نوع مقاله : مقالات پژوهشی
نویسندگان
1 دانشجوی کارشناسی ارشد، مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.
2 دانشیار مهندسی بهداشت محیط، مرکز تحقیقات سمشناسی پزشکی و سوء مصرف مواد مخدر (MTDRC)، دانشکده بهداشت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.
3 استادیار مهندسی بهداشت محیط، دانشکده پیراپزشکی و بهداشت فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.
چکیده
چکیده:
زمینه و هدف:
کدورت آب تصفیه شده به عنوان یک پارامتر مهم در تعیین کیفیت آب آشامیدنی و یا صنعتی در تمامی تصفیه خانه ها اندازه گیری می شود. از دیر باز با توجه به اهمیت یافتن شیوع عوامل بیماریزا مثل ژیاردیا و کریپتوسپوریدیوم که عامل ایجاد بیماری های خطرناکی همچون اسهال خونی می باشند، رابطه کاهش میزان کدورت و افزایش حذف این میکروارگانیزم ها در مطالعات به اثبات رسیده است.
مواد و روش ها:
در این مطالعه یک مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش بینی کدورت خروجی از آب تصفیه شده تصفیه خانه شهر طبس توسعه و عملکرد آنها با هم مقایسه گردید. کل جامدات محلول، pH، ، دما و کدورت ورودی به عنوان پارامترهای ورودی مدل ها در پیشبینیها استفاده شد. بهترین الگوریتم پس انتشار و تعداد نورون برای بهینهسازی معماری مدل تعیین شد.
یافته ها:
نتایج نشان داد که الگوریتم لونبرگ-مارکوارت به عنوان بهترین الگوریتم انتخاب شد و تعداد نورون بهینه نیز 16 تعیین شد. همچنین نتایج تحلیل حساسیت مدل شبکه عصبی نشان داد که کدورت ورودی با مقدار 29 درصد به عنوان مهمترین پارامتر در توسعه مدل شبکه عصبی مصنوعی است.
نتیجه گیری:
نتایج ضریب همبستگی مدل رگرسیون خطی چندگانه و مدل شبکه عصبی مصنوعی به ترتیب برای داده های آموزش 63/0 و 892/0 و برای داده های تست 60/0 و 8571/0 به دست آمد که نشان از برتری مدل شبکه عصبی مصنوعی در پیش بینی کدورت خروجی از تصفیه خانه آب طبس است.
کلیدواژهها
عنوان مقاله [English]
Comparison of artificial neural network and multiple linear regression in predicting the turbidity of slow sand filtration of Tabas water treatment plant
نویسندگان [English]
- Mohsen Niazi 1
- Ali Naghizadeh 2
- Mansour Baziar 3
1 MS.c Student, Environmental Health Engineering, Birjand University of Medical Sciences, birjand, Iran.
2 Associate Professor, Medical Toxicology and Drug Abuse Research Center (MTDRC), Birjand University of Medical Sciences (BUMS), Birjand, Iran.
3 Assistant Professor Department of Environmental Health Engineering, Ferdows School of Allied Medicine and Public Health, Birjand University of Medical Sciences, Birjand, Iran.
چکیده [English]
Abstract
Background and purpose
The turbidity of treated water is measured as an important parameter in determining the quality of drinking or industrial water in all treatment plants. Due to the importance of the prevalence of pathogens such as Giardia and Cryptosporidium, which cause dangerous diseases such as dysentery, the relationship between reducing turbidity and increasing the elimination of these microorganisms has been proven in studies.
Materials and methods
In this study, an artificial neural network (ANN) model and multiple linear regression(MLR) were developed and their performance was compared to predict the turbidity of treated water of Tabas water treatment plant. Total dissolved solids, pH, temperature and input turbidity of raw water were used as input parameters of the models in the predictions. The best backpropagation algorithm and number of neurons were determined to optimize the model architecture.
Results
The results showed that the Levenberg–Marquardt algorithm was selected as the best algorithm and the number of optimal neurons was determined to be 16.
