هوش مصنوعی تصفیه فاضلاب آلودگی آب

هوش مصنوعی تصفیه فاضلاب آلودگی آب – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه فنی مهندسی – بین رشته ای

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

کاربرد هوش مصنوعی جهت نظارت و کنترل بر تاسیسات تصفیه فاضلاب و به حداقل رساندن آلودگی آب

چکیده

غلظت جامدات معلق فاضلاب یا سیال خروجی (SS) به عنوان یکی از مهم ترین شاخصهای محیطی و عملکرد فرآیند برای کلیه تاسیسات تصفیه فاضلاب (STP)، چه بصورت اولیه، ثانویه و یا ثالث می‌باشد. در این مقاله، یک شبکه عصبی مصنوعی (ANN) پیش‌خورد سه لایه،  که از الگوریتم فراگیری پس انتشاری استفاده می‌کند، برای پیش بینی جریان جامدات معلق سیال بمدت دو و سه روز بصورت متوالی در تأسیسات تصفیه فاضلاب با استفاده از فرآیند لجن فعال شده (ASP) به کار گرفته شد. جامدات معلق به عنوان یک شاخص میزان اکسیژن مورد نیاز بیوشیمیایی (BOD) و شیمیایی (COD) مطرح می‌باشند و علاوه بر این، بیانگر شاخص جانشین کیفیت میکروبیولوژیکی برای سیال خروجی خواهد بود و بر این اساس یک محدوده مجوز محافظت از محیط زیست در این زمینه مد نظر است که تخطی از آن دارای عواقب جدی از نظر قواعد، مسایل مالی، رسانه‌ای، محیطی و تأثیرات بر روی بهداشت عمومی ‌خواهد بود. پیش بینی کیفیت فاضلاب به عنوان یک مقوله اخطار اولیه مدنظر می‌باشد که اپراتورهای بخش تصفیه فاضلاب را قادر خواهد ساخت تا اقدامات لازم را به منظور تحت کنترل درآوردن این فرآیند انجام دهند و بر این اساس بتواند نسبت به تولید پسماندهای یا سیال خروجی دارای کیفیت در این تأسیسات اقدام نمایند. این تکنیک از میزان بالقوه سطح بالایی برای کاربرد در صنایع فرآوری در اطراف جهان برخوردار می‌باشد. عملکرد پیش بینی مدلهای ANN بر حسب خطای جذر میانگین مربعات (RMSE) جهت پیش‌بینی جامدات معلق فاضلاب برای دو یا سه روز بصورت متوالی بترتیب به میزان ۸ میلی گرم در لیتر و ۲/۸ میلی گرم در لیتر می‌باشد.

کلمات کلیدی: شبکه عصبی مصنوعی، فرآوری فاضلاب، جامدات معلق، هوش مصنوعی

مقدمه

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. نرخ جریان فاضلاب، ترکیب و غلظت زیرلایه ها به میزان قابل توجهی تحت تأثیر زمان و فصل و همچنین تفاوت های مرتبط با مقیاس های شهری، سطح زندگی جمعیت و شرایط آب و هوایی محلی بوده و چنین مضامینی تقریباً به عنوان خصیصه های ذاتی کلیه تأسیسات تصفیه فاضلاب به شمار می‌آیند. این موارد، مضامین اجرایی و کنترلی را به صورت کاملاً پیچیده‌ای مطرح می‌سازند. اپراتورهای تأسیسات تصفیه فاضلاب باید از اطلاعات و دانش فنی، علمی ‌و عملیاتی در زمینه تأسیسات خود و همچنین ادوات و فرآیندهای تصفیه آگاه باشند تا آنکه بتوانند این عملیات را به خوبی تحت کنترل داشته و بر این اساس قابلیت رعایت استاندارهای منطبق را به صورت کامل داشته باشند. جهت اجرای روتین های عملیاتی مربوط به تأسیسات تصفیه فاضلاب به صورتی بهینه و کم هزینه، لازم است تا مهارت های فوق الذکر را به صورت کامل، همراه با مدل های فرآوری شبکه عصبی مصنوعی، اعمال نمود. 

