بهینه سازی فرآیند تهویه در تصفیه فاضلاب: یک روش داده کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی بهینه سازی فرآیند تهویه در تصفیه فاضلاب: یک روش داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

چکیده

با توجه به محوریت داشتن کیفیت آب، صنایع مقیاس بزرگ مانند: تصفیه خانه های فاضلاب از صرفه جویی بالقوه در مصرف انرژی چشم پوشی می نمایند. فرآیند تصفیه فاضلاب شامل تجهیزات انرژی‌بری مانند: پمپ ها و دمنده ها برای حرکت و تصفیه فاضلاب می باشد. در حال حاضر، یک رویکرد داده محور برای مدلسازی فرآیند هوادهی و بهینه سازی فاضلاب در مقیاس بزرگ در غرب مرکزی به کار می رود. به طور خاص، بهینه سازی فرآیند هوادهی به منظور تقلیل مصرف انرژی بدون فدا کردن کیفیت آب صورت می پذیرد. مدل های توسعه یافته توسط الگوریتم های داده کاوی در توسعه روابط روشن و موجز در میان متغیرهای ورودی و خروجی مفید هستند. نتایج نشان می دهد که ضمن حفظ کیفیت آب در درون محدوده آن، می توان صرفه جویی بسیاری در انرژی انجام داد. محدودیت کار نیز مورد بحث قرار گرفته است.

۵- نتیجه گیری ها

تحقیق اجرا شده در اثر حاضر بر مبنای داده های جمع آوری شده ۳ سال از DWSD بود. از چهار مدل داده کاوی مشهور انتخابی، مدل های توسعه یافته توسط MARS بهترین برآورد را برای CBOD پساب، TSS پساب، میانگین DO، TDP پساب و TSP پساب ارائه می نمایند. در مجموع، دو مدل بهینه سازی با مجموعه متفاوتی از محدودیت های کنترل تدوین گردیدند. مدل ها با ملاحظات مقرر برای بهبود انرژی و کیفیت آب بهینه سازی شدند. نتایج به دست آمده در سناریو انرژی محور، کاهش بیش از ۳۱ را در نرخ جریان هوا ضمن حفظ کیفیت آب در محدوده قابل قبول موجب شد. با توجه به فقدان داده های بسیار فراوان مانند CBOD، TSS، نتایج بهینه سازی شده نویز بیشتری داشت. برای توسعه یک سیستم کنترل بهتر به نمونه برداری فراوان تر متغیرهای درونریز نیاز است.

عنوان انگلیسی:Wastewater treatment aeration process optimization: A data mining approach~~en~~

Abstract

Being water quality oriented, large-scale industries such as wastewater treatment plants tend to overlook potential savings in energy consumption. Wastewater treatment process includes energy intensive equipment such as pumps and blowers to move and treat wastewater. Presently, a data-driven approach has been applied for aeration process modeling and optimization of one large scale wastewater in Midwest. More specifically, aeration process optimization is carried out with an aim to minimize energy usage without sacrificing water quality. Models developed by data mining algorithms are useful in developing a clear and concise relationship among input and output variables. Results indicate that a great deal of saving in energy can be made while keeping the water quality within limit. Limitation of the work is also discussed.

۵- Conclusions

The research performed in the present work was based on 3 years of data collected form DWSD. Of four well known data mining models selected, the models developed by MARS provided the best estimation of effluent CBOD, effluent TSS, average DO, effluent TDP, and effluent TSP. Overall, two optimization models were formulated with different set of control limits. The models were optimized with due consideration of energy and water quality improvements. Results obtained in energy oriented scenario yielded more than 31% reduction in the airflow rate while keeping the water quality within acceptable range. Due to lack of high frequent data such as CBOD, TSS, the optimized results had more noise. For developing a better control system, more frequent sampling of those influent variables is needed.

$$en!!