استفاده از مدل ترکیبی برای بهبود عملکرد روش های ANN، ANFIS و SVR در تخمین پارامترهای BOD و COD پساب تصفیه خانه فاضلاب
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.