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

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.

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).