Sử dụng mạng nơ-ron nhân tạo

Emerald - Tập 6 Số 2 - Trang 16-27 - 1995
Hao‐Che Pu1, Yung‐Tse Hung2
1Assistant Professor of Computer Science, Computer and Information Science Department, Cleveland State University, Cleveland, Ohio, USA
2Professor of Civil Engineering, Civil Engineering Department, Cleveland State University, Cleveland, Ohio, USA

Tóm tắt

Mạng nơ-ron nhân tạo (ANN) được sử dụng như một công cụ xấp xỉ hàm thay thế để dự đoán hiệu suất của quá trình xử lý bằng bộ lọc nhỏ giọt tại một nhà máy xử lý nước thải đô thị, Solon, Ohio, Hoa Kỳ, nơi sử dụng bộ lọc nhỏ giọt theo sau bởi quá trình bùn hoạt tính. Nhà máy xử lý có tỷ lệ lưu lượng nước vào trung bình hàng tháng là 2,92 mgd (triệu gallon mỗi ngày). Nồng độ BOD (nhu cầu oxy sinh hóa) thô, lắng và cuối cùng lần lượt là 449, 235 và 4,8 mg/l, trong khi giá trị tương ứng cho TSS (chất rắn lơ lửng tổng) là 296, 131 và 6,1 mg/l. Hiệu suất loại bỏ tổng thể cho BOD và TSS lần lượt là 98,93% và 97,95%. Mô hình ANN tốt nhất để dự đoán BOD và TSS của nước thải ra từ bộ lọc nhỏ giọt có sai số dự đoán là 31,45% và 32,54% tương ứng. Số lượng biến đầu vào, cũng như số lượng nút trong lớp ẩn dường như không có ảnh hưởng đáng kể đến sai số dự đoán của mô hình ANN. Các sai số dự đoán thu được từ các mô hình ANN thấp hơn so với những sai số thu được từ phân tích hồi quy bội.

Từ khóa

#mạng nơ-ron nhân tạo #xử lý nước thải #bộ lọc nhỏ giọt #hiệu suất loại bỏ #sai số dự đoán

Tài liệu tham khảo

1. Vaccari, D.A. and Christodoulatos, C., “Generalized multiple‐regression techniques with interaction and nonlinearity for system identification in biological treatment processes”, ISA Transactions Vol. 31 No. 1, 1992, pp. 97‐102. 2. Suen, C.Y., Haley, R.R. and Hung, Y.T., “Statistical analysis of factors affecting activated sludge reactor performance”, International Journal of Environmental Studies, Vol. 35 , 1990, pp. 169‐81. 3. Dudda, S. and Shekhar, S., “Bond rating: a non‐conservative application of neural networks”, IEEE International Conference on Neural Networks, San Diego, CA, July 1988, pp. II: 443‐50. 4. Kosko, B., Neural Networks for Signal Processing, Prentice‐Hall, Englewood Cliffs, NJ, 1991. 5. Waibel, A., Hanazawa, T., Hinton, G., Shikano, K. and Lang, K., “Phoneme recognition using time‐delay neural networks”, IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. ASSP‐37, March 1989. 6. Fukushima, K., Miyake, S. and Ito, T., “Neocognition: a neural network model for a mechanism of visual pattern recognition”, IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC‐13, 1983, pp. 826‐34. 7. Troudet, T., Garg, S. and Merrill, W., Neural Network Application to Aircraft Control System Design, NASA Technical Memorandum 105151, Lewis Research Center, Cleveland, OH, 1991. 8. White, H., “Economic prediction using neural networks: the case of IBM daily stock returns”, Proceedings of the IEEE International Conference on Neural Networks, San Diego, CA, July 1988, pp. II: 451‐58. 9. Lippmann, R.P., An introduction to computing with neural nets“, IEEE Acoustics, Speech and Signal Processing Magazine, April 1987, pp. 4‐22. 10. Baffes, P.T., Nets User′s Guide, Johnson Space Center, NASA, 1989. 11. Chitra, S.P., “Neural net applications in chemical engineering”, The Neural Network Special Report ′93, AI Expert, 1993, pp. 7‐13. 12. Schlotzhauer, S.D. and Littell, R.C., SAS System for Elementary Statistical Analysis, SAS Institute., 1987.