Evaluation of Khorramshahr wastewater treatment plant using neural and artificial networks and support vector machine and the possibility of using it for agricultural purposes

Document Type : Original Article

Authors

Abstract

In this research, neural and artificial network and support vector machine have been used to evaluate the wastewater of Khorramshahr treatment plant. Also, the possibility of using the city's sewage for agricultural purposes was investigated. In this study, the monthly values ​​of BOD, COD, TS and TSS that were required in this study were used and also these values ​​were used to evaluate the wastewater of Khorramshahr treatment plant for use in agriculture. The application of artificial neural network model is also possible to predict the quality of effluent from wastewater treatment plants. The selected ANN (LM) model had good accuracy in estimating BOD5. However, this model had poorer performance in predicting maximum values. Using a two-stage network search optimization algorithm, the optimal values ​​of the characteristics of the SVM model, namely ɛ, C and γ, were obtained as 0.037, 13 and 1.472, respectively. Finally, according to the results obtained in this study, the SVM model was recommended for BOD5 time prediction for Khorramshahr refinery. According to the results obtained from the qualitative analysis of treated wastewater, effluent from BOD5 removal is equal to 88%, COD is equal to 92%, TDS is equal to 70% and TSS removal is equal to 27%. Khorramshahr wastewater treatment plant effluent salinity was measured with a minimum salinity of 208, maximum 3050 and an average of 1544 micromoles per centimeter. Therefore, the effluent of the city's wastewater treatment plant is in group C3, acceptable water. Based on the amount of sodium in the effluent of the treatment plant for irrigation of wheat, barley, soybeans, figs, olives, poplar and the like, according to the Wilcox diagram, there are no restrictions on the use of this effluent.

Keywords

Main Subjects


خادمیکیا، س.، حقیزاده، ع.، گودینی، ح. و شمس خرمآبادی، ق. (1395). ارزیابی عملکرد تصفیه‎خانه فاضلاب خرم‎آباد توسط شبکه هوش مصنوعی، فصلنامه علمی پژوهشی دانشگاه علوم پزشکی لرستان، دوره 18، شماره 3، ص 23-12.
ذوقی، م .ج.، ذوقی، ت. و سعیدی، م .(1389). پیش­بینی غلظت آمونیوم و مواد آلی فاضلاب دفن‎گاه زباله با استفاده از شبکه عصبی­مصنوعی. نشریه آب و فاضلاب، دوره 21، شماره ۲، ص 60-52.
رهبری، ک. (۱۳۹۵). کاربرد شبکه عصبی مصنوعی در ارزیابی کارایی فرایند تصفیه خانه‎های فاضلاب صنعتی مورد مطالعه: تصفیه‎خانه شرکت فولاد خوزستان. دومین کنگره بین‎المللی زمین، فضا و انرژی‎های پاک با محوریت مدیریت منابع طبیعی، کشاورزی و توسعه پایدار، شرکت کیان طرح دانش، 18 اسفند 1395، تهران، ایران.
سیدسراجی، م.، حسنلو، ح.، پازوکی، م. و نایب، ح. (1394). به‎کارگیری روش‎های آماری برای افزایش دقت مدل‎سازی تصفیه خانه‎های فاضلاب صنعتی با استفاده از شبکه‎های عصبی مصنوعی. نشریه بازیافت آب، دوره 2، شماره 2، ص 198-187.
فلاح، م.، فرج زاده، م.، اسلامی، ع. و سلطانی فر، ا. (1394). تلفیق مثلث فولر و شبکه عصبی مصنوعی در مکان­یابی تصفیه­خانه فاضلاب شهرستان ساری با کمک سیستم اطلاعات جغرافیایی. سومین کنگره بین‎المللی عمران، معماری و توسعه شهری، دانشگاه شهید بهشتی، 10-8 دی 1394، تهران، ایران.
قنبری، ن. (۱۳۹۶). مروری بر طبقه‎بندی کننده ماشین‎بردار پشتیبان و کاربردهای آن. اولین کنفرانس بین‎المللی فناوری‎های نوین در علوم، دانشگاه تخصصی فناوری‎های نوین آمل، 16 شهریور 1396، آمل، ایران.
لاله، ن. و سلطانیاصل، م. (1396). مدل‎سازی تصفیه­خانه فاضلاب صنعتی برای تخمین TSS پساب خروجی، با استفاده از شبکه عصبی مصنوعی. دوازدهمین سمپوزیوم پیشرفت‎های علوم و تکنولوژی کمیسیون چهارم: سرزمین پایدار یافته­های نوین در مهندسی عمران و محیط‎زیست، موسسه آموزش عالی خاوران، 23 آذر 1396، مشهد، ایران.
میرزاییتختگاهی، ح. و قمرنیا، ه. (1396). کیفیت خروجی تصفیه‎‎خانه کرمانشاه برای تخلیه به آب­های سطحی. چهارمین کنفرانس بین المللی برنامه‎ریزی و مدیریت محیط‎زیست، دانشکده محیط‎زیست دانشگاه تهران، 3-2 خرداد 1396، تهران، ایران.
واقعی، ر. و باحجبایمانی، م. ا. (۱۳۹۶). کاربرد شبکه عصبی­مصنوعی در ارزیابی عملکرد تصفیه­­خانه فاضلاب بیرجند. پنجمین کنگره بین‎المللی عمران، معماری و توسعه شهری، 5 دی 1396، تهران، ایران.
 
Gueguim Kana, E.B., Oloke, J.K., Lateef, A. and Adesiyan, M.O. (2012). Modeling and Optimization of Biogas Production on Saw Dust and Other Co-Substrates Using Artificial Neural Network and Genetic Algorithm. Renewable Energy, 46, pp: 276-281.
Guclu, D. and Dursun, S. (2010). Artificial neural network modelling of a large-scale wastewater treatment plant operation. Bioprocess Biosyst Eng, 33 (9), pp: 1051–1058.
Piuleac, C.G., Curteanu, S., Rodrigo, M.A., Sáez, C. and Fernández, F.J. (2013). Optimization Methodology Based on Neural Networks and Genetic Algorithms Applied to Electro-Coagulation Processes. Central European Journal of Chemistry, 11 (7), pp: 1213-1224.
Pendashteh, A.R., Fakhru’l-Razi, A., Chaibakhsh, N., Abdullah, L.C., Madaeni, S.S. and Abidin, Z.Z. (2011). Modeling of Membrane Bioreactor Treating Hypersaline Oily Wastewater by Artificial Neural Network. Hazardous materials, 192 (2), pp: 568-575.
Turan, N.G., Mesci, B. and Ozgonenel, O. (2011). The Use of Artificial Neural Networks (ANN) For Modeling of Adsorption of Cu (II) From Industrial Leachate by Pumice. Chemical Engineering, 171 (3), pp: 1091-1097.