۳-۱۵-۱۰
۲۵/۴۹% ۲۷۶۰/۰ ۲۰۰۰ LogSig ۳-۱۸-۱۰

 

نتایج افزایش تعداد تکرار ها در بهترین حالات شبکه RBF و MLP در شکلهای ۵ و۶ قابل مشاهده میباشد.

 

شکل ۵: میانگین مربع خطای آموزش و خطای ارزیابی در مقابل تعداد Epoch در شبکه RBF

 

 

یکی از مشکلاتی که هنگام آموزش شبکه عصبی ممکن است پیش بیاید، بیش آموزی شبکه است. بدین صورت که در هنگام آموزش شبکه، خطا به مقدار قابل قبول می رسد ولی هنگام ارزیابی، خطای شبکه به مراتب از خطای داده های آموزشی بیشتر باشد. برای جلوگیری از بیش آموزی دو راه وجود دارد: الف- توقف سریع آموزش[۱۳] ب- انتخاب کمترین تعداد نرون­ در لایه پنهان که در این مطالعه با توجه به نتایج بدست آمده و به صورت سعی و خطا هر دو روش در نظر گرفته شده است. در شکلهای فوق میزان MSE آموزش به عنوان تابعی از تعداد Epoch برای بهترین ساختار MLP وRBF که بیشترین درصد صحت را دارد ارائه شده است. به منظور تعیین تعداد اپتیمم Epoch، میزان MSE برای داده‌های ارزیابی تعیین گردید. این شکلها نشان می‌دهند که MSE داده‌های ارزیابی، با افزایش تعداد Epoch سیر نزولی دارد و بیان کننده تاثیر تعداد Epoch بر روی توانایی یادگیری شبکه است. همچنین نشان مید‌هد آموزش مدل با موفقیت به انجام رسیده است و این شبکه قادر است بطور صحیح رابطه بین پارامترهای ورودی و خروجی را یادگیری کند.

 

بحث

استفاده از شبکه های عصبی مصنوعی جهت پیش بینی تعداد پمپهای فعال لجن برگشتی مورد نیاز در تصفیه خانه های فاضلاب به روش لجن فعال که بدلیل دوری از مراکز زندگی شهری و دانشگاهی امکان جذب نیروی متخصص وجود ندارد می تواند بسیار ارزشمند ‌‌‌باشد. دو شبکه عصبی مصنوعی نظارت شده که بوسیله الگوریتم انتشار به عقب آموزش دیده شده‌اند برای پیش‌بینی تعداد پمپهای مورد نیاز لجن برگشتی، با استفاده از متغیر‌های ورودی که شامل برخی از خصوصیات فاضلاب ورودی و لجن تشکیل شده هستند مورد بررسی قرار گرفتند. مدل ANN نهایی با موفقیت رابطه بین داده‌های ورودی و خروجی را یاد گرفت. همچنین شبکه MLP در مقایسه با شبکه RBF توانایی بیشتری در فرایند پیش‌بینی داشت. نتایج نشان داد که مدل های شبکه عصبی مصنوعی می‌توانند ۸۵ درصد از تغییرات تعداد پمپهای لجن برگشتی را در شرایط مختلف پیش‌بینی نمایند. بهره برداری صحیح از تصفیه خانه فاضلاب بروش لجن فعال برگشتی در گرو داشتن اطلاعات صحیح از پارامترهای فاضلاب و محیط و همچنین انتخاب صحیح میزان لجن برگشتی به ابتدای حوض هوادهی میباشد. این تحقیق نشان داد که استفاده از مدل ANN ابزار موثری برای پیش‌بینی تعداد پمپ لجن برگشتی با توجه به پارامترهای فاضلاب است، بدیهی است در صورتیکه اطلاعات جمع آوری شده بیشتری در اختیار شبکه عصبی قرار گیرد میتوان مطمئن بود که دیتای خروجی شبکه تا حد بسیار بالایی قابل اطمینان باشد. پارامترهای ANN اثر موثر بر توانایی یادگیری و پیش‌بینی‌های مدل‌های ANN دارند. همچنین میتوان با تغییر سایر پارامترهای شبکه عصبی از قبیل تعدادلایه های میانی و نوع توابع انتقال وتوابع آستانه و ..، نتایج بهتری بدست آورد و یا با ترکیب شبکه های عصبی مختلف نتایج نهایی را بهینه کرد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Prediction of return activated sludge in wastewater treatment plant by artificial neural network

