بهینه سازی و پیش بینی فرآیند بیوفیلمی با بستر متحرک (mbbr) با استفاده از روش‌ پاسخ سطح (rsm) و شبکه عصبی مصنوعی (ann)

زمینه و هدف: در این تحقیق بهینه سازی و پیش بینی راندمان راکتور بیوفیلمی با بستر متحرک (mbbr) در تصفیه فاضلاب مصنوعی حاوی آنیلین با استفاده از روش سطح پاسخ (rsm) و شبکه عصبی مصنوعی (ann) بررسی شده است. مواد و روش‌ها: نتایج مدلسازی از راکتور به حجم تقریبی 5 لیتر که با درصد پرشدگی 30، 50 و 70 درصد با سنگدانه‌های سبک لیکا به عنوان محیط رشد میکروارگانسیم‌ها و تشکیل لایه بیوفیلم پر شده بود، استفاده گردید. برای تعیین شرایط بهینه در آزمایش های انجام شده و همچنین پیش بینی آزمایش های انجام نشده، سه عامل میزان خوراک در سطوح بین 100 تا 3000 میلی گرم بر لیتر، زمان ماند 8 تا 72 ساعت و درصد پرشدگی 30 و 50 و 70 درصد با استفاده از rsm صورت گرفت. دقت و صحت مدلهای ارائه شده به کمک تحلیل واریانس anova بررسی شد. پیش بینی راندمان حذف سیستم با استفاده از ann پایه شعاعی نیز بررسی گردید. یافته‌ها: بهینه سازی فرایند نشان داد که شرایط بهینه برای بیشترین حذف در میزان خوراک mg/l 1700 و زمان ماند 72 ساعت در درصد پرشدگی 82/56 درصد می باشد. نتایج پیش بینی فرایند با استفاده از ann پایه شعاعی نیز نشان داد که در بهترین ساختار شبکه با توابع انتقال radbas و خطی (purelin) با 982/0=r2 قادر به پیش بینی راندمان حذف می باشد.نتیجه‌گیری: با مقایسه مدل ann پایه شعاعی و rsm و مقایسه میزان خطای این دو روش می توان گفت که روش ann پایه شعاعی با دقت بیشتر و خطای کمتر روند داده ها را پیش بینی کرده است.

Optimization and Prediction of Moving Bed Biofilm Reactor (MBBR) Using Surface Response Method (RSM) and Artificial Neural Network (ANN)

Background In this study, the optimization and prediction of the efficiency of a moving bed biofilm reactor (MBBR) in the treatment of synthetic wastewater containing organic material including aniline was investigated using response surface methodology and artificial neural network.Materials and Methods: Modeling results were applied to a 5liter volume reactor filled with 30%, 50% and 70% LECA lightweight aggregates as a growth medium for microorganisms and biofilm layer formation. In order to determine the optimum conditions in the experiments results and also to predict the tests not performed, three factors were feed levels at levels of 100 to 3000 mg/L, retention time of 8 to 72 hours and filling percentage of 30 and 50 and 70% were performed using RSM. The accuracy of the presented models was evaluated by ANOVA. Prediction of system removal efficiency using radial basis ANN was also investigated.Results: Process optimization showed that the optimum conditions for maximum removal were at feed rate of 1700 mg/l and 72 hours at 56.82% filling percentage. The results of the process prediction using radial basis ANN also showed that in the best network structure with Radbas and linear functions (Purelin) with R2 = 0.982 can predict the efficiency.Conclusion: By comparing the radial basis ANN model and RSM and comparing the error rates of these two methods, it can be concluded that the radial base ANN method predicts the data process more accurately and with lower error.