علوم و تكنولوژي محيط زيست، دوره هجدهم، شماره سه، پاييز 95

كاربرد شبكه عصبي GMDH و الگوريتم ژنتيك در مدل سازي درصد متان
موجود در گاز مراكز دفن زباله

محمد جواد ذوقي 1* m.j.zoqi@modares.ac.ir محمد غمگسار 2 مسلم گنجي3 سعيد فلاحي4
تاريخ دريافت: 9/1/89 تاريخ پذيرش:16/5/89
چكيده
زمينه و هدف : در اين مطالعه از شبكه عصبي GMDH بر اساس الگوريتم ژنتيك جهت پيش بيني درصد متان موجود در گاز دفن گـاهزباله در مقياس آزمايشگاهي، استفاده شده است. جهت تخمين درصد متان موجود در گاز مركز دفن به وسيله شبكه عصـبيGMDH ، از مشخصات فاضلاب به عنوان داده هاي ورودي و از درصد متان موجود در بيوگاز به عنوان داده خروجي اسـتفاده شـده اسـت. پارامترهـايورودي جهت پيش بيني ميزان متان موجود در بيوگاز شامل دما، رطوبت، COD ،pH و آمونيوم مي باشد.
روش بررسي: راكتورهاي شبيه ساز مركز دفن زباله كه در اين مطالعه از آن ها استفاده شـده ، در دو سيسـتم متفـاوت عمـل مـي كننـد.
سيستم يك(C1)، فقط شامل راكتور حاوي زباله تازه است، در اين سيستم فاضلاب پس از توليد بر روي زباله تـازه بازگردانـده مـي شـود.
سيستم دو(C2)، شامل راكتور حاوي زباله تازه و راكتوري حاوي زباله خوب تجزيه شده است. در اين سيسـتم، فاضـلاب پـس از خـروج اززباله تازه، برروي راكتور حاوي زباله خوب تجزيه شده تخليه و سپس بر روي زباله تـازه بازگردانـده مـي شـود. در دو سيسـتم، پارامترهـايكيفي فاضلاب و درصد متان موجود در بيوگاز راكتورها به مدت 132 روز پايش شده است.
يافته ها: نتايج مطالعه نشان مي دهد، شبكه عصبي GMDH در پيش بيني درصد متان موجود در بيوگاز داراي عملكرد بالايي مي باشد ب ه طوري كه ضريب همبستگي در داده هاي آموزش و تست به ترتيب برابر 98/0 و 99/0 برآورد مي گردد.

– استاديار، گروه مهندسي عمران، دانشگاه بيرجند *(مسوول مكاتبات).
عضو هيات علمي گروه مهندسي محيط زيست، پژوهش كده محيط زيست جهاد دانشگاهي.
دانشجوي دكتري رياضي كاربردي، دانشگاه شهيد چمران اهواز، اهواز، ايران
4 – دانشجوي دكتري رياضي كاربردي، دانشگاه گيلان

بحث و نتيجه گيري: با توجه به كارائي بالاي شبكه عصبي GMDH در پيش بيني درصد متان موجود در بيوگاز، مي توان از ايـن مـدلجهت طراحي بهينه سيستم هاي جمع آوري و تصيه گاز مراكز دفن زباله، و همچنين براي حصول اطمينان از نتايج پايش و كاهش هزينـهپايش استفاده كرد.

واژههاي كليدي: شبكه عصبي GMDH، الگوريتم ژنتيك، فاضلاب مراكز دفن زباله، گاز مراكز دفن زباله، درصد متان.

