28261

مدل‌سازي هاضم‌هاي بي‌هوازي فاضلاب مبتني بر روش‌هاي داده‌كاوي

كارشناسي ارشد

مهندسي عمران-مهندسي محيط زيست

1398

1401/8/1

دكتر مريم حسني زنوزي

دكتر محبوبه مولوي عربشاهي

عمران

مدلسازي هاضم‌هاي بي‌هوازي بزرگ مقياس در تصفيه‌خانه‌هاي فاضلاب يك مسئله ضروري براي جلوگيري از انتشار گازهاي گلخانه‌اي و تسهيل تامين انرژي پايدار از فاضلاب است. در اين مطالعه، يك رويكرد نوآورانه براي پيش‌بيني توليد بيوگاز از هاضم‌هاي بي‌هوازي مستقر در يكي از بزرگترين تصفيه‌خانه‌هاي فاضلاب در خاورميانه، با ظرفيت بيش از 420000 مترمكعب در روز فاضلاب براي چهار مدول از هشت مدول ارائه شده است. يك مدل شبكه عصبي مصنوعي (ANN) با قابليت يادآوري رويدادهاي گذشته به نام حافظه بلند مدت-كوتاه مدت (LSTM) همراه با الگوريتم ژنتيك (GA) براي انتخاب ويژگي استفاده شده‌است. نوآوري‌هاي ذكر شده شامل پيش بيني توليد بيوگاز تحت سناريوهاي مختلف بر اساس پارامترهاي تصفيه‌خانه‌ فاضلاب و در نظر گرفتن زمان ماند هيدروليكي (HRT) طولاني راكتورهاي بي‌هوازي به عنوان پنجره LSTM مي‌باشند. عملكرد مدل در پيش‌بيني توليد تقريباً 30000 نرمال متر مكعب در روز بيوگاز در سه سناريو مورد بررسي قرار گرفت. در سناريوي اول، مدل، بيوگاز توليدي را با 84/0R2 = تنها با استفاده از ويژگي‌هاي فاضلاب خام پيش‌بيني كرد. خروجي GA نشان داد كه بارهاي ورودي BOD5، COD، TSS و TN آموزنده‌ترين داده‌ها را براي مدل LSTM داشتند. همچنين در سناريوي دوم، مدل، بيوگاز توليدي را با 89/0R2 = با استفاده از پارامترهاي خوراك راكتورهاي بي‌هوازي شامل مقادير DS9 و دبي لجن تغليظ شده پيش‌بيني كرد. در نهايت، در سناريوي سوم، با تركيب پارامترهاي دو سناريوي قبلي، مدل توانست دقت را اندكي افزايش دهد و به90/0R2 = برساند. نتايج مطالعه حاضر نشان داد كه تكنيك مدلسازي GA-LSTM مي‌تواند با گنجاندن HRT در مدلسازي به عملكرد قابل قبولي در پيش‌بيني بيوگاز توليدي دست يابد. علاوه بر اين، دقت بالاي مدل در پيش‌بيني توليد بيوگاز با استفاده از داده‌هاي فاضلاب خام نشان مي‌دهد كه ويژگي‌هاي فاضلاب خام ورودي به تصفيه‌خانه‌هاي فاضلاب در مقياس بزرگ به شدت بر رفتار هاضم‌هاي بي‌هوازي تأثير مي‌گذارد و بايد در فرآيندهاي مدل‌سازي در نظر گرفته شود.

1402/02/30

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

10/23/2023 12:00:00 AM

Modeling large-scale anaerobic digester (AD) in wastewater treatment plants (WWTPs) is an essential issue for preventing the emission of greenhouse gases (GHG) and facilitating sustainable energy supply from wastewater. In this study, an innovative approach is presented to predict biogas production from ADs located in one of the largest WWTPs in the Middle East, with a capacity of more than 420,000 m3/d of wastewater for four modules out of eight. An artificial neural network (ANN) model with the ability to recall past events called long-short term memory (LSTM) coupled with a genetic algorithm (GA) for feature selection has been used. The mentioned innovations include predicting biogas production under different scenarios based on WWTP parameters and considering the long hydraulic retention time (HRT) of the ADs as the LSTM window. The model's performance in predicting the production of approximately 30,000Nm3/d of biogas was examined in three scenarios. In the first scenario, the model predicted the produced biogas with an R2=0.84 using only the raw wastewater characteristics. The GA output showed that the input loads of BOD5, COD, TSS, and TN had the most informative data for the LSTM model. Also, in the second scenario, the model predicted the produced biogas with an R2=0.89, using the AD feed parameters, including DS values and flow rates of thickened sludge. Finally, in the third scenario, by combining the parameters of the two previous scenarios, the model could slightly increase the accuracy to R2=0.90. The results of the present study demonstrated that the GA-LSTM modeling technique could achieve reliable prediction performance by including the HRT in modeling. Besides, the high accuracy of the model in predicting biogas production using raw wastewater data indicates that the characteristics of raw wastewater entering large-scale WWTP severely affect AD behaviour and should be considered in modelling processes.

: هاضم بي‌هوازي , مدلسازي توليد بيوگاز , يادگيري ماشيني , مدل LSTM، , الگوريتم ژنتيك

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

Mohammad Milad Salamattalab

Dr. Maryam Hasani Zonoozi