توصيفگر ها :
هورمون هاي استروييدي , حذف , اولتراسوند , شبكه عصبي , الگوريتم ژنتيك
چكيده فارسي :
استروژن ها يكي از ريز آلاينده‌هاي فاضلاب هستند كه براي محيط زيست مضر مي‌باشند. گزارشات زيادي در مورد اثرات سوء هورمون هاي استروئيدي بر انسانها و آبزيان گزارش شده است. اين هورمون ها در توليد مثل انسان، دام و حيوانات وحشي تداخل ايجاد كرده و منجر به بروز انواع سرطان مي‌شوند. از جمله مهمترين هورمونها، استرون (E1) و 17بتااستراديول (E2) هستند كه توسط همه انسانها و حيوانات دفع مي‌شوند. از آنجا كه فرآيندهاي بيولوژيكي در تصفيه خانه هاي فاضلاب نمي‌تواند ريز آلاينده ها را به طور كامل حذف كنند، اين تركيبات در پساب فاضلاب وجود دارند. بنابراين، به روش هايي تكميلي براي حذف اين تركيبات از فاضلاب نياز است. يكي از مؤثرترين روش هاي حذف هورمون ها، بدون توليد محصولات جانبي روش اولتراسوند است. روش هاي تصفيه ي فاضلاب متداول مانند روش هاي بيولوژيكي قابليت حذف كامل اين تركيبات از فاضلاب را ندارد.
در سالهاي اخير استفاده از روشهاي داده محور به ابزار كارآمدي در حل مسائل پيچيده، مخصوصاً مسائلي كه يك مدل تحليلي دقيق براي آنها وجود ندارد تبديل شده است. اين روش ها كمك مي‌كند داده‌هاي پراكنده كه ازآزمايشات، حاصل شده اند قابليت تعميم پيدا كنند و همچنين، اين مدل ها براي پيدا كردن ارتباط بين متغيرها و پيش بيني ميزان حذف و بهينه سازي شرايط حذف مناسب هستند.
در اين مطالعه، حذف دو هورمون (استرون (E1) و 17 بتا استراديول (E2)) از فاضلاب به كمك فرآيند اولتراسوند با استفاده از شبكه عصبي مصنوعي چند لايه (ANN) همراه با الگوريتم ژنتيك (GA) مدل سازي و بهينه سازي شد. براي رسيدن به اين منظور بر روي مطالعات چاپ شده در بين سالهاي 2000 تا 2021 در چند پايگاه وب علمي بررسي شد. تعداد 12 مقاله مرتبط با موضوع استخراج شدند و نهايتا پس از بررسي مقالات، 3 مقاله براي استخراج داده و مدلسازي انتخاب شدند.
در اين مطالعه، پارامترهاي فركانس، زمان، چگالي توان اولتراسوند (Power Density)، شدت توان اولتراسوند Power Intensity) ( و pH، به عنوان پارامترهاي ورودي و ميزان حذف هورمون ها به عنوان خروجي انتخاب شدند. يك شبكه پرسپترون چند لايه (Multilayer perceptron (MLP)) از نوع شبكه عصبي پيشرو (Feed-Forward) طراحي شد. يك شبكه عصبي سه لايه با يك لايه پنهان، با روش توقف اوليه با تقسيم تصادفي مجموعه داده هاي ورودي به سه قسمت آموزش، اعتبارسنجي و آزمون به ترتيب با نسبت 70%، 15% و 15% طراحي شد. شبكه با انواع الگوريتم هاي جعبه ابزار متلب آموزش داده شد و در نهايت، الگوريتم لونبرگ-ماركوارت (LM) انتخاب شد. مطابق حداكثر ضريب همبستگي (997/0R=) و حداقل ميانگين مربعات خطا (00062/0MSE=) براي هورمون E1 و (997/0R=) و (00045/0MSE=) براي هورمون E2 تعداد مطلوب نورونها در لايه پنهان 12 عدد به دست آمد. سپس نقطه بهينه در راندمان حذف هورمون ها توسط الگوريتم ژنتيك به دست آمد. نتايج نشان داد كه افزايش pH و Power Density، كارايي حذف هورمون ها از فاضلاب را افزايش مي دهند. در نهايت، تجزيه و تحليل حساسيت به روش رگرسيون استاندارد شده انجام شد. با توجه به مقدار ضريب استاندارد شده 875/0 و 882/0 ، به ترتيب براي پارامتر pH هورمون E1 و E2، نشان داد كه pH مهمترين پارامتر در حذف هورمون ها مي‌باشد. نتا يج اين تحقيق نشان مي‌دهد كه روش شبكه عصبي بهينه شده با الگوريتم ژنتيك براي حل مسايل پيچيده‌اي همانند راندمان حذف ريزآلاينده ها از فاضلاب موفق عمل كرده است و همچنين زمان تحليل مسايل با استفاده از روشهاي داده محور نسبت به روشهاي معمول و كلاسيك كاهش يافته است.