J.Env. Sci. Tech., Vol 18, No.3, autumn 2016

Application of GMDH and genetic algorithm in fraction in biogas from landfill modeling

Mohammad Javad Zoqi 1*
m.j.zoqi@modares.ac.ir
Mohammad Ghamgosar 2
Moslem Ganji 3 Saeed Fallahi 4

Abstract
Background and Objective: In this study, The Group Method of Data Handling (GMDH) type neural networks whit genetic algorithm was applied to estimate the methane fraction in landfill gas originating from Lab-scale landfill bioreactors. In this study, to predict the methane fraction in landfill gas as a final product of anaerobic digestion, we used input parameters such as pH, Chemical Oxygen Demand, NH4+-N and waste temperature.
Method: To this Purpose, two different systems were applied for neural network’s data obtained. In system I (C1), the leachate generated from a fresh-waste reactor was drained to recirculation tank, and recycled every two days. In System II (C2), the leachate generated from a fresh waste landfill reactor was fed through a well-decomposed refuse landfill reactor, and at the same time, the leachate generated from a well-decomposed refuse landfill reactor recycled to a fresh waste landfill reactor.
leachate and landfill gas components were monitored for 132 days.
Findings: The study results indicate that GMDH is able to predict the methane fraction in landfill gas. The correlation between the observed and predicted values for the training data is 0.98 and for the testing data, it is 0.99.
Discussion and Conclusion: The proposed method can significantly predict the methane fraction in landfill gas originating and, consequently, GMDH can be use to optimize the dimensions of a plant using biogas for energy (i.e. heat and/or electricity) recovery and monitoring system.
Key words: GMDH Neural network; genetic algorithm; Leachate; Landfill gas; Methane fraction

Assistant Professor of Civil Engineering Department, Birjand University, Iran * (Corresponding Author).
Environmental reaserch institute of Jahad Daneshgahi
Phd student Of Applied Mathematics, Faculty Of Mathematical Sciences and Computer, Shahid Chamran
University Of Ahvaz,Ahvaz,Iran
Phd student Of Applied Mathematics, Guilan University
مقدمه
مراكز دفن زباله، محل نهايي جهت انبار زباله هاي تجزيه پذير و يا بي استفاده است (1). به عنوان مثال در كشور انگليس، هر سال حدود 75 ميليون تن زباله در مراكز دفن زباله دفع شود و در آمريكا 67% از زباله جامد توليدي در سال 1991 به مراكز دفن زباله منتقل گرديد(2).
فاضلاب و گاز خروجي از دفن گاه زباله، مهم ترين پارامترهاي زيست محيطي مراكز دفن زباله است. فاضلاب دفن گاه زباله، ناشي از رطوبت زباله و رطوبت نفوذي به دفن گاه زباله است.
گاز مراكز دفن، از محصولات تجزيه بي هوازي مواد آلي موجود در دفن گاه زباله مي باشد. گاز مراكز دفن، به وسيله زهكش هاي قايم يا افقي جمع آوري و به عنوان منبع انرژي استفاده مي شود. در هضم بي هوازي، فرآيندهاي پيچيده با استفاده از باكتري هاي مختلف انجام مي شود. طي هضم بي هوازي، مواد آلي با ساختار پيچيده موجود در مراكز دفن، به مواد آلي ساده تر تجزيه شده و سپس به وسيله باكتري هاي اسيد ساز به اسيدهاي فرار تخمير مي شوند. اسيدهاي فرار با بيش از دو كربن، به استات1 و گاز 2H تبديل مي شوند سپس بوسيله باكتري هاي متان ساز، استات و گاز 2H بــه 4CH تبــديل مي شود(3).
در چندين مطالعه، مدل هاي مختلف جهت تشريح فرآيند توليد متان در مراكز دفن زباله بررسي شده است. در مطالعه اي از قانون دارسي جهت توصيف توليد متان در دفن گاه زباله، استفاده شده است(4). در چند مطالعه از مشخصات فيزيكي نظير شرايط آب و هوايي، جرم و سن زباله(5) و عوامل زيست محيطي نظير رطوبت، سولفات و pH جهت شرح فرآيند توليد متان استفاده شده است(6). اگرچه در ارتباط با مدل سازي تجزيه بي هوازي پسماندهاي جامد شهري به وسيله شبكه عصبي اطلاعات كمي در دسترس است، اما از اين وسيله در مدل سازي سيستم هاي زيست محيطي استفاده شده است. در علوم محيط زيست، از شبكه عصبي به عنوان روشي ساده و انعطاف پذير جهت تحليل مسايل غير خطي كمك گــرفتـه

