مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبسکاربرد ann و mlr در پیش بینى کدورت“

زمینه و هدف:کدورت آب تصفیه شده به عنوان یک پارامتر مهم در تعیین کیفیت آب آشامیدنی و یا صنعتی در تمامی تصفیه خانه ها اندازه گیری می شود. از دیر باز با توجه به اهمیت یافتن شیوع عوامل بیماریزا مثل ژیاردیا و کریپتوسپوریدیوم که عامل ایجاد بیماری های خطرناکی همچون اسهال خونی می باشند، رابطه کاهش میزان کدورت و افزایش حذف این میکروارگانیزم ها در مطالعات به اثبات رسیده است.مواد و روش ها:در این مطالعه یک مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش بینی کدورت خروجی از آب تصفیه شده تصفیه خانه شهر طبس توسعه و عملکرد آنها با هم مقایسه گردید. کل جامدات محلول، ph، ، دما و کدورت ورودی به عنوان پارامترهای ورودی مدل ها در پیش‌بینی‌ها استفاده شد. بهترین الگوریتم پس انتشار و تعداد نورون برای بهینه‌سازی معماری مدل تعیین شد.یافته ها:نتایج نشان داد که الگوریتم لونبرگ-مارکوارت به عنوان بهترین الگوریتم انتخاب شد و تعداد نورون بهینه نیز 16 تعیین شد. همچنین نتایج تحلیل حساسیت مدل شبکه عصبی نشان داد که کدورت ورودی با مقدار 29 درصد به عنوان مهمترین پارامتر در توسعه مدل شبکه عصبی مصنوعی است.نتیجه گیری:نتایج ضریب همبستگی مدل رگرسیون خطی چندگانه و مدل شبکه عصبی مصنوعی به ترتیب برای داده های آموزش 0.63 و 0.892 و برای داده های تست 0.60 و 0.8571 به دست آمد که نشان از برتری مدل شبکه عصبی مصنوعی در پیش بینی کدورت خروجی از تصفیه خانه آب طبس است.

comparison of artificial neural network and multiple linear regression in predicting the turbidity of slow sand filtration of tabas water treatment plant

abstractbackground and purposethe turbidity of treated water is measured as an important parameter in determining the quality of drinking or industrial water in all treatment plants. due to the importance of the prevalence of pathogens such as giardia and cryptosporidium, which cause dangerous diseases such as dysentery, the relationship between reducing turbidity and increasing the elimination of these microorganisms has been proven in studies.materials and methodsin this study, an artificial neural network (ann) model and multiple linear regression(mlr) were developed and their performance was compared to predict the turbidity of treated water of tabas water treatment plant. total dissolved solids, ph, temperature and input turbidity of raw water were used as input parameters of the models in the predictions. the best backpropagation algorithm and number of neurons were determined to optimize the model architecture.resultsthe results showed that the levenberg–marquardt algorithm was selected as the best algorithm and the number of optimal neurons was determined to be 16.also, the results of the sensitivity analysis of the neural network model showed that the input turbidity with a value of 29% is the most important parameter in the development of the ann model.conclusionthe results of correlation coefficient of mlr and ann models were obtained for training data 0.63 and 0.8921 and for testing data 0.60 and 0.8571, respectively, which show the superiority of ann model in predicting the turbidity of the output of tabas water treatment plant.