…

هوش مصنوعی تصفیه فاضلاب آلودگی آب

بررسی مختصری در زمینه شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی به صورت طراحی هوشمند و مصنوعی عرضه شده و در حقیقت یک نسخه المثنی از مغز انسان و سیستم عصبی مرکزی می‌باشند که هدف از آنها شبیه سازی قابلیت های مغزی در زمینه تفکر و فراگیری از طریق ادراک، تعقل و تفسیر می‌باشد. چنین سیستمی‌ از قابلیت استنباط اطلاعات و راه حل های مربوطه از داده های فراهم شده برخوردار می‌باشد و می‌تواند ارتباطات قابل توجهی را بین داده های ورودی و خروجی حاصل آورد، و علاوه بر این می‌تواند با بهره گیری از توان خود پارامترهای ورودی را به صورت قابل توجهی تخصیص دهد. دیدگاه شبکه های عصبی مصنوعی بر روی یافتن یک الگو یا الگوهای تکراری، قابل شناسایی و قابل پیش بینی، بین علل و معلول رکوردهای ثبت شده گذشته تمرکز دارد. دیدگاه های مدلسازی شبکه های عصبی مصنوعی نیاز نخواهند داشت تا نسبت به تشریح چگونگی رخداد عملکرد‌ها در یک محیط خرد یا کلان اقدام نمایند و تنها به دانش عوامل مهم حاکم بر یک فرآیند نیازمند می‌باشند. آنها قابلیت کار با داده های ناقص را نیز دارا می‌باشند و می‌توانند میزان مشخصی از تحمل خطا را داشته باشند. علی الخصوص، شبکه های عصبی مصنوعی قابلیت حل مشکلاتی را خواهند داشت که در زمینه نقشه برداری غیر خطی پیچیده یا ارتباطات آن مطرح می‌باشد. مواردی که به صورت طبیعی راه حل های الگوریتمی ‌متعارفی را نمی‌توان برای آن ها متصور شد. در تاسیسات تصفیه فاضلاب، بواسطه فعل و انفعالات پیچیده فیزیکی، شیمیایی و بیوشیمیایی که در حین فرآیندهای تصفیه و انتقال رخ می‌دهند و همچنین طبیعت تغییر پذیر متوالی، همراه با جریان و ترکیبات فاضلاب که در نهایت به تأسیسات تصفیه وارد می‌شود، بوجود آوردن یک رویه کنترل موثر و اقتصادی از طریق کاربرد صرف روال های مدلسازی تشخیصی متعارف مشکل و سخت می‌باشد. چنین موقعیتی، دیدگاه مدلسازی شبکه های عصبی مصنوعی را به عنوان یک ابزار منطقی و مناسب برای انجام مدلسازی فرآیندی و کنترل تأسیسات تصفیه بیولوژیکی، مطرح می‌نماید.

هوش مصنوعی تصفیه فاضلاب آلودگی آب

تاسیسات تصفیه فاضلاب لجن فعال شده (STP)

در یک تأسیسات تصفیه فاضلاب لجن فعال شده بیولوژیکی ثانویه معمولی، مواد سیال خام یا فاضلاب ها به سمت تأسیسات نظارتی، کنترلی و بخش های رسوبی، لجن فعال شده، رسوب گذاری ثانویه و گندزدایی از طریق فراوری های ماوراء بنفش یا کلرین هدایت می‌شوند و این سیالات در نهایت از طریق آبریزهای مربوطه به سمت اقیانوس ها هدایت گردیده و یا آنکه در نهرهای رودخانه‌های محلی جریان می‌یابند (شکل ۱). در سال ۲۰۰۲ الی ۲۰۰۳، مرکز تأسیسات فراوری فاضلاب شلهاربر نسبت به انجام روال های فرآوری به میزان میانگین ۱۸ میلی‌لیتر در روز اقدام نمود. در این مرکز چهار تأسیسات یا مخزن هواگیری به نام های واحدهای ۱،۲،۳، ۴ حضور دارند و علاوه بر این سیستم های طبقه بندی کننده یا کلاسیفایرهای ثانویه تحت نامهای واحدهای ۱،۲،۳ و ۴ حضور داشته و ۴ جریان لجن فعال شده بازگشتی نیز تحت عنوان های RAS 1,2,3,4 وجود دارند که چهار مخزن هواگیری و کلاسیفایرها را به هم متصل می‌نمایند.