-1 Acetate
مي شود (7). برخي از كاربردهاي شبكه عصبي شامل پيش بيني مقدار غلظت كلر در سيستم آب شهري(8)، تعيين رابطه بوي فاضلاب و اكسيژن بيولوژيكي مورد نياز(BOD)(9) و پيش بيني كيفيت هوا باشد(10). كارايي مدل هاي شبكه عصبي در مدل سازي لجن هاي فاضلاب اثبات شده است(11). هم چنين ميــزان H2S و NH3 موجــود در بيــوگاز ناشــي از هضم بي هوازي، توسط شبكه عصبي با كارايي بالا مدل شده است(12). كاربردهاي مشابه از شبكه عصبي مصنوعي در زمينه مهندسي محيط زيست وجود دارد كه نشان دهنده پتانسيل بالاي اين مدل در مديريت زيست محيطي است. يكي از انواع شبكه عصبي مصنوعي كه كارايي آن ها در مدل سازي و پيش بيني اثبات شده است، شبكه هاي خود-سازمانده مي باشد(5).
يكي از انواع شبكه هاي خود-سازمانده، شبكه هـــاي چند جمله اي مي باشد. شبكه هاي چند جمله اي، نتيجه تركيب روش هاي رگرسيون خطي و شبكه هاي عصبي مصنوعي هستند. الگوريتم آموزش شبكههاي چند جملهاي را مي توان به چند دسته تقسيم نمود. يكي از اين الگوريتم هاي آموزش، الگوريتم GMDH مي باشد. نام GMDH، بيان گر ايده اصلي آن يعني روال تقسيم تصادفي دادههاي ورودي مدل به دو مجموعه آموزش و تطبيق است . در اين الگوريتم مدل هايي كه از روي داده هايي با خصوصيات آماري شبيه به يك ديگر ساخته ميشوند، بايد رفتاري مشابه داشته باشند. در غير اين صورت پارامتر تاثيرگذار در اين تفاوت رفتاري بايد تصحيح شود.
الگوريتم GMDH يا روش دسته بندي گروهي داده هاي عددي اولين بار توسط ايواخننكو2 براي مدل كردن سيستم هاي پيچيده اي كه شامل يك سري داده با چندين ورودي و يك خروجي بودند، مورد استفاده قرار گرفت. در واقع هدف اصلي اين روش، ساختن تابعي در يك شبكه بر اساس تابع انتقال درجه دوم مي باشد (13). مزيت اصلي GMDH نسبت به شبكه هاي عصبي مرسوم، به دست آوردن يك مدل رياضي برحسب چندجمله اي ها، براي فرآيند مورد بررسي است. اين

