چکیده

مشکل در راهبري صحیح تصفیه خانه هاي فاضلاب یکی از چالش هاي اصلی در صنعت آب و فاضلاب کشور بـه شمار می رود. در بسیاري از موارد، این معضل ناشی از عدم توانایی در پیش بینی چگونگی تأثیر تغییرات کمی و کیفی فاضلاب ورودي و یا تغییرات شرایط آب و هوایی بر عملکرد تصفیه خانه می باشـد. در تحقیـق حاضـر، بـه بررسی توانمندي مدل شبکه عصبی مصنوعی جهت پـیش بینـی عملکـرد تصـفیه خانـه هـاي نیمـه مکانیکـال

(مطالعه موردي، تصفیه خانه فاضلاب شماره یک پرکندآباد) پرداخته شد. براي پیش بینی عملکرد تصـفیه خانـه مذکور، در ابتدا عوامل تأثیرگذار بر غلظت پارامتر COD به عنوان یکی از شاخص هـاي کیفـی پسـاب مشـخص شدند. سپس بر اساس داده هاي کمـی و کیفـی فاضـلاب ورودي، پسـاب خروجـی، شـرایط فرآینـدي و آمـار و اطلاعات هواشناسی به تعیین ویژگی هاي موثر بر غلظت پارامتر COD پساب پرداخته شد. بر اسـاس نتـایج بـه دست آمده، مهم ترین عوامل مؤثر بر غلطت پارامتر COD پساب خروجی شامل، جریان ورودي، میزان اکسیژن محلول، درجه حرارت فاضلاب ورودي، درجه حرارت لاگون، درجه حرارت هوا، تعـداد هـواده هـاي فعـال، تعـداد ساعات آفتابی، pH لاگون و میزان بار مواد آلی ورودي می شد. با استفاده از مدل شـبکه عصـبی بـا جسـتجوي کامل و ویژگی هاي مؤثر به عنوان ورودي هاي شبکه، عملکرد تصفیه خانه مورد پیش بینی قـرار گرفـت. مقـدار

بیشینه ضریب هم بستگی (R) براي پارامتر COD برابر با ۰٫۸۶ و میزان درصد جذر میانگین مربعـات خطـاي نسبی (rRMSE) و درصد میانگین مطلق خطاي نسبی (rMAPE) متناظرش به ترتیب برابر بـا %۱۵ و %۱۳

برآورد شد. بنابراین با توجه به برازش بالا و خطاي کم نتایج حاصل از اجراي برنامه، مدل شبکه عصبی به عنـوان مدلی کارآمد و مناسب جهت پیش بینی عملکرد تصفیه خانه نیمه مکانیکال به حساب می آید.

کلمات کلیدي

کیفیت پساب تصفیهخانه، شبکه عصبی مصنوعی، تصفیه فاضلاب، لاگون هوادهی، راهبري تصفیهخانهها

.۱ مقدمه

راهبري صحیح تصفیهخانههاي فاضلاب یکی از مهمترین عوامل مدیریتی بخش آب و فاضلاب به شمار میآیـد.

در حال حاضر عملکرد بسیاري از تصفیهخانههاي فاضلاب در کشورهاي مختلف، با مشکلاتی روبهرو میباشد کـه مـی-

تواند ناشی از عوامل مختلف مانند تغییرات کمی و کیفی فاضلاب ورودي، شرایط فرآیندي، نوسانات شرایط آب و هوایی در فصول مختلف سال باشد. از اینرو استفاده از روشهایی که بتواند عملکرد و کارایی تصفیهخانههـاي فاضـلاب را بـه خصوص، بر اساس نوسانات کمی و کیفی فاضلاب ورودي، شرایط فرآیندي و یا شرایط آب و هوایی پـیشبینـی کنـد از اهمیت ویژهاي برخوردار است. بر اساس این پیشبینیها، بهرهبردار میتواند تدابیر لازم را قبل از بـروز مشـکلات اتخـاذ نماید و تداعی مورد نیاز را فراهم سازد و بدین ترتیب کنترل و بهرهبرداري مناسبی را اعمال نماید.