Also, the results of the sensitivity analysis of the neural network model showed that the input turbidity with a value of 29% is the most important parameter in the development of the ANN model.
Conclusion
The results of correlation coefficient of MLR and ANN models were obtained for training data 0.63 and 0.8921 and for testing data 0.60 and 0.8571, respectively, which show the superiority of ANN model in Predicting the turbidity of the output of Tabas water treatment plant.
کلیدواژهها [English]
- Turbidity
- water treatment
- artificial neural network
- multiple linear regression
- prediction
- Twort AC, Ratnayaka DD, Brandt MJ. Water supply:Elsevier; 2000.
- Organization WH. Water quality and health-review of turbidity: information for regulators and water suppliers. 2017.
- Inspectorate DW. Guidance on the implementation of the water supply (water quality) regulations 2000 (as amended) in England. Drinking Water Inspectorate Guidance Document. 2012.
- Stevenson M, Bravo C. Advanced turbidity prediction for operational water supply planning. Decision Support Systems. 2019;119:72-84.
- Goerger A, Darmaillacq AS, Shashar N, Dickel L. Early Exposure to Water Turbidity Affects Visual Capacities in Cuttlefish (Sepia officinalis). Frontiers in physiology. 2021;12:622126.
- Cleary SA. Sustainable Drinking Water Treatment for Small Communities Using Multistage Slow Sand Filtration: UWSpace; 2005.
- matuzahroh N, Fitriani N, Ardiyanti PE, Kuncoro EP, Budiyanto WD, Isnadina DRM, et al. Behavior of
schmutzdecke with varied filtration rates of slow sand filter to remove total coliforms. Heliyon. 2020;6(4):e03736.
- Ranjan P, Prem M. Schmutzdecke-a filtration layer of slow sand filter. International Journal of Current Microbiology and Applied Sciences. 2018;7(07):637-45.
- Alade O, Al Shehri D, Mahmoud M, Sasaki K. Viscosity– Temperature–Pressure Relationship of Extra-Heavy Oil (Bitumen): Empirical Modelling versus Artificial Neural Network (ANN). 2019;12(12):2390.
- Saleem AT, Al-Musawi NO. Evaluation the turbidity removal efficiency in Al-Wahda water treatment plant using statistical indicators. Journal of Physics: Conference Series. 2021;1895(1):012045.
- Kriegeskorte N, Golan T. Neural network models and deep learning. Current Biology. 2019;29(7):R231-R6.
- Al-Musawi N. Application of Artificial Neural Network for Predicting Iron Concentration in the Location of Al-Wahda Water Treatment Plant in Baghdad City. University of Baghdad Engineering Journal. 2018;22:72-82.
- Hosseinzadeh A, Baziar M, Alidadi H, Zhou JL, Altaee A, Najafpoor AA, et al. Application of artificial neural network and multiple linear regression in modeling nutrient recovery in vermicompost under different conditions. Bioresource Technology. 2020;303:122926.
- Marill KA. Advanced Statistics: Linear Regression, Part II: Multiple Linear Regression. 2004;11(1):94-102.
- Shojaeefard MH, Akbari M, Tahani M, Farhani F. Sensitivity Analysis of the Artificial Neural Network Outputs in Friction Stir Lap Joining of Aluminum to Brass. Advances in Materials Science and Engineering. 2013;2013:574914.
- Mahmood Yousefi AE, Mitra Gholami, Ali Akbar Mohammadi, Nadeem A. Khan, Mansour Baziar, Vahide Oskoei,. Modeling and analysis of the groundwater hardness variations process using machine learning procedure. Desalination and Water Treatment. 2021;238:7.
- Khudhair BH, Alsaqqar AS, Jbbar RK. Performance Evaluation of Al-Karkh Water Treatment Plant Using Modeldriven and Data-Driven Models. IOP Conference Series: Earth and Environmental Science. 2021;779(1):012110.