2 – Ivakhnenko
مدل رياضي مي تواند در شناسايي و يا حتي توصيف كاملفرآيند مورد استفاده قرار گيرد (14).
از مشخصات فاضلاب دفن گاه جهت ارزيابي عملكرد مراكز دفن استفاده مي شود. پارامترهايي نظير BOD ،COD ، آمونيوم، pH، سولفات و كلرايد، جهت توصيف شرايط فاضلاب مراكز دفن استفاده مي گردد (15). اين پارامتـرهــا به عنـوان شاخص هاي تثبيت درمراكز دفن زباله استفاده مي شوند.
يكي از انواع رايج مراكز دفن زباله، آن هايي هستند كه فاضلاب توليدي در مراكز دفن زباله، مجدد بر روي سطح مراكز دفن زباله تخليه مي شود. بازچرخش فاضلاب بر روي مراكز دفن زباله سبب مي شود، فرآيند تجزيه و تثبيت زباله جامد با سرعت بيش تري انجام گيرد و در نتيجه توليد بيوگاز در مراكز دفن زباله افزايش يابد(16). مزاياي بازچرخش فاضلاب در مراكز دفن زباله به طورگسترده بررسي شده است(17). لذا در اين مطالعه پيش بيني در صد متان موجود در گاز دفن گاه زباله، براي حالت همراه با باز چرخش فاضلاب مطالعه شده است.
به علت ميزان تاثير گاز متان بر گرمايش جهاني، گاز خروجي از مراكز دفن زباله بايد كنترل شود(18). روش هاي مختلفي براي تعيين بهترين استفاده از بيوگاز مورد مطالعه قرار گرفته است، استحصال و استفاده به عنوان منبع انرژي، يكي از روش هاي موثر در كنترل انتشار گاز دفن گاه زباله است. اما جهت استفاده از هر يك از اين روش ها بايد درصد متان موجود در بيوگاز پايش شود. در اين مطالعه، جهت پيش بيني درصد متان بيوگاز، كه در دفن گاه زباله و در مقياس آزمايشگاهـي توليد مي شود، مدلي ارايه مي گردد. يك مدل پيش بيني مي تواند كارايي سيستم هاي استحصال انرژي، در مراكز دفن زباله را تضمين كند.
پيش بيني دقيق درصد متان خروجي از مراكز دفن، مستلزم مدلي است كه روابط بين پارامترهاي زيست محيطي و توليد متان را درك و شبيه سازي كند. در اين مطالعه درصد متان موجود در بيوگاز به عنوان محصول نهايي هضم بي هوازي، به وسيله شبكه چند جمله اي داراي الگوريتم يادگيري GMDH برآورد مي شود. پارامترهاي عمومي فاضلاب مانند COD، آمونيوم، pH و سن مركز دفن، به عنوان داده هاي ورودي شبكه چند جمله اي انتخاب شده است.
مواد و روش ها
داده هاي استفاده شده در اين مطالعه، از مطالعه اي كه شائو- ليانگ1 در سال 2008 انجام داده، اخذ شده است(19). در اين مطالعه دو سيستم مختلف در آزمايشگاه مدل شده است. در سيستم يك (1C)، فاضلاب توليدي در راكتور حاوي زباله تازه (راكتورA) به سمت مخزن جمع آوري هدايت، و هر دو روز، با استفاده از پمپ پريستالتيك2، بر روي راكتور A پمپ مي شود.
در سيستم دو (2C)، راكتوري كه از زباله تازه پر شده (راكتور B) ، به وسيله بازچرخش فاضلاب، به راكتور حاوي زباله خوب تجزيه شده (راكتور C) متصل مي گردد. در اين سيستم،
فاضلاب توليدي در راكتوري كه از زباله تازه پر شده (راكتور B) بر روي راكتور حاوي زباله خوب تجزيه شده (راكتور C) پاشش و همزمان فاضلاب توليدي در راكتور C بر روي راكتور B تخليه مي شود كه اين عمل هر دو روز و با استفاده از پمپ پريستالتيك صورت مي گيرد. سپس نمونه هاي فاضلاب، هر شش روز از قسمت خروجي راكتورها جمع آوري مي گردد و غلظت NH4+-N ، COD و pH اندازه گيري مي شود. ميزان pH به وسيله pH متر شركت HACH اندازه گيري شده است. اندازه گيري غلظت NH4+-N ،COD و درصد متان موجود در بيوگاز مطابق استاندارد انجام شده است(19). از اين پارامترها به عنوان داده هاي شبكه عصبي استفاده مي شود. از طرفي راكتورهاي مدل شده در اين مطالعه در محفظه عايق حرارت و در دماي 2±32 درجــه سانتي گــراد، نگــه داري مي شود. لذا با توجه به ثابت بودن دمــا، از ايــن پارامتر در داده هاي ورودي شبكه عصبي استفاده نمي شود. علاوه بر پارامترهاي مربوط به فاضلاب، از زمان نمونه گيري كه نشان دهنده عمر راكتورها مي باشد، به عنوان يكي از داده هاي ورودي مدل، استفاده مي شود. پارامتر هدف مدل شبكه عصبي، درصد متان موجود در بيوگاز است كه در مطالعه انجام شده

