فصلنامه

---

زمینه و هدف: تکنیک ‌های مختلفی برای استفاده بهینه از گاز تولیدی در دفنگاه زباله مورد مطالعه قرار گرفته است. اما برای استفاده از هر یک از این تکنیک‌­ ها  و همچنین تضمین کارایی سیستم های استحصال انرژی، باید درصد متان موجود در بیوگاز سنجش و پیش بینی شود. در این مطالعه برای پیش بینی درصد متان موجود در گاز دفنگاه زباله در مقیاس آزمایشگاهی، از شبکه عصبی استفاده شده است.
روش بررسی: در این مطالعه راکتورهای شبیه ساز مرکز دفن زباله، در دو سیستم متفاوت عمل می کنند، جهت تخمین درصد متان موجود در گاز مرکز دفن به وسیله شبکه عصبی مصنوعی، از مشخصات فاضلاب این راکتورها به عنوان داده های ورودی استفاده شده است. سیستم یک(C₁)، در این سیستم، فاضلاب پس از تولید بر روی زباله تازه بازگردانده می شود. سیستم دو(C₂)، در این سیستم، فاضلاب پس از خروج از زباله تازه  برروی راکتور حاوی زباله خوب تجزیه شده تخلیه و سپس بر روی زباله تازه بازگردانده می شود
یافته ها: شبکه عصبی دارای کارایی بالایی در پیش بینی درصد متان موجود در بیوگاز است، به طوری که مقدار ضریب همبستگی در شبکه عصبی بهینه، برای داده های آموزش و تست، به ترتیب برابر 999/0 و 997/0 می باشد و ضریب انحراف معیار به ترتیب برابر 098/1 و 387/2 می باشد.
نتیجه گیری: با توجه به کارایی بالای شبکه عصبی در پیش بینی درصد متان موجود در بیوگاز، می توان از این مدل جهت طراحی بهینه سیستم های جمع آوری و تصفیه گاز مراکز دفن زباله، و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.

---

-->

زمینه و هدف: آلودگی هوا ناشی از ازن در کلان شهرها از مهم‌ترین عوامل آلوده کننده‌هاست که موجب آسیب به محیط زیست و موجودات زنده می گردد، این تحقیق سعی دارد مدلی برای تخمین میزان ازن کلان شهر تبریز در دو ایستگاه پایش آلودگی آبرسان و راسته کوچه ارایه نماید.

روش بررسی: در این تحقیق شبکه عصبی مصنوعی برای در نظر گرفتن تاثیر همزمان پارامترهای هواشناسی و آلودگی هوا بر میزان غلظت ازن، مورد استفاده قرار گرفته است و از ماتریس وزنی شبکه عصبی مصنوعی به همراه معادله گارسون برای آنالیز حساسیت پارامترهای ورودی به شبکه عصبی استفاده شده است.

یافته ها: نتایج نشان می دهد میزان غلظت ازن از خصوصیات هواشناسی و نیز پارامترهای آلودگی هوا به طور همزمان تاثیر گرفته است، که از میان پارامترهای هواشناسی حداکثر دما و از میان پارامترهای آلودگی منواکسید کربن به عنوان پارامترهای تاثیرگذار است.

نتیجه‌گیری: نتایج حاصل حاکی از توانمندی قابل قبول مدل شبکه عصبی در پیش بینی میزان غلظت ازن است. علاوه بر آن، متغیرهای مورد استفاده در این مدل توانسته است، نحوه تغییرات میزان غلظت ازن ایستگاه های مورد بررسی در منطقه را تشخیص دهند.

---

زمینه و هدف: رودخانه‌ها مهم‌ترین منابع تأمین آب آشامیدنی، کشاورزی و صنعت به شمار مـی‌آینـد و به‌علـت اینکه از بسترها و مناطق مختلفی می‌گذرند و در ارتباط مستقیم با محیط پیرامون خود هـستند نوسـانات کیفـی زیادی دارند. از این‌رو بررسی و تخمین تغییرات پارامترهای کیفی آب در طول یک رودخانه بایستی مـورد توجـه قرار گیرد. در این تحقیق از یک مدل تلفیقی موجکی و شبکه عصبی مصنوعی، جهت تخمین برخی از پارامترهای کیفی آب (کل جامدات محلول، هدایت الکتریکی و نسبت جذبی سدیم) رودخانه‌های جاجرود تهران و قره‌سو کرمانشاه طی یک دوره آماری 24 ساله استفاده شده است. روش بررسی: در تحقیق حاضر، با استفاده از توان بالای موجک در شناسایی سیگنال‌ها و جداسازی سیگنال‌های خطا در ترکیب با شبکه عصبی برای تخمین پارامترهای کیفی آب رودخانه‌های مذکور مدل شبکه عصبی موجکی مورد تجزیه و تحلیل قرار گرفت و با مدل شبکه عصبی مصنوعی مقایسه گردید. ارزیابی این دو مدل توسط معیارهای آماری ضریب همبستگی (r)، ضریب کارایی نش- ساتکلیف (NS)، ریشه مربع میانگین خطا (RMSE) و میانگین قدر مطلق خطا (MAE) انجام پذیرفت. یافته‌ها: نتایج برآمده از تحقیق نشان داد که مدل بهینه شبکه عصبی موجکی با ضریب همبستگی بالای 9/0 قابلیت بالایی در تخمین پارامتر SAR در ایستگاه‌های مورد مطالعه دارد. همچنین در مورد پارامترهای EC و TDS دقت بالا و میزان خطای پایین مدل توسعه یافته عصبی موجک نسبت به مدل شبکه عصبی مصنوعی مشهود بود. نتیجه‌گیری: با توجه به کارایی بالای شبکه عصبی موجکی در پیش‌بینی پارامترهای کیفی آب رودخانه‌ها می‌توان از این مدل جهت اتخاذ تصمیمات مدیریتی و همچنین برای حصول اطمینان از نتایج پایش و کاهش هزینه پایش استفاده کرد.

