11946

مدل‌سازي هاضم‌هاي بي‌هوازي تصفيه فاضلاب مبتني بر روش‌هاي داده‌كاوي

1398

دكتر مريم حسني زنوزي

دكتر محبوبه مولوي عربشاهي

هدف از اين مطالعه استفاده از مدل‌هاي يادگيري ماشين براي پيش‌بيني دقيق توليد بيوگاز روزانه در يك مركز هضم در مقياس صنعتي است. اين مدل مي‌تواند شامل استفاده از روش‌هاي گوناگون يادگيري ماشين مانند: جنگل تصادفي، افزايش گراديان شديد، نزديك‌ترين همسايه k و... به داده‌هاي ورودي - خروجي از مركز هضم بي‌هوازي در مقياس صنعتي باشد. از اين مدل‌ها براي پيش‌بيني بيوگاز براي افق‌هاي زماني گوناگون مثل بازه‌هاي 1 روزه، 3 روزه، 5 روزه، 10 روزه، 20 روزه، 30 روزه و 40 روزه استفاده كرد[18]. نتايج به‌دست‌آمده از اين روش‌ها ممكن است در بازه‌هاي زماني متفاوت دقت‌هاي متفاوتي را نشان دهند و يا حتي ممكن است در روش‌هاي گوناگون ارزيابي دقت، دقت‌هاي متفاوتي را نشان دهد. علاوه بر اين، مقوله اهميت ويژگي (feature iportance) و ارتباط نسبي (partial dependence) مي‌تواند ارتباط نسبي بين بيومس و بيوگاز را كمي نمايان سازد. به‌عنوان‌مثال، نشان‌دادن اين‌كه ضايعات غذايي كه با پركولات هضم مي‌شوند داراي اثرات متقابل مثبت زيادي هستند. يكي از فوايد اين مطالعه در اين است كه مي‌تواند با مقايسه انواع مدل‌ها، مدلي بهينه براي هاضم‌هاي بي‌هوازي ارائه دهد كه بعداً بتواند در ارتقا مدل‌هاي بيوشيمي به پژوهش‌ها كمك كند.

5/22/2021 12:00:00 AM

78709

1402/02/30

Modeling of Anaerobic Digesters of Wastewater Treatment Plant Based on Data Mining Methods

هاضم بي‌هوازي , مدلسازي توليد بيوگاز , يادگيري ماشيني , دل LSTM , الگوريتم ژنتيك

Anaerobic digester (AD) , Biogas production modeling , Machine learning (ML) , Long-short term memory (LSTM) , Genetic algorithm (GA)