روال های توسعه مدل شبکه های عصبی مصنوعی

مدل های شبکه های عصبی مصنوعی بر روی یک دستگاه کامپیوتر پنتیوم ۴ سازگار با IBM با استفاده از نرم افزار حرفه ای کار با شبکه های عصبی II/PLUS (1993) به وسیله شرکت NeuralWare، Pittsburgh، Pa (US) انجام پذیرفت. این رویه به منظور توسعه مدل های شبکه های عصبی مصنوعی انجام گردید که تصویر آن درشکل ۲ مشخص شده است.

پردازش مقدماتی داده ها

داده‌های خام تاسیسات مرتبط با فراگیری و تست شبکه های عصبی مصنوعی به منظور بررسیهای مربوط به تکمیل بودن آنها مورد تجزیه قرار گرفتند. مقادیر از دست رفته از طریق قیاس مورد ارزیابی قرار گرفت. بخشهای مجزا نیز از طریق ترسیم مشخص گردیده و به صورت آماری مورد بررسی قرار گرفتند.

آموزش و تست مجموعه های داده ها

مجموعه کلی داده ها شامل اطلاعات روزانه تاسیسات تصفیه فاضلاب از نقطه نظر نرخ جریان (کیلو لیتر در روز)، میزان ریزش باران (میلیمتر)، جامدات معلق سیال فاضلاب تثبیت شده، pH و میزان اکسیژن مورد نیاز شیمیایی بوده‌اند. شاخص حجم فاضلاب مایع ترکیبی لجن فعال شده (SVI)، جامدات معلق (MLSS)، جامدات معلق فرار(MLVSS)، WAS، نرخ بازگشت لجن فعال شده (RAS)، دما، pH ، عمق بستر فاضلاب کلاسیفایر ثانویه (SBD) از نوامبر ۱۹۹۶ الی دسامبر ۲۰۰۲ بدست آمد. این اطلاعات به دو دسته داده های آموزشی(۱۸۵۲ رکورد که از نوامبر ۱۹۹۶ الی نوامبر۲۰۰۱) و داده های مربوط به تست (۳۶۵ رکورد بین دسامبر ۲۰۰۱ الی دسامبر۲۰۰۲) تقسیم شده اند. رکورد های آموزشی، حاوی الگوهای کافی به منظور حاصل آوردن شبیه سازی شبکه های عصبی مصنوعی و برقراری ارتباطات بین جامدات معلق سیال و متغییرهای ورودی، به میزان کافی به کار گرفته شدند. داده های ثبت نیز در طی روال فراگیری به داخل شبکه تزریق نگردیده است، اما به هنگامی‌که دوره فراگیری به اتمام رسید از آنها جهت تست شبکه تحت آموزش به منظور قابلیت پیش بینی جامدات معلق سیال استفاده شد.

هوش مصنوعی تصفیه فاضلاب آلودگی آب

انتخاب پارامترهای ورودی و خروجی

متغییرهای شبکه های عصبی مصنوعی ورودی و خروجی تأسیسات تصفیه فاضلاب شلهاربر بر مبنای قضاوتهای مهندسی انتخاب گردید که بر اساس آن داده های ورودی و خروجی ممکن است تأثیرات قابل توجهی در پیش بینی جامدات معلق سیال داشته باشند. هدف از این کار حاصل آوردن بهترین میزان پیش بینی جامدات معلق سیال با توجه به حداقل ورودی می‌باشد. با توجه به افزایش متغییرهای ورودی پیچیدگی این مدل افزایش می‌یابد و زمان آموزش و ارزیابی جامدات معلق سیال نیز بیشتر خواهد شد و علاوه بر این، سیستم ممکن است دچار نویزهای ناخواسته‌ای شود. در این تحقیقات، جهت پارامترهای ورودی، داده های امروز (t) و ۶ روز قبل (مثل، t, t-1, t-2, t-3, t-4, t-5, t-6) به واسطه دلایل ذیل مدنظر قرار گرفته اند: (۱) جهت مشخص نمودن و مشارکت دادن الگوی روزانه جریان فاضلاب و کیفیتی که در طی ۷ روز مختلف هفته (از روز یکشنبه تا دوشنبه) وارد تأسیسات تصفیه فاضلاب شده است. (۲) جریان وارده به تأسیسات تصفیه  فاضلاب برای چند روزی همچنان زیاد گزارش شده است (به مدت ۷ روز) که این ازدیاد جریان به واسطه ریزش باران فراوان و انجام عملیات فیلتراسیون و ورود جریان به داخل آبریزها بوده است و (۳) کاربرد آبهای روزمره در اواخر هفته که منوط به سبک زندگی مردم و مضامین مربوط به آمار جمعیتی در محدوده آبریز می‌گردد.