1- Shou-liang
-2 Peristaltic
توسط شائو- ليانگ مانند پارامترهاي فاضلاب هر شش روزاندازه گيري شده است.
1- شبكه عصبي GMDH
به طور كلي براي مدل كردن سيستمهاي پيچيدهاي كه شامل مجموعهاي از دادهها با چندين ورودي و يك خروجي ميباشند ميتوان از چند جملهاي هاي 1VKG (رابطه1) استفاده نمود.
رابطه (1)
ya n ai xi nn aij xi x j nnn aij xi x j xk …
i1i1 j1i1 j 1 k 1
كه در آن x  x1, x2,…, xn  بردارهاي ورودي، y خروجي مدل و ai ها ضرايب چند جملهاي ميباشند. چند جملهاي هاي VKG با استفاده از چند جملهاي هاي درجه دوم تقريب زده مي شوند. اين چند جملهاي هاي درجه دوم بر اساس تركيبات دوتايي ورودي هاي شبكه ساخته ميشوند.
الگوريتم GMDH با استفاده از اين ايده به عنوان روش يادگيري، براي مدل سازي سيستم هاي پيچيده معرفي شده است(14،13).
شبكه عصبي GMDH داراي ساختار يك شبكه چند لايه و رو به جلو ميباشد و در برگيرنده مجموعه اي از نرونها است كه از پيوند جفتهاي مختلف ورودي از طريق يك چند جملهاي درجه دوم به وجود ميآيند. هر لايه در اين شبكه از يك يا چند واحد پردازش گر تشكيل شده است كه هر يك از آن ها داراي دو ورودي و يك خروجي مي باشد. اين واحدها عملاً نقش اجزاي سازنده مدل را ايفا مينمايند و به شكل يك چند جمله-اي درجه دوم فرض ميشوند(رابطه2).
رابطه(2)
yˆn a a1x1 a2x2 a3x1x2 a4x12 a5x22

پارامترهاي مجهول الگوريتم GMDH ضرايب چند جملهاي رابطه(2) ميباشد. جهت محاسبه مقدار خروجي yˆi براي هر بردار وروديxxi1,xi2,…,xin  براساس رابطه (2)، بايد ميانگين مربعات خطا (رابطه3) به حداقل برسد.

-1 Volterra-Kolmogorov-Gabor
n eyˆi yi 2 (3)رابطه
1iبراي يافتن مقدار حداقل خطا، از مشتق جزيي رابطه(3)استفاده مي شود. با جاي گذاري از رابطه (2) در اين مشتق جزيي، يك معادله ماتريسي(Aa y )به دست مي آيد. دراين معادله
{5Y {y1,…, ym}T ، a{a,a1,a2,a3,a4,a و ماتريس A مطابق رابطه (4) مي باشد.
رابطه (4)
1 x1p x1p x12p x12p x1p x1p 
 2 2  A1 x2p x2q x2p x2q x2p x2q 
1 xnp xnq x2np x2nq xnp xnq 


يك روش حل براي اين معادله ماتريسي(Aa y )، استفاده از روش تجزيه به مقدارتكين (2SVD) است. در صورت استفاده از روش SVD مجهول a از رابطه(5) محاسبه مي گردد. رابطه (5) aATA1AT y
در رابطه(5) ، AT ترانهاده ماتريس A است. با استفاده از اين روش حل مجهولa در هر حالتي قابل محاسبه خواهد بود.
چنانچه ماتريسAT A وارون پذير نباشد از روش Thikhonov جهت حل معادله استفاده خواهد شد.
در طراحي شبكه عصبي GMDH، هدف جلوگيري از رشد واگرايي شبكه و نيز مرتبط كردن شكل و ساختار شبكه به يك يا چند پارامتر عددي بوده، به گونه اي كه با تغيير اين پارامتر ساختار شبكه نيز تغيير كند. روش هاي تكاملي مانند الگوريتم ژنتيك كاربرد وسيعي در مراحل مختلف طراحي شبكه هاي عصبي به دليل قابليت هاي منحصر به فرد خود در پيدا كردن مقادير بهينه و امكان جستجو در فضاهاي غير قابل پيش بيني، دارند. در اين مقاله براي طراحي شكل شبكه عصبي و تعيين ضرايب آن، از الگوريتم ژنتيك استفاده شده است(20). براي عموميت بخشيدن به شبكه هاي عصبي GMDH، بايد قيد