در کشور ایران به خصوص در استان خراسان رضوي به دلیل محدودیت منابع آب، به کاربرد پساب تصفیهخانه-

ها براي مصارف کشاورزي توجه ویژهاي مبذول میگردد. لذا اطمینان از عملکرد بهینه و مستمر تصفیهخانهها و تـأمین کیفیت مناسب پساب از اهمیت خاصی برخوردار میباشد. این امر را میتوان با پـیشبینـی عملکـرد تصـفیهخانـههـاي فاضلاب و ارزیابی قابلیت کاربرد پساب تولیدي در دورههاي مختلف و ارائه راهکارهایی براي بهبود کیفیـت پسـاب ارائـه کرد. همچنین اتخاذ تصمیمات به موقع و اجراي آنها با استفاده از نتایج حاصل از پیشبینی مدل به کـار رفتـه، باعـث صرفهجویی در زمان و هزینهها و جلوگیري از اتلاف وقت میشود.

یکی از پرکاربردترین روشهاي پیشبینی در زمینه آب و فاضلاب، روش شبکههاي عصبی مصنوعی مـیباشـد.

در سالهاي اخیر تحقیقات زیادي در خارج از کشور در رابطه با مدلسازي تصفیهخانه فاضـلاب بـا کمـک شـبکههـاي عصبی انجام شده است که اکثرا در رابطه با سیستمهاي مدرن و مکانیکال (لجن فعال) بودهاند. در زمینه تصـفیهخانـه-

هاي نیمهمکانیکال (لاگونهاي هوادهی و برکههاي تثبیت) گزارشهاي محدودي ارائه شده است که هیچ یـک از آنهـا

در داخل کشور انجام نشدهاند.

Cote و همکاران در سال ۱۹۹۵، جهت افزایش دقت مدلهاي مکانیکی که براي فرآیند لجن فعال به کار می-رفتند، از شبکه عصبی استفاده نمودند Zhu .[5] و همکاران در سال ۱۹۹۸، در کار تحقیقاتی خود نشان دادند که بـا

بهینهسازي شبکه عصبی مصنوعی میتوان به صورت لحظهاي خصوصیات خروجـی تصـفیهخانـههـاي فاضـلاب (داراي سیستمهاي پیشرفته تصفیه) را، پیشبینی کرد Gontarski .[25] و همکاران در سال ۲۰۰۰، با ایجاد شبکه عصـبی

مصنوعی خصوصیات کیفی پساب تصفیهخانههاي صنعتی را پیشبینی نمودند. آنها به این نتیجـه رسـیدند کـه دبـی

ورودي به تصفیهخانـه و pH فاضـلاب ورودي مـؤثرترین پارامترهـاي کنتـرل تصـفیهخانـه محسـوب مـیشـوند .[۸] Moreno-Alfonso وRedondo در سال ۲۰۰۱، یک روش اجراي هوشمند تصفیه فاضلاب را به کمک دو مجموعه

شبکه عصبی با هدف کنترل تصفیهخانه بر اساس پارامترهایی از قبل تعیین شـده، پیشـنهاد دادنـد. محققـین مـذکور نهایتا بیان داشتند که کاربرد چنین سیستم دو شبکهاي در مدیریت تصفیهخانههاي فاضلاب میتوانـد بسـیار سـودمند

باشد Holubar .[16] و همکاران در سال ۲۰۰۲، از شبکه عصبی بر مبناي الگوریتم پیشخور پسانتشار۱ براي مـدل کردن و کنترل متان تولیدي در هاضمهاي بیهوازي استفاده کردند. این محققین توانمندي بالاي مدل شبکه عصبی را