انتخاب معماری شبکه های عصبی مصنوعی و پارامترهای ورودی

معماری شبکه مشخص کننده تعداد گره ها و وزن های مشخص شده می‌باشد و علاوه بر این تعیین کننده چگونگی تنظیمات مربوطه است. شبکه های کوچکتر معمولاً از قابلیت کلی بهتر و سرعت فرآوری بالاتری برخوردار می‌باشند. شبکه های بزرگتر از فراگیری سریعتری بهره برده و از قابلیت بیشتری نیز جهت ممانعت از حداقل میزان ممکن در سطوح خطا برخوردار بوده‌اند، اما در عین حال نیازمند یک سری از نمونه های آموزشی بزرگ می‌باشند، تا آنکه قابلیت عمومی ‌متناسبی را حاصل آورند. در این مطالعه، یک شبکه عصبی مصنوعی پس انتشاری تغذیه بجلوی سه لایه، از قاعده فراگیری نظارتی دلتای تجمعی معمولی (NCD) و همچنین تابع انتقال تانژانت هذلولی(TanH) استفاده می‌نماید که علت آن نیز قابلیت زیاد در زمینه پیش بینی کیفیت آب می‌باشد.

هوش مصنوعی تصفیه فاضلاب آلودگی آب

فرآیند آموزش شبکه اصلی مصنوعی

هدف از این مدلسازی تحصیل ارتباط بین داده های تاریخی ورودی های مدل و خروجی های منطبق با آن می‌باشد. بر این اساس روال پس انتشاری از طریق ارائه داده های آموزشی برای شبکه در سطح ورودی آغاز گردید (که تحت عنوان ترکیبات  برون دادها و درون دادها شناخته می‌شوند، نظیر جریان، باران، ISS و ESS). جریان های واحد ورودی از طریق شبکه (شکل ۳) بوجودآورنده یک سیگنال خروجی می‌باشند که به عنوان تابع مقادیر وزن های اتصال، تابع انتقال و هندسه شبکه مشخص شده اند. فرآیند یادگیری این شبکه را قادر می‌سازد تا بتواند مجموعه ای از وزن هایی را بیابد که بهترین حالت نقشه برداری ممکن ورودی و خروجی را فراهم آورد. پس از آن سیگنال خروجی تولید شده با سیگنال خروجی مطلوب از طریق کمک یک تابع خطا (خطای میانگین مربعات) مورد مقایسه قرار گرفت.

عملکرد یک مدل شبکه عصبی مصنوعی

گسترده ترین برآوردهای عملکرد برای مدل های شبکه عصبی مصنوعی جذر خطای میانگین مربعات (RMSE) و خطای میانگین مطلق (AAE) بین مقادیر حقیقی و پیش بینی شده می‌باشد.

جاییکه  به عنوان مقدار هدف (حقیقی) مطرح می‌باشد،  نیز به عنوان مقدار پیش بینی و  تعداد رکوردها خواهند بود.

آنالیز حساسیت

این آنالیز برای هریک از مدل های شبکه عصبی مصنوعی انجام می‌گردد، تا آنکه تعداد ورودیها کاهش یافته و اندازه شبکه به میزان حداقل تثبیت شود. شبکه بزرگتر زمان بیشتری را برای آموزش مورد نیاز خواهد داشت، همچنین به داده های بیشتری نیاز خواهد بود تا بتوان نسبت به ارزیابی وزن های اتصال اقدام نمود.

مدل شبکه عصبی مصنوعی نهایی

به هنگامی که یک شبکه مورد آموزش قرار می‌گیرد، ارتباط کلی بین درون دادها و برون دادها که در مجموعه داده‌های آموزشی موجود می‌باشند، حاصل خواهد شد، در نتیجه، برای کاربردهای پیش بینی زمان – واقعی، این موضوع قابل توصیه می‌باشد تا نسبت به آموزش مجدد مدل اقدام نمود تا آنکه داده های جدید مهیا شوند.

