407

Artificial neural network modeling of nickel biosorption from gas oil sludge

كارشناسي ارشد

مهندسي شيمي گرايش بيوتكنولوژي

تهران شمال

1394

94/11/18

19

101ص

خوشحال، عباس

95-101

(Artificial Neural Network (ANN , gas oil sludge , Biosorption

با توجه به كمبود منابع آب در سراسر دنيا و افزايش حجم فاضلاب ها، استفاده مجدد از آنها اجتناب ناپذير مي باشد. بنابراين كنترل و بهره برداري مناسب از تصفيه خانه هاي فاضلاب، به امري مهم در مقوله پساب تبديل شده است.مدل سازي فرآيند تصفيه،ابزاري ضروري براي اطمينان ازعملكرد مناسب وكنترل بهترتصفيه خانه هاي فاضلابمي باشد.توانايي زياد شبكه هاي عصبي مصنوعي درمدلسازي سيستم هاي پيچيده اي كه داراي ويژگي هاي غيرخطيمي باشند،آنها را به محبوب ترين ابزارها براي مدل سازي فرآيندهاي بيولوژيكي تبديل كرده است.هدف ازاين تحقيق استفاده از شبكه عصبي مصنوعي براي مدل كردن تصفيه بيولوژيك فلزات سنگين(نيكل) از لجن هاي مخازن نفت گاز،براي به حداقل رساندن اختلاف بين مقادير خروجي واقعي(داده هاي آزمايشگاهي) و پيش بيني شده (خروجي شبكه) و انتخاب مناسب ترين شرايط عملياتي و قابليت تعميم آن براي شبيه سازي ورودي هاي جديد مي باشد. تنها از26داده آزمايشگاهي موجود دراين زمينه(تصفيه زيستي فلزات سنگين از لجن هاي نفتي) استفاده شد. در فرآيند مدل كردن از حدود دوسوم داده ها براي آموزش شبكه و با حدود يك سوم داده ها براي تست مجموعه استفاده شد.درطي فرآيند آموزش، ورودي ها به شبكه اعمال شد و خروجي ها محاسبه گرديد. سپس تفاوت خروجي و هدف محاسبه شد و با استفاده از آن ساختار كل شبكه طراحي و تست شد. نتايج حاصل از اين مطالعه نشان داد كه ضريب همبستگي بدست آمده، بين متغيرهاي خروجي اندازه گيري شده ومتغيرهاي خروجي شبكه، به بالاي 0.9 رسيده است،كه يك ارتباط خوب بين داده هاي واقعي و مقادير پيش بيني شده توسط مدل مي باشد. دراين مورد پاسخ شبكه رضايت بخش بوده وداراي دقت خوب وقابليت تعميم قابل قبوليمي باشد و يك مدل سازي مطلوب براي شبيه سازي و پيش بيني تصفيه زيستي فلزات سنگين از لجن هاي نفتي است و شبيه سازي را مي توان براي وارد كردن ورودي هاي جديد استفاده كرد.

39485