در پیشبینی میزان گاز تولیدي در شرایط مختلف بارگذاري، به منظور پیشبینی و جلوگیري از بارهاي اضـافی ورودي، نشان دادند Hong .[13] و همکاران در سال ۲۰۰۳، در کار تحقیقاتی خود از نوعی شبکه عصبی بدون نظارت به نام

KSOFM2، بهعنوان وسیلهاي کارآمد، براي مشخص نمودن وابستگیهاي متغیرهاي فرآیند و نیـز پـیشبینـی رفتـار سیستم تصفیه فاضلاب شهري بهره گرفتند و آن را یک ابزار مؤثر تحلیلی و روشی مفید بـراي تشـخیص و درك رفتـار

سیستم لجن فعال در تصفیهخانههاي فاضلاب عنوان کردند .[۱۴]

Oliveira-Esquerre و همکاران در سال ۲۰۰۴، با استفاده از شبکه عصبی به پیشبینی رضایتبخشـی در مورد BOD پساب خروجی یک تصفیهخانه فاضلاب مربوط به صنعت کاغذ در برزیـل دسـت یافتنـد. در ایـن بررسـی محققین ابتدا با استفاده از مدلهاي خطی رگرسیونی سعی در پیشبینی پارامتر BOD در ورودي و خروجی تصـفیه-

خانه نمودند. آنها کاربرد رگرسیون خطی براي مدلسازي سیستم تصفیه لاگـون هـوادهی در تصـفیهخانـه صـنعتی را براي پارامترهاي خروجی مناسب ندانستند. از اینرو استفاده از مدلهاي رگرسیونی را براي لاگونهاي هوادهی توصـیه ننمودند. در ادامه محققین مذکور با کاربرد مدلهاي شبکه عصبی مختلف در مورد سیستم تصفیه فاضلاب مربـوط بـه صنعت کاغذ در برزیل که از نوع لاگون هوادهی بود، به نتایج جالبی رسیدند و مدل شبکه عصبی براي سیسـتم لاگـون

هوادهی و سیستمهاي مشابه کارآمد ارزیابی کردند .[۱۹]

Hamed و همکاران در سال ۲۰۰۴، دو مدل بر پایه شبکه عصبی مصنوعی براي پیشبینـی غلظـت خروجـی

BOD و SS از یک تصفیهخانه بزرگ فاضلاب (با سیستم لجن فعال) در قاهره را توسـعه دادنـد. تحقیـق فـوق شـبکه

عصبی مصنوعی را یک ابزار ارزشمند براي پیشبینی عملکرد تصـفیهخانـههـاي فاضـلاب معرفـی نمـود Özer .[10] Çinar در سال ۲۰۰۵، با استفاده از مدل شبکه عصبی KSOFM و دادههاي مربوط به یک دوره زمانی ۴۰۰ روزه از تصفیهخانه Pelham واقع در ترکیه، پارامترهاي پساب خروجی را مورد ارزیابی قرار داد. این محقق نتیجه کار خـود را چنین بیان داشت که اگر تعداد دادههاي مورد استفاده زیاد و کافی باشد، شبکه عصبی KSOFM در ارزیابی عملکـرد

تصفیهخانه فاضلاب و مشخص نمودن روابط پیچیده پارامترهاي فرآیندي و نیز وابستگی بین آنها، مدل مناسبی مـی-باشد و بر اساس آن میتوان استراتژي مناسـبی را بـراي حـل مشـکلات بهـرهبـرداري مشـخص نمـود Mjalli .[6] و

همکاران در سال ۲۰۰۷، با استفاده از مدلهاي شبکه عصـبی مصـنوعی مقـادیر پارامترهـاي BOD، COD و TSS

پساب تصفیهخانه دوحه را پیشبینی نمودند و دریافتند که مدل شبکه عصبی مصنوعی از دقت بسیار بالایی در پـیش-

بینی و تخمین پارامترهاي بهرهبرداري تصفیهخانههاي پیشرفته فاضلاب برخوردار اسـت Shi .[15] و Qiao در سـال

