CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مدل سازی تصفیه خانه فاصلاب صنعتی برای تخمین TSS پساب خروجی با استفاده از شبکه عصبی مصنوعی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۹۰ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: NCCESDR03_009
زبان مقاله: فارسی
حجم فایل: ۷۸۵.۷۲ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدل سازی تصفیه خانه فاصلاب صنعتی برای تخمین TSS پساب خروجی با استفاده از شبکه عصبی مصنوعی

  ناصر لاله - دانشجو کارشناسی ارشد عمران آب و فاضلاب موسسه آموزش عالی خاوران
  محمد سلطانی اصل - دکترای عمران اب رییس گروه تحقیقات شرکت آب و فاضلاب استان خراسان رضوی

چکیده مقاله:

کاربرد شبکه عصبی مصنوعی در فرایندهای تصفیه فاضلاب بهعنوان یک مضمون جدید و در عین حال تکنیک نویددهنده برای پیشبینی عملکرد فرآیندهای بیولوژیکی پیچیده و غیرخطی مدنظر قرار گرفته است. این موضوع بهعنوان یک مبحث بسیار کارگشا در غلبه بر برخی ازمحدودیتهای مدلهای ریاضی متعارف در زمینه تاسیسات تصفیه فاضلاب مطرح میباشد، که علت آن نیز مکانیزمهای پیچیده، تغییرپذیری ودینامیک آن است. هدف از انجام مقاله حاضر، تخمین غلظت جامدات معلق کل پساب خروجی (TSS (بر اساس دادههای زمانی در دسترس در تصفیهخانه فاضلاب شهرک صنعتی چناران با استفاده از شبکه عصبی مصنوعی میباشد. آمار مورد استفاده در این مقاله، دادههای ثبت شده توسط واحد کنترل و بهرهبرداری تصفیهخانه در طی سالهای 1391 ،1392 و1393 را شامل میشود. در نهایت با توجه به معیارهای سنجش خطا و نکویی برازش، بهترین مدل انتخاب گردید. بهترین مدل شبکه عصبی پرسپترون با الگوریتم آموزشی لونبرگ- مارکواد، ساختار (1-24-9 ،(با ضریب مجذور همبستگی r2-0.912 و مقادیر 0.069=RMSE ،0.0520=MAE و 0.322=MAPE درمرحله آزمون و نتایج مناسب برای دادههای آموزشی، در تخمین TSS پساب خروجی از کارایی و دقت مناسب برخوردار بود.

کلیدواژه‌ها:

غلظت جامدات معلقکل، پساب تصفیهخانه فاضلاب، مدلسازی شبکه عصبی مصنوعی، فاضلاب صنعتی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-NCCESDR03-NCCESDR03_009.html
کد COI مقاله: NCCESDR03_009

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
لاله, ناصر و محمد سلطانی اصل، ۱۳۹۵، مدل سازی تصفیه خانه فاصلاب صنعتی برای تخمین TSS پساب خروجی با استفاده از شبکه عصبی مصنوعی، همایش ملی مهندسی عمران، محیط زیست و سرزمین پایدار، مشهد، موسسه آموزش عالی خاوران، https://www.civilica.com/Paper-NCCESDR03-NCCESDR03_009.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (لاله, ناصر و محمد سلطانی اصل، ۱۳۹۵)
برای بار دوم به بعد: (لاله و سلطانی اصل، ۱۳۹۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Holger R. Maier; Graeme C. Dandy.(2005) _ "Input Determination For ...
  • Cao G., Li M., and Mo C., (2008) , "Prediction ...
  • Dogan, E. Ates, A. Yilmaz, E.C. and Eren, B. 2008. ...
  • Singh, K.P., Basant, A., Malik, A. and Jain, G. 2009. ...
  • Guclu, D. and Dursun, S. (2010), "Artificial Neural Network Modeling ...
  • Abu Qdais H., Bani Hani K., and Shatnawi N., (2010), ...
  • Fang, F., Ni, B.J., Xie, W.M., Sheng G.P., Liu S.G., ...
  • Shi, X., and Qiao, J., (2010), "Neural Network Predictive Optimal ...
  • Kaustra I., and Boyd, MS., (1995). Forecasting futures trading volume ...
  • Forrester, J.W., Breierova, L., and Choudhari, M., (2001). An introduction ...
  • فاضلاب و محیط زیست مطالعه موردی رودبارقصران لواسانات [مقاله کنفرانسی]
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: موسسه غیرانتفاعی
    تعداد مقالات: ۱۰۳۰
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.