2 – Singular Value Decomposition

استفاده از لايه مجاور در ساختن لايه بعد حذف شود. اين نوع ازشبكه هاي عصبي GS ناميده مي شوند و براي ساخت لايه جديد از تمام لايه هاي قبلي (شامـل لايه ورودي) استفــاده مي كنند (21).
2-پارامترهاي ورودي و خروجي از پارامترهايي نظير اكسيژن بيولوژيكي مورد نياز (BOD)، اكسيژن شيميايي مورد نياز(COD)، غلظت آمونيوم، سولفات، كلرايد و ميزان pH به طور معمول براي توصيف وضعيت فاضلاب مراكز دفن زباله استفاده مي شود(15). در اين مقاله جهت پيش بيني درصد متان موجود در بيوگاز از غلظت COD در فاضلاب دفن گاه زباله ، ميزان pH، ميزان غلظت -+4NHN و زمان به عنوان داده هاي ورودي شبكه عصبي استفاده شده است. داده هاي ورودي و خروجي شبكه عصبي در جدول (1) نمايش داده شده است. دماي زباله به علت ثابت بودن در طول مدت آزمايش از داده هاي ورودي حذف شده است.
در مطالعه انجام شده توسط شائو- ليانگ، پارامترهاي كيفي فاضلاب و درصد متان توليدي سه راكتور(A,B,C)، در طول مدت آزمايش (132 روز) ، هر 6 روز يك بار اندازه گيري شده است. درطول مدت آزمايش، از فاضلاب هر راكتور 22 نمونه تهيه و پايش شده است و هم زمان درصد متان بيوگاز اندازه گيري مي شود(19). جهت تهيه داده هاي تست و آموزش، در شبكه عصبي، اطلاعات مربوط به هر سه راكتور با هم تلفيق شده است. بنابراين تعداد كل نمونه هاي مورد استفاده در شبكه عصبي 66 عدد است. داده هاي به دست آمده از اين سه راكتور به دو زير مجموعه آموزش و تست تقسيم مي شود كه 44 عدد از آن ها جهت آموزش و 22 نمونه باقي مانده، جهت تست شبكه عصبي استفاده مي شود.

جدول1- پارامترهاي ورودي و خروجي مدل
Table 1- Model input and output parameters
پارامترهاي ورودي [P]
pH [P1]
COD (mg/l) [P2]
NH4+-N (mg/l) [P3]
مدت زمان بازچرخش (روز) [P4]
پارامتر خروجي [T]
درصد متان موجود در گاز دفن گاه زباله [T]

