Zastosowanie sztucznych sieci neuronowych do prognozowania zmian mętności wody po procesie koagulacja/ultrafiltracja

• Autorzy: Kabsch-Korbutowicz M. , Kutyłowska M.

Warianty tytułu

EN

Artificial neural networks - A viable option for predicting changes in water turbidity after treatment by coagulation/ultrafiltration

• Języki publikacji: PL

Abstrakty

PL

Sztuczne sieci neuronowe w technologii oczyszczania wody mogą być wykorzystywane jako alternatywna metoda matematycznego modelowania funkcji wielu zmiennych. W pracy opisano możliwość wykorzystania sztucznych sieci neuronowych do prognozowania mętności wody infiltracyjnej oczyszczonej w zintegrowanym procesie koagulacja/ultrafiltracja. Do prognozowania mętności filtratu stworzono różne struktury wielowarstwowego perceptronu z jedną warstwą ukrytą. Sygnałami wejściowymi do sieci były mętność wody dopływającej, mętność wody po koagulacji, ciśnienie transmembranowe, strumień filtratu oraz temperatura i pH wody. Na wyjściu sieci znajdował się jeden neuron symbolizujący wartość współczynnika określającego skuteczność zmniejszenia mętności wody oczyszczonej. Wykazano, że sieć neuronowa o parametrach MLP 7-9-1 charakteryzowała się najmniejszym błędem średniokwadratowym w prognozowaniu. W przypadku tej sieci współczynnik korelacji wynosił 84,38%. Uzyskane wyniki wskazują na wystarczającą (choć nie idealną) zbieżność prognozy z danymi doświadczalnymi z pilotowej stacji oczyszczania wody infiltracyjnej.

EN

Artificial neural network modeling is widely used in water treatment techno-logy as an alternative method to deal with functions of several variables. In the study reported on in this paper consideration was given to the possibilities of using artificial neural networks to predict the turbidity of infiltration water after treatment by the integrated coagulation/ultrafiltration process. To forecast the turbidity of the permeate it seemed advisable to create different structures of the multilayer perceptrone with one hidden layer. Raw water turbidity, water turbidity after coagulation, transmembrane pressure, permeate flux, water temperature and water pH were adopted as input signals. One neuron at the output of the network described the value of the turbidity retention coefficient. It has been demonstrated that the neural network of the parameters MLP 7-9-1 was characterized by the least mean-square error in forecasting. For this network the coefficient of correlation equaled 84.38%. Simulation results have revealed that the convergence with experimental data was sufficiently good (although not ideal).

Słowa kluczowe

PL

sztuczne sieci neuronowe; oczyszczanie wody; mętność; koagulacja; ultrafiltracja; membrany zanurzone

EN

artificial neural networks; water treatment; turbidity; coagulation; ultrafiltration; submerged membranes

• Wydawca: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych, Oddział Dolnośląski
• Czasopismo: Ochrona Środowiska
• Rocznik: 2010
• Tom: Vol. 32, nr 2
• Strony: 15--20
• Opis fizyczny: Bibliogr. 18 poz., tab., wykr.

Twórcy

autor

Kabsch-Korbutowicz M.

autor

Kutyłowska M.

• Politechnika Wrocławska, Wydział Inżynierii Środowiska, Zakład Technologii Oczyszczania Wody i Ścieków, Wybrzeże S. Wyspiańskiego 27, 50-370 Wrocław,

Bibliografia

• 1. W. ADAMSKI, K. MAJEWSKA-NOWAK: Zastosowanie reaktorów wielofunkcyjnych do oczyszczania wody. Ochrona Środowiska 2010, vol. 32, nr 1, ss. 3–8.
• 2. R. TADEUSIEWICZ: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
• 3. W. McCULLOCH, W. PITTS: A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 1943, Vol. 5, pp. 115–133.
• 4. W. CIEŻAK, Z. SIWOŃ, J. CIEŻAK: Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych krótkotrwałego poboru wody w wybranych systemach wodociągowych. Ochrona Środowiska 2006, vol. 28, nr 1, ss. 39–44.
• 5. V. YANGALI-QUINTANILLA, A. VERLIEFDE, T. KIM, A. SADMANI, M. KENNEDY, G. AMY: Artificial neural network models based on QSAR for predicting rejection of neutral organic compounds by polyamide nanofiltration and reverse osmosis membranes. Journal of Membrane Science 2009, Vol. 342, pp. 251–262.
• 6. M. AL-ABRI, N. HILAL: Artificial neural network simulation of combined humic substance coagulation and membrane filtration. Chemical Engineering Journal 2008, Vol. 141, pp. 27–34.
• 7. D. LIBOTEAN, J. GIRALT, F. GIRALT, R. RALLO, T. WOLFE, Y. COHEN: Neural network approach for modeling the performance of reverse osmosis membrane desalting. Journal of Membrane Science 2009, Vol. 326, pp. 408–419.
• 8. Z. SIWOŃ, J. ŁOMOTOWSKI, W. CIEŻAK, P. LICZNAR, J. CIEŻAK: Analizy i prognozowanie rozbiorów wody w systemach wodociągowych. Polska Akademia Nauk, Komitet Inżynierii Lądowej i Wodnej, Instytut Podstawowych Problemów Techniki, Warszawa 2008.
• 9. J. HERNANDEZ, R. ROMERO, D. JUAREZ, R. ESCOBAR, J. SIQUEIROS: A neural network approach and thermodynamic model of waste energy recovery in a heat transformer in a water purification process. Desalination 2009, Vol. 243, pp. 273–285.
• 10. M. ANITHA, H. SINGH: Artificial neural network simulation of rare earths solvent extraction equilibrium data. Desalination 2008, Vol. 232, pp. 59–70.
• 11. S. HOFMAN: Zastosowanie sieci neuronowych w modelowaniu regresyjnym stężeń zanieczyszczeń powietrza. Wydawnictwo Politechniki Częstochowskiej, Częstochowa 2004.
• 12. S. MÜLLER, W. UHL: Influence of hybrid coagulation–ultrafiltration pretreatment on trace organics adsorption in drinking water treatment. Journal of Water Supply: Research and Technology – AQUA 2009, Vol. 58, pp. 170–180.
• 13. A. WÖLLNER: Untersuchungen zur Ultrafiltration von Uferfiltrat sowie deren Auswirkung auf eine nachfolgende Aktiv-kohlefiltration. Master’s thesis, Institute for Urban Water Management, Dresden University of Technology, Dresden 2004.
• 14. A. JODŁOWSKI, K. ŚMIGIELSKA: Zastosowanie szybkiego testu mikrokolumnowego do oceny wpływu naturalnych substancji organicznych na skuteczność usuwania zanieczyszczeń z wody na węglu aktywnym. Ochrona Środowiska 2007, vol. 29, nr 4, ss. 23–27.
• 15. X. ZENG, D. YEUNG: Hidden neuron pruning of multilayer perceptrons using a quantified sensitivity measure. Neurocomputing 2006, Vol. 69, pp. 825–837.
• 16. W. CIEŻAK, Z. SIWOŃ, J. CIEŻAK: Modelowanie poboru wody w osiedlach mieszkaniowych. Ochrona Środowiska 2008, vol. 30, nr 2, ss. 23–28.
• 17. S. OSOWSKI: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000.
• 18. A. KOSTOPOULOS, T. GRAPSA: Self-scaled conjugate gradient training algorithms. Neurocomputing 2009, Vol. 72, pp. 3000–3019.