چكيده انگليسي :
Estrogens are one of the micro-pollutants in wastewater that are harmful to the environment. There have been many reports of the adverse effects of steroid hormones on humans and aquatic animals. These hormones interfere with the reproduction of humans, livestock, and wild animals, leading to cancers. Among the most important hormones are estrone (E1) and 17-beta-estradiol (E2), which are excreted by all humans and animals. Because biological processes in wastewater treatment plants cannot completely remove micro-pollutants, these compounds are present in wastewater. Therefore, additional methods are needed to remove these compounds from wastewater. One of the most effective methods of removing hormones without producing by-products is ultrasound. Conventional wastewater treatment methods, such as biological methods, do not have the ability to completely remove these compounds from the wastewater.
In recent years, the use of data-driven methods has become an effective tool in solving complex problems, especially problems for which there is no accurate analytical model. These methods help to generalize the scattered data obtained from experiments, and also, these models are suitable for finding the relationship between variables and predicting the rate of deletion and optimizing deletion conditions.
In this study, the removal of two hormones (estrone (E1) and 17-beta estradiol (E2)) from wastewater was modeled and optimized using an ultrasound process using a multilayer artificial neural network (ANN) with a genetic algorithm (GA). . To achieve this, studies published between 2000 and 2021 on several scientific websites were reviewed. Twelve articles related to the topic were extracted and finally, after reviewing the articles, 3 articles were selected for data extraction and modeling.
In this study, the parameters of frequency, time, power density of ultrasound (Power Density), intensity of ultrasound power (Power Intensity) (and pH, were selected as input parameters and rate of hormone removal as output. A multilayer perceptron network). (MLP) was designed as a feed-forward type neural network, a three-layer neural network with a hidden layer, with the initial stop method by randomly dividing the input data set into three parts: training, validation and test, respectively, in proportion 70%, 15% and 15% were designed, the network was trained with various MATLAB toolbox algorithms, and finally, the Levenberg-Marquardt (LM) algorithm was selected according to the maximum correlation coefficient (R = 0.997) and the minimum mean squares. Error (MSE = 0.00062) for E1 hormone (R = 0.997) and (MSE = 0.00045) for E2 hormone the desired number of neurons in the hidden layer was 12. Then the optimal point in the removal efficiency of hormones by genetic algorithm was obtained. The results showed that increasing the pH and Power Density increase the efficiency of removing hormones from the wastewater.Finally, the sensitivity analysis was performed by standard regression method. Ten were done. According to the standardized coefficient values of 0.875 and 0.882, for the pH parameter of hormones E1 and E2, respectively, showed that pH is the most important parameter in the removal of hormones. The results of this study show that the neural network method optimized by genetic algorithm has been successful for solving complex problems such as the efficiency of micropollutants removal from wastewater and also the analysis time using data-driven methods has been reduced compared to conventional and classical methods