Amir Hasan Amirifard, MS student of Shahid Rajaee Teacher Training University

Fathollah Gholami, PhD Student of Environmental Health, School of Health, Tehran University of Medical Science

Reza Ebrahimpour, Associated professor of Shahid Rajaee Teacher Training University

 

 

 

Abstract

There are some problems such as: complex and non linear Case & Effect between different parameters, deficient in online chemical analyzer in a lot of the wastewater treatment plants, un suitable operation of the online analyzers and decreased in efficiency and calibration of them at the time, time consuming of wastewater analyzing in laboratory caused inefficiently control and operation of wastewater treatment plant. On the other hand artificial neural network have advantages such as the ability of complex and non linear Case & Effect with simple match formulation, the ability in generalization for training with correct data and then application of these in other data and also have high speed in step of test. The result of this study show that artificial neural network after training with correct data can predict return activated sludge in conventional biological wastewater treatment plant with more than 90% precision. So that artificial neural networks are suitable tools for better prediction of return activated sludge in wastewater treatment plants.

Keywords: Wastewater Treatment Plant; Prediction; Artificial Neural Network; Return Activated Sludge

 

 

 

 

 

 

 

 

 

 

 

منابع و مراجع

 

[۱] موسوی، غ، فرزاد کیا، م، جعفرزاده، ن، جرفی، س، محمودی، س.م (۱۳۸۸). مهندسی فاضلاب تصفیه و استفاده مجدد، ترجمه. چاپ اول ۱۳۸۸، خانیران، صفحه ۵۰۰

[۲] Tchobanoglous G. and Burton F. L. (2003) WastewaterEngineering: Treatment, Disposal and Reuse, eds Staff Mecalf and Eddy, McGraw-Hill Series in Water Resources and Environmental Engineering, New York. forth edition.

[۳] Zhang, Q., & Stanley, S. J. (1999). Real-time water treatment process control with artificial neural networks. Journal of Environment Engineering, ASCE, 125(2), 153–۱۶۰٫

[۴] Pai, T. Y., Tsai, Y. P., Chou, Y. J., Chang, H. Y., Leu, H. G., & Ouyang, C. F. (2004). Microbial kinetic analysis of three different types of EBNR process. Chemosphere, 55(1), 109–۱۱۸٫

[۵] Hamed, M. M., Khalafallah, M. G., Hassanien E. A. “Prediction of wastewater treatment plant performance using artificial neural networks” Environmental Modelling & Software (19) 2004: 919-928.

[۶] Lee, D.S., Joen, C.O., Park, J.M., Chang, K.S. (2002). “Hybrid neural network modeling of a full-scale industrial wastewater treatment plant.” Biotechnology and Bioengineering 78 , 670–۶۸۲٫

[۷] Dayhoff, J. E. (1990). Neural Network Principles. Prentice-Hall International, U.S.A

[۸] H¨ack, M., & K¨ohne, M. (1996). Estimation of wastewater process parameters using neural networks. Water Science Technology, 33(1), 101–۱۱۵٫

[۹] منهاج، م.ب، (۱۳۷۷)، کاربرد هوش محاسباتی در کنترل، نشر پرفسور حسابی، چاپ اول، صفحه ۲۳۶٫

[۱۰] منهاج، م. ب. (۱۳۸۱). مبانی شبکه‌های عصبی. نشر دانشگاه صنعتی امیرکبیر، چاپ دوم تهران. صفحه ۷۱۵٫

[۱۱] Heykin S.(1999). NEURAL NETWORKS A Comprehensive Foundation, Second Edition. 14-29.

[۱۲] Khanna, T. 1990. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A.

[۱۳] Gontarski, C. A., Rodrigues, P. R., Mori, M.,&Prenem, L. F. (2000). Simulation of an industrial wastewater treatment plant using artificial neural networks. Computers and Chemical Engineering, 24, 1719–۱۷۲۳٫

[۱] دانشجوی کارشناسی ارشد رشته کنترل دانشکده مهندسی برق و کامپیوتر دانشگاه تربیت دبیر شهید رجایی(نویستده مسئول)

Email: a.amirifard@gmail.com

 

[۲] Online

[۳] Programmable Logic Controller

[۴]. Multilayer Perception

[۵]. Radial Basis Function

[۶]. Feed forward networks

[۷]. Back propagation

[۸] LogSig

[۹] TanSig

[۱۰] -Kolmogrov Theorem

[۱۱].Mean Square Error

[۱۲] Epoch

[۱۳] Early Stopping