شرکت ملی پالایش و پخش فرآورده های نفتی ایران نشریه علمی فرآیند نو 1735-6466 12 58 2017 08 23 Modeling of permeability of membrane bioreactor system using artificial neural network مدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی 57 69 27826 FA دنیز محسنی دانشجوی کارشناسی ارشد گروه مهندسی شیمی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. محمود همتی پژوهشگاه صنعت نفت_ عضو هیات علمی Journal Article 2015 10 06 Modeling for complex systems such as membrane bioreactor due to run virtual tests a lot in a short time is a powerful tool, however, requires experimental validation and conversion the process to mathematical model. In this study, the modeling of filtering process by using neural network software MATLAB 8.1 (2013) with experimental data from a submerged MBR system that is equipped with Kubota membranes for municipal wastewater treatment with high Mixed Liquor Suspended Solids (MLSS) concentration was investigated.<br />2/3 of empirical data were used for build, training and assessment the network, then the designed network was used to estimate the permeability of 1/3 of the data as well as other similar membrane bioreactor system. trainlm algorithm is applied for training. The value of Coefficient of determination (R^2) for predicting the permeability of 1/3 of datas of the first system is 0/93 and 0/92 for the same system. مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلاب شهری با غلظت مواد جامد محلول (MLSS) بالا استفاده شده است. 2/3 از داده های تجربی جهت ساخت شبکه، آموزش و ارزیابی شبکه استفاده گردید، سپس شبکه طراحی شده جهت تخمین نفوذپذیری 1/3 از داده ها و همچنین سیستم بیوراکتور غشایی مشابه دیگر مورد استفاده قرار گرفت.جهت آموزش شبکه الگوریتم trainlm اعمال شده است. مقدار ضریب تعیین (R^2) جهت پیش بینی نفوذپذیری برای 1/3از داده های سیستم اول 0/93 و در مورد سیستم مشابه 0/92 می باشد. https://www.farayandno.ir/article_27826_cd42a075f19bf80f59b7d826c6c2d43d.pdf