تخمین اکسیژن‌خواهی شیمیایی خروجی از فاضلاب صنعت پتروشیمی با استفاده از رگرسیون مقاوم

نوع مقاله : مقالات علمی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد مهندسی محیط زیست دانشگاه تهران، تهران، ایران.

2 استاد تمام گروه مهندسی محیط زیست دانشکده محیط زیست دانشگاه تهران.

3 استادیار دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی دانشگاه تهران.

چکیده

در راستای افزایش بهبود کیفیت پساب صنعتی و مدیریت بهتر آن‏ها، باید راه‌کاری ساده و با دقت مناسب برای تخمین فرآیندها ایجاد نمود. با توجه به این‌که فرآیندهای تصفیه به‏صورت سیستم جعبه سیاه1 می‌باشند و به دلیل تأثیرپذیری اکثر عوامل دخیل در سیستم و مشکلات جمع‌آوری داده در مدل‌های فیزیکی، استفاده از آمار و روش‌های رگرسیونی می‌تواند بسیار اثربخش باشد. بنابراین هرچه مدل ساده‌تر و با متغیرهای ورودی کمتری باشد مدل مربوطه اهمیت بیشتری خواهد داشت. ورودی مدل پیشنهادی شامل داده‌های خروجی واحد بیولوژیکی و پارامتر خروجی مدل، میزان اکسیژن‌خواهی شیمیایی2 واحد زلال‌ساز می‌باشد. همچنین برای مقایسه کارایی مدل‌ها از ضریب تبیین3، میانگین مجموع خطاها4 و ضریب همبستگی5 استفاده می‌شود. هدف این تحقیق ارائه یک مدل داده‌مبنا و بهبود آن و سپس مقایسه آن با روش‌های مشابه است. در این تحقیق داده‌های ورودی و خروجی به‏صورت منظم و با مقیاس واقعی در طول 13 ماه هستند. در نهایت یک رابطه خطی با مدل رگرسیون مقاوم6 با شاخص‌های ماکزیمم مربعات خطای برابر 089/0، ضریب همبستگی برابر 784/0 و ضریب تبیین 6096/0 ارائه شده است.

کلیدواژه‌ها


 
حسنلو، ح.، مهردادی، ن.، نائب، ح. و گلبابایی، ف.، (1391)، "استفاده از روش تحلیل عاملی در مدل‌سازی عصبی واحد تصفیه پساب با نمک پایین تصفیه‌خانه فجر"، هفتمین همایش ملی و نمایشگاه تخصصی مهندسی محیط‌زیست، تهران، دانشکده محیط‌زیست.
شریعت‌زاده، م.، (1388)، سیمای زیست‌محیطی پتروشیمی فجر، نشریه داخلی پتروشیمی فجر.
مردانی، ن.، (1388)، "معرفی فرایند تصفیه پساب تصفیه‌خانه فجر"، نشریه داخلی پتروشیمی فجر.
Badi, H., and Baltagi, (2002), Econometrics, 3rd Edition, Springer.
Bates, B.C., and Campbell, E.P., (2001), “A Markov Chain Monte Carlo Scheme for parameter estimation and inference in conceptual rainfall-runoff modeling”, Water Recourses Research, 37(4), 937-947.
Bryan, F., and Manly, J., (2009), Statistics for environmental science and management, Taylor and Francis Group, International Standard Book Number-13: 978-1-4200-6147-5 (Hardcover).
Curlin, M., Bevetek, A., Ležajić, Z., Deverić Meštrović, B., and Kurtanjek, Z., (2008), “Modelling of activated sludge wastewater treatment process in municipal plant in Velika Gorica”, Chemistry in Industry, 57(2), 59-67.
Helsel, D.R., and Hirsch, R.M., (1992), Statistical methods in water resource, USGS.
Efron, B., Hastie, T., Johnstone, I., and Tibshirani, R., (2004), “Least angle regression”, Annals of Statistics, 32(2), 409-499.
LeSage, J.P., (1998), Spatial econometrics, Department of Economics, University of Toledo.
LeSage, J.P., (1999), Applied econometrics using MATLAB, Department of Economics University of Toledo.
Li, J., Luo, G., He, L.J., Xu, J., and Lyu, J., (2017), “Analytical approaches for determining chemical oxygen demand in water bodies, A review”, Critical Reviews in Analytical Chemistry, 48(1), 47-65.
Lawless, J.F., and Wang, P., (1976), “A simulation study of Ridge and other regression estimators”, Communications in Statistics, Part A-Theory and Method, 5, 307-323.
Chun, T.S., M. A. Malek, M.A., and Ismail, A.R., (2017), “A review of wastewater treatment plant modelling: Revolution on modelling technology”, American Journal of Environmental and Resource Economics, 2(1), 22-26.
Wei, X., and Kusiak, A., (2015), “Short-term prediction of influent flow in wastewater treatment plant”, Stochastic Environmental Research Risk Assessment, 29(1), 241-249.
Zare Abyaneh, H., (2014), “Evaluation of multivariate linear regression and artificial neural networks in prediction of water quality parameters”, Journal of Environmental Health Science Engineering, 12(40), 1-8.