استفاده از مدل ترکیبی برای بهبود عملکرد روش‌های ann، anfis و svr در تخمین پارامترهای bod و cod پساب تصفیه‌خانه فاضلاب

دست‌یابی به طراحی دقیق و راهبری صحیح تصفیه‌خانه‌های فاضلاب از جمله چالش‌های مهم در صنعت آب و فاضلاب به شمار می‌آید. مدل‌های عددی به دلیل نیاز به داده‌های فراوان، زمان‌بر بوده و صرفه اقتصادی ندارند. بنابراین در این مطالعه، عملکرد تصفیه‌خانه فاضلاب تبریز با استفاده از مدل‌های جعبه‌سیاه هوش مصنوعی شامل شبکه عصبی مصنوعی (ann)، سیستم استنتاج تطبیقی عصبی-فازی (anfis)، رگرسیون بردار پشتیبان (svr) و مدل جعبه‌سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرک (arima) براساس داده‌های روزانه سال‌های 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 تصفیه‌خانه در زمان t و bod وcod پساب خروجی از تصفیه‌خانه 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 مدل‌های هوش مصنوعی در نظرگرفته شده‌اند. همچنین برای بهبود عملکرد مدل‌سازی، روش ترکیب مدل با استفاده از خروجی مدل‌های منفرد مذکور، به عنوان یک روش پس‌پردازش، بکار گرفته‌ شده ‌است. ترکیب مدل به سه روش میانگین‌گیری خطی ساده، میانگین‌گیری خطی وزن‌دار و میانگین‌گیری غیر خطی با استفاده از شبکه عصبی مصنوعی انجام گرفته ‌است. نتایج حاکی از آن است که بکارگیری مدل‌های غیرخطی بهتر از مدل خطی arima بوده و مدل svr بالاترین مقدار ضریب تبیین (dc) را ارائه کرده ‌است. همچنین استفاده از مدل‌های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل‌سازی  تا 15% در مرحله صحت‌سنجی می‌شود.

Using Ensemble Model to Improve ANN, ANFIS, SVR Models in Predicting Effluent BOD and COD

In this study, black box artificial intelligence models (AI) including feedforward neural network (FFNN), support vector regression (SVR), and adaptive neurofuzzy 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 nonlinear models’ abilities in complex processes prediction. To improve the prediction of BODeff and CODeff parameters, the data postprocessing 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 (t1) 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.