جستجوی مقالات مرتبط با کلیدواژه "فاضلاب مراکز دفن زباله" در نشریات گروه "محیط زیست"
تکرار جستجوی کلیدواژه «فاضلاب مراکز دفن زباله» در نشریات گروه «علوم پایه»جستجوی فاضلاب مراکز دفن زباله در مقالات مجلات علمی
-
زمینه و هدفدر این مطالعه از شبکه عصبی GMDH بر اساس الگوریتم ژنتیک جهت پیش بینی درصد متان موجود در گاز دفن گاه زباله در مقیاس آزمایشگاهی، استفاده شده است. جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی GMDH، از مشخصات فاضلاب به عنوان داده های ورودی و از درصد متان موجود در بیوگاز به عنوان داده خروجی استفاده شده است. پارامترهای ورودی جهت پیش بینی میزان متان موجود در بیوگاز شامل دما، رطوبت، pH، COD و آمونیوم می باشد.روش بررسیراکتورهای شبیه ساز مرکز دفن زباله که در این مطالعه از آن ها استفاده شده، در دو سیستم متفاوت عمل می کنند. سیستم یک(C1)، فقط شامل راکتور حاوی زباله تازه است، در این سیستم فاضلاب پس از تولید بر روی زباله تازه بازگردانده می شود. سیستم دو(C2)، شامل راکتور حاوی زباله تازه و راکتوری حاوی زباله خوب تجزیه شده است. در این سیستم، فاضلاب پس از خروج از زباله تازه، برروی راکتور حاوی زباله خوب تجزیه شده تخلیه و سپس بر روی زباله تازه بازگردانده می شود. در دو سیستم، پارامترهای کیفی فاضلاب و درصد متان موجود در بیوگاز راکتورها به مدت 132 روز پایش شده است.یافته هانتایج مطالعه نشان می دهد، شبکه عصبی GMDH در پیش بینی درصد متان موجود در بیوگاز دارای عملکرد بالایی می باشد به طوری که ضریب همبستگی در داده های آموزش و تست به ترتیب برابر 98/0 و 99/0 برآورد می گردد.بحث و نتیجه گیریبا توجه به کارائی بالای شبکه عصبی GMDH در پیش بینی درصد متان موجود در بیوگاز، می توان از این مدل جهت طراحی بهینه سیستم های جمع آوری و تصیه گاز مراکز دفن زباله، و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.کلید واژگان: شبکه عصبی GMDH, الگوریتم ژنتیک, فاضلاب مراکز دفن زباله, گاز مراکز دفن زباله, درصد متانBackground And ObjectiveIn this study, The Group Method of Data Handling (GMDH) type neural networks whit genetic algorithm was applied to estimate the methane fraction in landfill gas originating from Lab-scale landfill bioreactors. In this study, to predict the methane fraction in landfill gas as a final product of anaerobic digestion, we used input parameters such as pH, Chemical Oxygen Demand, NH4+N and waste temperature.MethodTo this Purpose, two different systems were applied for neural networks data obtained. In system I (C1), the leachate generated from a fresh-waste reactor was drained to recirculation tank, and recycled every two days. In System II (C2), the leachate generated from a fresh waste landfill reactor was fed through a well-decomposed refuse landfill reactor, and at the same time, the leachate generated from a well-decomposed refuse landfill reactor recycled to a fresh waste landfill reactor. leachate and landfill gas components were monitored for 132 days.
Findings: The study results indicate that GMDH is able to predict the methane fraction in landfill gas. The correlation between the observed and predicted values for the training data is 0.98 and for the testing data, it is 0.99.
Discussion andConclusionThe proposed method can significantly predict the methane fraction in landfill gas originating and, consequently, GMDH can be use to optimize the dimensions of a plant using biogas for energy (i.e. heat and/or electricity) recovery and monitoring system.Keywords: GMDH Neural network, genetic algorithm, Leachate, Landfill gas, Methane fraction
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.