---

زمینه و هدف: پیش بینی و کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تامین کننده آب مورد نیاز شهر تهران، از اهمیت بسزایی برخوردار است. در این تحقیق، عملکرد مدل‌های شبکه عصبی (ANN)، مدل ترکیبی شبکه عصبی – موجک (WANN) و رگرسیون خطی چند متغیره (MLR)، برای پیش بینی یک ماه آینده یون نیترات و اکسیژن محلول ایستگاه پل خواب واقع در رودخانه کرج، مورد ارزیابی قرار گرفت. روش بررسی: از یک دوره آماری 11 ساله جهت ورودی مدل ها استفاده شد. در مدل ترکیبی WANN سری های زمانی واقعی دبی و پارامتر کیفی مورد نظر (نیترات و اکسیژن محلول) توسط آنالیز موجک تجزیه شدند؛ سپس مجموع سری های زمانی موثر آنها به عنوان ورودی ANN به کار گرفته شد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیک سری زمانی که دارای اهمیت بسزایی هستند، بررسی شد. کارایی مدل‌ها با ضریب تببین یا نش(E) و ریشه میانگین خطای مربع (RMSE) ارزیابی شدند. یافته‌ها: نتایج، حاکی از دقت و توانایی بالای مدل هیبرید شبکه عصبی- موجکی با رویکرد حذف نویزهای سری زمانی نسبت به دو مدل دیگر بوده است؛ بطوریکه مدل ترکیبی شبکه عصبی– موجکی قادر بود میزان RMSE را برای یون نیترات در مقایسه با مدل شبکه عصبی و رگرسیون خطی چند متغیره به ترتیب به مقدار% 35/60 و %75/93 و برای یون اکسیژن محلول، به اندازه %40/57 و %60/13 بهبود بخشد. نتیجه‌گیری: به لحاظ قابلیت بالای شبکه عصبی موجکی و حذف نویزهای سری های زمانی در پیش بینی پارامترهای کیفی آب رودخانه، این مدل می‌تواند، راهکاری مناسب و سریع در مدیریت برتر کیفیت منابع آب و اطمینان از نتایج پایش کیفی و کاهش هزینه های آن مطرح شود.

---

زمینه و هدف: در این تحقیق میزان حذف فلز کروم شش ظرفیتی از محلول­ های آبی با استفاده از جاذب بیولوژیکی لجن دفعی فاضلاب­ های شهری مطالعه شد. همچنین کارایی شبکه­ های عصبی در پیش­بینی جذب بیولوژیکی مورد بررسی قرار گرفت.

روش بررسی: تاثیر پارامترهای غلظت اولیه، دز جاذب، pH، سرعت و  زمان اختلاط در راکتور ناپیوسته بر جذب کروم بررسی و قسمتی از نتایج آزمایشگاهی توسط شبکه عصبی پس انتشار پیش خور مدلسازی شد و بخش دیگری از نتایج برای سنجش دقت مدل شبیه­ سازی شد. بهینه­ سازی تابع انتقال و تعداد نورون­ های لایه مخفی انجام شد.

یافته‌ها: شرایط بهینه در غلظت اولیهmg/L  90‌، دز جاذب ,pH= 2 ,4g/L سرعت اختلاط 200rpm  و زمان اختلاط  120min حاصل شد و حداکثر میزان حذف 96% و حداکثر ظرفیت جذب 41/69mg/g  بدست آمد. سینتیک جذب کروم با مدل شبه مرتبه دوم و ایزوترم جذب آن با مدل فروندلیچ تطابق دارد. در شبکه عصبی طراحی شده بهترین تابع انتقال در لایه ­های مخفی و خروجی تابع تانژانت سیگموئید و تعداد نورون بهینه برابر 13 عدد تعیین شد. خروجی مدل با بردار هدف همبستگی (0/984=R) مناسبی دارد. شبیه­ سازی انجام شده با مدل شبکه عصبی، تطابق مناسبی با نتایج آزمایشگاهی دارد.

نتیجه‌گیری: لجن دفعی مورد استفاده در این تحقیق قادر به حذف کروم از محیط­ های آبی است. استفاده از شبکه عصبی پس ­انتشار، تابع آموزشLevenberg-Marquardt ، تابع انتقال تانژانت سیگموئید در لایه­ های مخفی و خروجی و تعداد نورون های بین 1/6 تا 1/8 داده­ های ورودی، نتایج مناسبی برای پیش بینی فرایند جذب در پی خواهد داشت.

---