بررسی عملکرد شبکه های عصبی در تخمین تولید بیوهیدروژن به روش تخمیر در تاریکی

امروزه باتوجه به گرمایش زمین، مشکلات زیستمحیطی، افزایش جمعیت و همچنین کاهش روزافزون منابع سوختهایفسیلی، توسعه منابع تجدیدپذیری که بتواند جایگزین مناسبی برای سوختهای فسیلی باشد اهمیت بسیار زیادی دارد. دراین میان، استفاده از هیدروژن بدلیل سازگاری با محیطزیست و تولید آب بجای گازهای گلخانهای، بعنوان یکی از روبهرشدترین منابع جایگزین تلقی میگردد. هیدروژن میتواند توسط روشهای سنتی و یا روشهای بیولوژیکی تولید گردد. درمیان انواع روش های بیولوژیکی، فرایند تخمیر در تاریکی به دلیل استفاده از زبالههایی با ارزش پایین، کمک به مدیریت واستفاده بهینه از پسماندها، عدم نیاز به منابع نوری و همچنین صرفه اقتصادی مناسب، توجهات زیادی را به خود جلبنموده است. اما با وجود مزایای قابل توجه این روش، تعدد پارامترهای تاثیرگذار بر بازدهی تولید آن و ارتباط پیچیده وغیرخطی بین آنها موجب شده تا مطالعه، مدل سازی و بهینه سازی این فرآیندها، به یکی از مهمترین چالش های پیشروی محقیقین این حوزه مبدل شود. از همین رو به نظر میرسد که توسعه سیستم های مبتنی بر شبکه های عصبیگزینهای مناسب برای مدل سازی غیرپایای این فرآیندها باشد. بر همین اساس در این مقاله عملکرد طیفی از شبکههایعصبی مختلف مانند شبکه عصبی شعاعی و شبکههای عصبی پیشرو، با انواع ساختارها و همچنین تلفیق آنها با تکنیکخوشهبندی داده ها جهت مدلسازی تولید بیوهیدروژن مورد بررسی قرار گرفته است. به همین منظور تعداد 2120 دادهاولیه و زمان بهعنوان پارامتر ph ، آزمایشگاهی استخراج گردیده و پارامترهای دما، غلظت زیستتوده، غلظت سوبستراورودی و میزان تولید بیوهیدروژن بهعنوان پاسخ خروجی سیستم در نظر گرفته شده است. پس از توسعه سیستم ها،عملکرد هریک از آنها مورد ارزیابی و تحلیل های آماری قرار گرفت. نتایج بررسیها نشان میدهد که شبکه عصبی پیشرو0% ازبهترین عملکرد در پیش- / 22 % و میانگین درصد خطای 75 / سهلایه با تلفیق خوشهبندی با ماکزیمم درصد خطا 92بینی و تخمین میزان تولید بیوهیدروژن برخوردار میباشد.