۲۰۱۰، غلظت اکسیژن محلول و میکروارگانیزمهاي هتروتروفیک در فرآیند تصفیه فاضلاب را بـه وسـیله مـدل شـبکه عصبی، کنترل و بهینه کردند. نتایج حاصل از شبیهسازي، بر عملکرد مناسب مدل شبکه عصبی جهت کنترل و بهینـه-

۱ ‐ Feed Forward Back Propagation Algorithm 2 ‐ Kuhonen Self‐Organizing Feature Maps

سازي غلظت پارامترهاي مذکور دلالت داشت Pendashteh .[23] و همکاران در سال ۲۰۱۱، به وسیله شبکه عصبی

یک رآکتور غشایی BSR3 را که براي تصفیه فاضلابی روغنی به کار میرفت، مدل کردند. نتایج نشان داد کـه بـا نـرخ بارگذاري مواد آلی برابر با (kg COD)/(m3⁄day) 2/44، کل مواد جامد نامحلول برابـر بـا mg/lit 78000 و زمـان

واکنش معادل ۴۰ ساعت، متوسط نرخ حذف COD برابر با %۹۸ شد. در این شرایط، غلظت متوسط COD خروجـی در حد استاندارد (کمتر از ۱۰۰ میلیگرم در لیتر) بود و مدل نتیجه مطلوب را ارائه کرد Turan .[21] و همکـاران در

سال ۲۰۱۱، از شبکه عصبی جهت پیشبینی راندمان حذف یون مسII از شیرابه صنعتی سنگ خارا، استفاده کردنـد.
مقایسه بین عملکرد شبکه عصبی با ساختار متداول با شبکه عصبی با ساختار تابع پایه شعاعی۴ حاکی از عملکرد بهتـر

مدل RBF با ضریب همبستگی (R2) معادل ۰/۹۹۹ بود که قابلیت بالاي مدل RBF را در پیشبینی دقیقتـر حـذف یون مسII از شیرابه صنعتی نشان داد Gueguim Kana .[24] و همکاران در سال ۲۰۱۲، به وسیله شبکه عصـبی

به همراه الگوریتم ژنتیک، بیوگاز تولیدي از فاضلابی شامل ضایعات را مدلسازي و بهینه کردند. نتایج این تحقیق نشان

دهنده اثر بخشی مدل شبکه عصبی_الگوریتم ژنتیک در رفتار غیرخطی سیستم و بهینهسازي میـزان بیوگـاز تولیـدي بوده است Piuleac .[9] و همکاران در سال ۲۰۱۳، یک روش بهینهسازي بر پایه شـبکه عصـبی و الگـوریتم ژنتیـک

توسعه دادند و بدین وسیله یک فرآیند واقعی الکترو-انعقادي را بهینه نمودند. اعتبارسنجی نتایج بهینهسازي با استفاده از دادههاي تجربی، خطایی کمتر از ۱۱ درصد را نشان داد .[۲۲]

در تحقیق حاضر با استفاده ازمدل شبکه عصبی عملکرد تصفیهخانه شماره یک فاضلاب پرکندآباد شـهر مشـهد مورد بررسی قرار گرفت و بر اساس دادههاي کمی و کیفی فاضلاب ورودي به تصفیه خانه، داده هاي مربوط بـه شـرایط فرآیندي و داده هاي هواشناسی در یک بازه زمانی ۴ ساله ( از فروردین ۱۳۸۶ تا اسفند (۱۳۸۹، غلظت پارامتر COD

به عنوان یکی از شاخصهاي کیفی پساب خروجی پیشبینی گردید.

لازم به ذکر است که به دلیل طرح ارتقاء تصفیهخانه مذکور از سال ۸۹ به بعـد، دسـتیابی بـه آمـار و اطلاعـات مربوط به سالهاي ۹۰ به بعد به دلیل محدودیتهاي اداري و اجرایی امکانپذیر نگردید.