جستجوی مقالات مرتبط با کلیدواژه "ترکیب مدل" در نشریات گروه "عمران"
تکرار جستجوی کلیدواژه «ترکیب مدل» در نشریات گروه «فنی و مهندسی»-
دست یابی به طراحی دقیق و راهبری صحیح تصفیه خانه های فاضلاب از جمله چالش های مهم در صنعت آب و فاضلاب به شمار می آید. مدل های عددی به دلیل نیاز به داده های فراوان، زمان بر بوده و صرفه اقتصادی ندارند. بنابراین در این مطالعه، عملکرد تصفیه خانه فاضلاب تبریز با استفاده از مدل های جعبه سیاه هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN)، سیستم استنتاج تطبیقی عصبی-فازی (ANFIS)، رگرسیون بردار پشتیبان (SVR) و مدل جعبه سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرک (ARIMA) براساس داده های روزانه سال های 1395-1396 مورد بررسی قرار گرفته است. جهت تعیین پارامترهای ورودی از معیار ضریب همبستگی (CC) استفاده شد که پارامترهای اکسیژن مورد نیاز بیولوژیکی (BOD)، اکسیژن مورد نیاز شیمیایی (COD) ، مواد جامد معلق (TSS)، pH ورودی به تصفیه خانه در زمان t و BOD وCOD پساب خروجی از تصفیه خانه در یک گام زمانی قبل (t-1) با بیشترین مقادیر CC به عنوان ورودی انتخاب گردیدند. BOD وCOD پساب خروجی نیز به عنوان پارامترهای خروجی مدل های هوش مصنوعی در نظرگرفته شده اند. همچنین برای بهبود عملکرد مدل سازی، روش ترکیب مدل با استفاده از خروجی مدل های منفرد مذکور، به عنوان یک روش پس پردازش، بکار گرفته شده است. ترکیب مدل به سه روش میانگین گیری خطی ساده، میانگین گیری خطی وزن دار و میانگین گیری غیر خطی با استفاده از شبکه عصبی مصنوعی انجام گرفته است. نتایج حاکی از آن است که بکارگیری مدل های غیرخطی بهتر از مدل خطی ARIMA بوده و مدل SVR بالاترین مقدار ضریب تبیین (DC) را ارایه کرده است. همچنین استفاده از مدل های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل سازی تا 15% در مرحله صحت سنجی می شود.
کلید واژگان: محاسبات نرم, هوش مصنوعی, مدل خطی ARIMA, ترکیب مدل, تصفیه خانه فاضلاب تبریزIn this study, black box artificial intelligence models (AI) including feed-forward neural network (FFNN), support vector regression (SVR), and adaptive neuro-fuzzy inference system (ANFIS) were used to predict effluent biological oxygen demand (BODeff) and chemical oxygen demand (CODeff) of Tabriz wastewater treatment plant (WWTP) using the daily data collected from 2016 to 2018. In addition, the autoregressive integrated moving average (ARIMA) linear model was used to predict BODeff and CODeff parameters to compare the linear and non-linear models' abilities in complex processes prediction. To improve the prediction of BODeff and CODeff parameters, the data post-processing ensemble method was also used. The input data set included daily influent BOD, COD, total suspended solids (TSS), pH at the current time (t), and BODeff and CODeff at the previous time (t-1) and the output data included BODeff and CODeff at t. The results of the single models indicated that the SVR model provides better results than the other single models. In ensemble modeling, simple and weighted linear averaging, and neural network ensemble methods were applied to enhance the performance of the single AI models. The results indicated that using ensemble models could increase the prediction accuracy up to 15% at the verification phase.
Keywords: Soft Computing, Artificial Intelligence, ARIMA Linear Model, Ensemble, Wastewater treatment plant
- 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.
©2000-2025 magiran.com All Rights Reserved.