| پیش‌بینی مصرف انرژی الکتریکی تصفیه‌خانه‌های فاضلاب شهرک‌های صنعتی با استفاده از یادگیری ماشین |
| کد مقاله : 1266-IWWA |
| نویسندگان |
|
عرفان طیبی1، محمد رضا مهرنیا *2، حمید رضا ارومیه3 1دانش آموخته دانشگاه تهران 2استاد دانشکده مهندسی شیمی، دانشگاه تهران 3کارشناس ارشد محیط زیست دانشگاه اصفهان |
| چکیده مقاله |
| مصرف انرژی الکتریکی یکی از مهم‌ترین هزینه‌های بهره‌برداری در تصفیه‌خانه‌های فاضلاب است و پیش‌بینی دقیق آن می‌تواند به پایش بهتر عملکرد و مدیریت مصرف انرژی کمک کند. در این پژوهش، امکان پیش‌بینی مصرف انرژی الکتریکی در هشت تصفیه‌خانه فاضلاب مستقر در شهرک‌های صنعتی با استفاده از روش‌های یادگیری ماشین بررسی شد. داده‌های مورد استفاده شامل دبی جریان ورودی، غلظت‌های COD و BOD در ورودی و خروجی و نوع فرایند تصفیه بود. داده‌های انرژی به‌صورت ماهانه ثبت شده بودند و پس از پاکسازی داده‌ها، ۹۵ رکورد برای مدلسازی مورد استفاده قرار گرفت و داده‌ها به دو مجموعه آموزش و آزمون تقسیم شدند. برای پیش‌بینی مصرف انرژی، مدل‌های رگرسیون خطی، رگرسیون بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ، درخت تصمیم و XGBoost توسعه داده شدند. تنظیم ابرپارامترها با استفاده از جستجوی شبکه‌ای و ارزیابی مدل‌ها با اعتبارسنجی متقاطع سه‌دسته‌ای انجام شد. نتایج نشان داد که اگرچه مدل Gradient Boosting در مرحله اعتبارسنجی متقاطع کمترین RMSE را داشت، در ارزیابی نهایی روی مجموعه آزمون، مدل رگرسیون خطی بهترین عملکرد را ارائه کرد و به RMSE برابر با 15/112 kWh/d و ضریب تعیین 974/0 دست یافت. همچنین تحلیل SHAP نشان داد که دبی ورودی مهم‌ترین متغیر اثرگذار بر پیش‌بینی مصرف انرژی بوده و پس از آن COD و BOD ورودی قرار دارند. نتایج نشان می‌دهد که در مجموعه داده مورد بررسی، بخش قابل توجهی از تغییرات مصرف انرژی با روابط نسبتاً خطی میان متغیرهای ورودی و مصرف انرژی قابل توضیح است. |
| کلیدواژه ها |
| تصفیه‌خانه فاضلاب صنعتی، مصرف انرژی، یادگیری ماشین، رگرسیون خطی، XGBoost، SHAP |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
