پیش‌بینی کیفیت پساب یکی از تصفیه‌خانه های فاضلاب شهری شهر تهران با استفاده از الگوریتم های یادگیری ماشین

زمینه و هدف: برای کاهش هزینه‌های مدیریت سیستم‌های تصفیه فاضلاب، می‌توان از شبیه‌سازهای ریاضی و آماری استفاده نمود. این پژوهش باهدف پیش‌بینی کیفیت پساب یکی از تصفیه‌خانه‌های فاضلاب شهری شهر تهران با استفاده از الگوریتم‌های یادگیری ماشین طی سال‌های 1396 تا 1400 انجام گردید.مواد و روش ها: این مطالعه یک پژوهش توصیفی - تحلیلی است که در آن اطلاعات سیستم‌های پایش ورودی و خروجی تصفیه‌خانه فاضلاب دریافت و پاک‌سازی داده‌ها انجام گرفت. در مرحله دوم تبدیل داده‌ها به‌منظور آماده‌سازی ورود آن‌ها به الگوریتم‌های داده‌کاوی از طرق پالایش، پردازش و ایجاد متغیر ساختگی (dummy) انجام شد. سپس، الگوریتم شبکه عصبی مصنوعی (ann) و مدل درختی m5 به‌منظور یافتن بهترین مدل جهت پیش‌بینی غلظت cod در خروجی تصفیه‌خانه مورد بررسی قرار گرفت؛ در این راستا 70 درصد داده‌ها جهت یادگیری ماشین و 30 درصد به‌منظور اعتبارسنجی در نرم‌افزار پایتون مورداستفاده قرار گرفت. درنهایت با مدل رگرسیونی و مقایسه شاخص‌های r2  و rmse به انتخاب بهترین مدل پرداخته شد.یافته ها: نتایج نشان داد که ann با ضریب تعیین 0.72عملکرد بهتری نسبت به مدل m5 با ضریب0.68در پیش‌بینی غلظت cod خروجی به‌عنوان شاخص کارایی تصفیه‌خانه دارد.همچنین بر اساس نتایج تحلیل رگرسیون از بین متغیرهای مستقل bod5e و tsse بیشترین همبستگی را با codout داشتند.نتیجه گیری: در پژوهش حاضر، نتایج مدل ann و m5 بر اساس شاخص‌های آماری در محدوده قابل‌قبولی قرار گرفتند و می‌توان با موفقیت برای تخمین داده‌ها در تصفیه‌خانه‌های فاضلاب استفاده کرد.

effluent quality prediction of one of the urban wastewater treatment plants using machine learning algorithms

background: mathematical and statistical simulators can significantly reduce the management costs of wastewater treatment systems. this research aimed to predict the effluent quality of an urban wastewater treatment plant in tehran using machine learning algorithms from 2017 to 2021.methods: this descriptive-analytical study utilized monitoring data from the influent and effluent of the wastewater treatment plant, which were prepared for analysis. in the second stage, the data were refined, processed, and converted into dummy variables to facilitate entry into data mining algorithms. the artificial neural network (ann) algorithm and the m5 tree model were then evaluated to identify the best model for predicting the concentration of chemical oxygen demand (cod) in the effluent. in this process, 70% of the data were allocated for training and 30% for validation using python software. the best model was selected based on regression analysis, comparing the r² and rmse indices.results: the findings indicated that the ann model, with a coefficient of determination (r²) of 0.72, outperformed the m5 model, which had an r² of 0.68, in predicting the output cod concentration—an indicator of the treatment plant’s efficiency. additionally, regression analysis revealed that bod₅ and tss exhibited the highest correlation with codout.conclusion: the results of the ann and m5 models were within an acceptable range based on statistical indicators, demonstrating their potential for effectively estimating data in wastewater treatment plants.