هوش مصنوعی تصفیه فاضلاب آلودگی آب

نتایج و مباحث

تعدادی از مدل های شبکه عصبی مصنوعی با استفاده از روش مشخص شده در بخش ۴ (شکل ۵) توسعه یافته تا آنکه ساده ترین معماری شبکه عصبی مصنوعی با حداقل تعداد ورودی ها و گره ها تعیین شوند، البته لازم است تا یک حالت تعمیم پذیری بسیار مناسب حاصل آید تا آنکه بتوان نسبت به پیش بینی جامدات معلق سیال تحت فرآیندهای مختلف اقدام نمود که پارامترهای این مبحث شرایط آب و هوایی و شرایط جریان سیال در تأسیسات تصفیه فاضلاب خواهند بود. تعداد گره های ورودی (پارامترها) در محدوده ۲۴۵ تا ۱۵ (معماری بهینه) و تعداد گره های مخفی در محدوده از ۲۴۵ تا ۳۱ (معماری بهینه) می‌باشند. با این وجود، تنها یک گره خروجی نظیر جامدات معلق سیال در دو یا سه روز به صورت متوالی برای کلیه مدل ها موجود می‌باشد. مجموع کل داده های موجود به صورت روزمره ۲۲۱۷ مورد به صورت انحصاری بین مجموعه داده های مورد آزمایش توزیع گردید (داده های یکساله) و مجموعه داده های تحت آموزشی نیز به همین ترتیب روال های توزیع، اعمال گردیده تا آنکه آنها به صورت مستقل درآمده و یکی از آنها دیگر به عنوان زیرمجموعه دومی ‌بشمار نیاید. تعداد گره ها در لایه های ورودی و مخفی در تکرار مدلسازی متوالی کاهش یافته تا آنکه پارامترهای ورودی مدل از نقطه نظر حساسیت در زمینه جامدات معلق سیال با توجه به خطای RMS کاهش مدل حاصل گردد. بر این اساس، مشاهده گردید که این مدلها فراگیری بسیار سریعی را حاصل نموده اند (شکل ۴) و RMSE حداقل میزان ارزش در حدود مقدار شمارش آموزش حول و حوش ۱۰۰۰۰ را به دست آورد. از آنالیز حساسیت (شکل ۵) این موضوع مشخص شد که ضرایب اولیه در پیش بینی جامدات معلق سیال به میزان ۱، ۲ یا ۳ روز به صورت متوالی عبارتند از:

…

هوش مصنوعی تصفیه فاضلاب آلودگی آب

نتیجه گیری

کاربرد شبکه عصبی مصنوعی در روال های تصفیه فاضلاب به عنوان یک مضمون جدید و در عین حال تکنیک نوید دهنده برای پیش بینی عملکرد فرآیندهای بیولوژیکی پیچیده و غیرخطی نظیر تأسیسات تصفیه فاضلاب لجن فعال مد نظر قرار گرفته است. این موضوع به عنوان یک مبحث بسیار کارگشا در غلبه بر برخی از محدودیت های مدل های ریاضی متعارف در زمینه تأسیسات تصفیه فاضلاب مطرح می‌باشد، که علت آن نیز مکانیزم های پیچیده، تغییرپذیری و دینامیک آن است. شبکه عصبی مصنوعی به عنوان یک دیدگاه منبعث شده از داده های مورد بحث در نظر گرفته شده است، از اینرو دقت، کیفیت و کمیت اطلاعات ثبت شده بر روی قابلیت اطمینان و صحت این مدل تأثیر گذار خواهند بود. علاوه بر این، با توجه به 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. این موضوع مورد انتظار خواهد بود که مدل های شبکه عصبی مصنوعی قابلیت پیش بینی جامدات معلق سیال، با توجه به گذشت زمان، بصورتی مطلوب تر و بهتر را خواهند داشت. بر این اساس، این توصیه مدنظر قرار می‌گیرد تا نسبت به جمع آوری داده های روزمره برای پارامترهای حیاتی بیشتر در زمینه ASP اقدام شود، نظیر پارامترهای مخزن هواگیری DO، و پتانسیل اکسایش فاضلاب تثبیت شده. بر این مبنا اینگونه فرض می‌شود که موجود بودن داده های DO و همچنین توزیع هیدرولیک متساوی فاضلاب تثبیت شده در امتداد ۴ مخزن هواگیری و کالیبراسیون مقطعی مدل شبکه عصبی مصنوعی، باعث خواهد شد تا عملکرد مدل شبکه  عصبی مصنوعی بیش از پیش ارتقا یابد.