| dc.contributor.author | اصغری, پریسا | fa_IR |
| dc.contributor.author | نورانی, وحید | fa_IR |
| dc.contributor.author | شرقی, الناز | fa_IR |
| dc.contributor.author | بهفر, نازنین | fa_IR |
| dc.date.accessioned | 1400-02-17T21:35:11Z | fa_IR |
| dc.date.accessioned | 2021-05-07T21:35:13Z | |
| dc.date.available | 1400-02-17T21:35:11Z | fa_IR |
| dc.date.available | 2021-05-07T21:35:13Z | |
| dc.date.issued | 2022-01-21 | en_US |
| dc.date.issued | 1400-11-01 | fa_IR |
| dc.date.submitted | 2020-05-15 | en_US |
| dc.date.submitted | 1399-02-26 | fa_IR |
| dc.identifier.citation | اصغری, پریسا, نورانی, وحید, شرقی, الناز, بهفر, نازنین. (1400). استفاده از مدل ترکیبی برای بهبود عملکرد روش‌های ANN، ANFIS و SVR در تخمین پارامترهای BOD و COD پساب تصفیه‌خانه فاضلاب. مهندسی عمران امیرکبیر, 53(11), 7-7. doi: 10.22060/ceej.2020.18441.6873 | fa_IR |
| dc.identifier.issn | 2588-2988 | |
| dc.identifier.issn | 2588-297X | |
| dc.identifier.uri | https://dx.doi.org/10.22060/ceej.2020.18441.6873 | |
| dc.identifier.uri | https://ceej.aut.ac.ir/article_4176.html | |
| dc.identifier.uri | https://iranjournals.nlai.ir/handle/123456789/803322 | |
| dc.description.abstract | دستیابی به طراحی دقیق و راهبری صحیح تصفیه‌خانه‌های فاضلاب از جمله چالش‌های مهم در صنعت آب و فاضلاب به شمار می‌آید. مدل‌های عددی به دلیل نیاز به داده‌های فراوان، زمان‌بر بوده و صرفه اقتصادی ندارند. بنابراین در این مطالعه، عملکرد تصفیه‌خانه فاضلاب تبریز با استفاده از مدل‌های جعبه‌سیاه هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN)، سیستم استنتاج تطبیقی عصبی-فازی (ANFIS)، رگرسیون بردارپشتیبان (SVR) و مدل جعبه‌سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرک (ARIMA) براساس داده‌های روزانه سال‌های 1395-1396 مورد بررسی قرارگرفته‌است. جهت تعیین پارامترهای ورودی از معیار ضریب همبستگی (CC) استفاده شد که پارامترهای اکسیژن مورد نیاز بیولوژیکی (BOD)، اکسیژن مورد نیاز شیمیایی (COD) ، مواد جامد معلق (TSS)، pH ورودی به تصفیه‌خانه در زمان t و BOD وCOD پساب خروجی از تصفیه‌خانه در یک گام زمانی قبل (t-1) با بیشترین مقادیر CC به عنوان ورودی انتخاب گردیدند. BOD وCOD پساب خروجی نیز به عنوان پارامترهای خروجی مدل‌های هوش مصنوعی در نظرگرفته شده‌اند. همچنین برای بهبود عملکرد مدل‌سازی، روش ترکیب مدل با استفاده از خروجی مدل‌های منفرد مذکور، به عنوان یک روش پس‌پردازش، به کارگرفته شده‌است. ترکیب مدل به سه روش میانگین‌گیری خطی ساده، میانگین‌گیری خطی وزن‌دار و میانگین‌گیری غیر خطی با استفاده از شبکه عصبی مصنوعی انجام گرفته‌است. نتایج حاکی از آن است که به‌کارگیری مدل‌های غیرخطی بهتر از مدل خطی ARIMA بوده و مدل SVR بالاترین مقدار ضریب تبیین (DC) را ارائه کرده‌است. همچنین استفاده از مدل‌های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل‌سازی تا 15% در مرحله صحت‌سنجی می‌شود. | fa_IR |
| dc.format.extent | 3052 | |
| dc.format.mimetype | application/pdf | |
| dc.language | فارسی | |
| dc.language.iso | fa_IR | |
| dc.publisher | دانشگاه صنعتی امیر کبیر | fa_IR |
| dc.relation.ispartof | مهندسی عمران امیرکبیر | fa_IR |
| dc.relation.isversionof | https://dx.doi.org/10.22060/ceej.2020.18441.6873 | |
| dc.subject | محاسبات نرم | fa_IR |
| dc.subject | هوش مصنوعی | fa_IR |
| dc.subject | مدل خطی ARIMA | fa_IR |
| dc.subject | ترکیب مدل | fa_IR |
| dc.subject | تصفیه‌خانه فاضلاب تبریز | fa_IR |
| dc.subject | شبکه های عصبی | fa_IR |
| dc.subject | مدیریت آب و فاضلاب شهری | fa_IR |
| dc.subject | مهندسی آب و فاضلاب | fa_IR |
| dc.subject | مهندسی محیط زیست | fa_IR |
| dc.title | استفاده از مدل ترکیبی برای بهبود عملکرد روش‌های ANN، ANFIS و SVR در تخمین پارامترهای BOD و COD پساب تصفیه‌خانه فاضلاب | fa_IR |
| dc.type | Text | en_US |
| dc.type | مقاله پژوهشی | fa_IR |
| dc.contributor.department | گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | fa_IR |
| dc.contributor.department | گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | fa_IR |
| dc.contributor.department | گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | fa_IR |
| dc.contributor.department | گروه عمران آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | fa_IR |
| dc.citation.volume | 53 | |
| dc.citation.issue | 11 | |
| dc.citation.spage | 7 | |
| dc.citation.epage | 7 | |
| nlai.contributor.orcid | 0000-0002-8211-4006 | |