1-2- درصد متان بيوگاز (T)
در صد متان موجود در گاز دفن گاه زباله كه به عنوان پارامتر خروجي شبكه عصبي انتخاب شده، يكي از مهم ترين محصولات هضم بي هوازي در مراكز دفن زباله است. گاز مراكز دفن تحت شرايط هوازي و بي هوازي توليد مي شود. شرايط هوازي بلافاصله پس از تخيه پسماند و به علت به دام افتادن هوا، رخ مي دهد. فاز هوازي داراي عمركوتاهي بوده و مهم ترين گاز توليدي در آن ، دي اكسيد كربن است. پس از مصرف شدن اكسيژن به دام افتاده، فرآيند تجزيه بي هوازي تا پايان عمر دفن گاه زباله، ادامه خواهد داشت. هضم بي هوازي، گازي كه معمولاً شامل 55% متان و 45% دي اكسيدكربن و مقدار ناچيزي CO و H2S است، توليد مي كند. اين گاز به علت وجود متان ، داراي ارزش گرمايي بالايي مي باشد. توليد متان و دي اكسيد كربن از مواد آلي، طي فرايند بي هوازي در چند مرحله اصلي تقسيم بندي شده است(22).
[P1] pH ميزان -2-2
تغييرات pH ناشي از نوع باكتري هاي تجزيه كننده پسماند است . pH كم به علت وجود اسيدهاي آلي است و در اين حالت ، مرحله اول هضم بي هوازي غالب است. مقدار pH يكي از پارامترهاي مهم در ميزان توليد متان، در مراكز دفن زباله است. مقدار pH در فاضلاب تثبيت شده در حدود 8 است در فاز تثبيت، ميزان توليد متان افزايش مي يابد. هم چنين مطالعات نشان مي دهد مقدار pH، هر چه با سرعت بيش تري افزايش يابد، نشان دهنده تجزيه سريع زباله در مراكز دفن زبالهاست، زيرا با كاهش تركيبات مواد آلي در فاضلاب، ميزان pH افزايش مي يابد(23).
3-2- اكسيژن شيميايي مورد نياز [P2] (COD) ميزان غلظت COD در فاضلاب، پس از تخليه پسماند در دفن گاه زباله به شدت افزايش مي يابد. پس از شروع تجزيه مواد آلي، غلظت COD در فاضلاب دفن گاه زباله، بطور پيوسته كاهش مي يابد. اين كاهش تا رسيدن به حالت تثبيت ادامه دارد. پارامتر COD وابسته به فعاليت ميكروارگانيزم ها در مراكز دفن زباله است و تغييرات اين پارامتر، مهم ترين شاخص تثبيت، در مراكز دفن زباله مي باشد. غلظت بالاي COD، نشان دهنده افــزايش سرعت تجــزيه در مرحلــه اول هضم بي هوازي است، در اين مرحله مواد آلي با ساختار پيچيده به اسيدهاي آلي قابل حل در آب تبديل مي شوند. كاهش غلظت COD، نشان دهنده شروع مرحله دوم هضم بي هوازي و تثبيت پسماند جامد است. همزمان با افزايش توليد بيوگاز و درصد متان، غلظت COD كاهش مي يابد. اين نتايج در
مطالعه انجام شده توسط شائو- ليانگ نيز تاييد شده است(19).
4-2- آمونيوم [P3] (NH4+-N) غلظت NH4+-N در فاضلاب خروجي از مراكز دفن در روزهاي اول، داراي افزايش سريعي است، اين افزايش به علت تجزيه مواد آلي نيتروژن دار موجود در مراكز دفن زباله، رخ مي دهد. غلظت NH4+-N در فاضلاب مراكز دفن زباله، در سطح بالايي، باقي مي ماند و آمونيوم بوجود آمده در فاضلاب تجمع مي يابد. چرا كه، ميكروارگانيزم هاي نيتريفيكاسيون1 كه در محيط هوازي به خوبي عمل مي كند، در فرايند هاي بي هوازي وجود ندارند(24). تنها روش حذف NH4+-N در مراكز دفن زباله، جذب سطحي آمونيوم فاضلاب توسط زباله هاي خوب تجزيه شده است كه از آن براي رشد باكتريهاي بي هوازي استفاده مي شود (25). لذا كاهش غلظت NH4+-N در فاضلاب دفـن گاه زباله، نشان دهنده افــزايش فعــاليت باكتري هاي متان ساز و افزايش توليد متان است.

1- Nitrification
5-2- مدت زمان بازچرخش [4[P
درصد متان و ميزان بيوگاز توليدي، با عمر مراكز دفن افزايش مي يابد، همچنين پارامترهاي فاضلاب با گذشت زمان، تغييرات قابل توجهي مي كنند(19) (24). لذا مدت زمان سپري شده، به عنوان يكي از داده هاي ورودي شبكه عصبي انتخاب شده است.
بحث و نتيجه گيري
جدول2- شاخص هاي آماري مدل شبكه هاي عصبي GMDH در پيش بيني درصد متان موجود در بيوگاز
Table 2- Statistical indicators of methane prediction in biogas by GMDH neural networke
MAD MSE RMSE R2 شاخص آماري
4 36 6 0/98 داده هاي آموزش
2/3 8/7 2/9 0/99 داده هاي تست

شكل1- ساختمان شبكه GMDH در پيش بيني درصد متان موجود در بيوگاز

a
b

c
d
ad
bc
bc
bcad
bccc
bcadbccc

a

b

c

d

ad

bc



قیمت: تومان


دیدگاهتان را بنویسید