بررسی نتایج پیش‌بینی کیفیت پساب تصفیه‌شده با شبکه عصبی و الگوریتم فراابتکاری (مطالعه موردی: کارخانه پگاه آذربایجان)

کاهش منابع آبی و افزایش تقاضا برای آب شرب سالم، لزوم توجه به منابع آبی که قابلیت برگشت به طبیعت و یا امکان استفاده در بخش صنعت یا کشاورزی را داشته باشد، می‌طلبد. در این راستا، استفاده از روش‌های بهینه و موثر برای تصفیه پساب و توسعه آن اهمیت به‌سزایی دارد. جهت افزایش کارایی سیستم تصفیه فاضلاب و در راستای کاهش بار آلودگی پساب خروجی، پیش‌بینی کیفیت پساب تصفیه‌شده بسیار حائز اهمیت است. در این کار پژوهشی، سیستم تصفیه پساب خروجی از کارخانه پگاه آذربایجان با الگوریتم ژنتیک و روش شبکه عصبی، مدل‌سازی شده و نتایج شبیه‌سازی‌شده جهت بهینه‌سازی فرآیند تصفیه پساب استفاده شد تا پیش‌بینی حذف و زدایش مواد باقیمانده کربنی و مواد آلاینده میکروبی، با توجه به داده‌های bod5 و cod که کیفیت پساب خروجی را معین می‌کنند، ممکن شود. نتایج به‌دست آمده حاکی از این است که ترکیب دو الگوریتم فوق، در پیش‌بینی داده‌های خروجی و در مقایسه با داده‌های واقعی، موفق عمل کرده و تطابق داده‌ها 87 درصد است.   [1] biological oxygen demand [2] chemical oxygen demand [3] total dissolved solids

Investigating the Results of Predicting the Quality of Treated Effluent Using Neural Network and Metaheuristic Algorithm (Case Study: Pegah Factory in Azerbaijan)

Reducing water resources and increasing demand for safe drinking water requires attention to water resources that can be returned to nature or can be used in industry or agriculture. In this regard, the use of optimal and effective methods for wastewater treatment and development is very important. In order to increase the efficiency of the wastewater treatment system and in order to reduce the pollution load of the effluent, it is very important to predict the quality of the treated effluent. In this research work, using genetic algorithm and neural network method, the effluent treatment system of Azerbaijan Pegah factory has been modeled in order to optimize the results using genetic algorithm and neural network method. The effluent treatment process should be carried out in order to anticipate the removal and disinfection of the remaining carbon materials and microbial contaminants according to the BOD5 and COD data that determine the quality of the effluent. The results show that the combination of the above two algorithms has been successful in predicting the output data compared to the actual data and there is an 87% matching of the data.