Analysis of Sewage Treatment Plant’s Data to evaluate Quality of Effluent using Experimental Results and Prediction based on Artificial Intelligence Models (Case Study: Tehran Wastewater Treatment Plant)
تقيم هذه الدراسة أداء نماذج الشبكة العصبية الاصطناعية (ANN)، والمنطق الضبابي (FL)، ونظام الاستنتاج الضبابي العصبي التكيفي (ANFIS)، المعززة بتحليل المكونات الرئيسية (PCA)، للتنبؤ بجودة المياه الخارجة في محطة معالجة مياه الصرف الصحي في طهران، مما يثبت في النهاية أن نموذج (ANFIS) يقدم أعلى دقة في التنبؤ بكفاءة إزالة الملوثات.
تُعد المياه شريان الحياة للمدن الحديثة، ولكن مع تضخم السكان وتضاؤل المصادر النظيفة، أصبحت المياه التي نصرفها مورداً لا يمكننا تجاهله بعد الآن. تعمل محطات معالجة مياه الصرف الصحي البلدية بمثابة المرشحات العظيمة لحضارتنا، حيث تأخذ المياه الملوثة من المنازل والصناعات وتقوم بتنظيفها حتى تصبح آمنة بما يكفي لإعادتها إلى البيئة أو حتى إعادة استخدامها في الزراعة. ومع ذلك، فإن هذه المحطات هي آلات معقدة تتفاعل فيها العمليات الكيميائية والبيولوجية بطرق غالباً ما تكون فوضوية وغير متوقعة. وتكافح الرياضيات التقليدية لاستيعاب هذه الفوضى لأن العلاقات بين درجة حرارة الماء، وحموضته، وكمية النفايات التي يحملها نادراً ما تكون خطوطاً مستقيمة. ولإدارة هذه المحطات بفعالية، يحتاج المهندسون إلى معرفة مدى نظافة المياه الخارجة بدقة، لكن الانتظار لأيام للحصول على نتائج المختبر قد يكون بطيئاً جداً لاتخاذ قرارات سريعة. وهنا يبرز وعد الذكاء الاصطناعي، الذي يقدم وسيلة للتعلم من البيانات الماضية للتنبؤ بالمستقبل بسرعة ودقة.
وفي دراسة حديثة ركزت على منشأة معالجة كبرى في طهران بإيران، سعى الباحثون لاختبار ما إذا كانت النماذج الحاسوبية قادرة على التنبؤ بدقة بجودة المياه الخارجة من المحطة. لقد جمعوا بيانات من واقع الحياة لمدة عام كامل، وتتبعوا كل شيء بدءاً من كمية المواد العضوية والمواد الصلبة العالقة الداخلة إلى النظام وصولاً إلى درجة حرارة الماء وحموضته. ثم بنى الفريق ثلاثة أنواع مختلفة من "الأدمغة" الرقمية لتحليل هذه المعلومات. كان الأول هو الشبكة العصبية الاصطناعية، وهي نظام مصمم لمحاكاة الطريقة التي تتصل بها الخلايا العصبية البشرية وتتعلم. والثاني كان نموذج المنطق الضبابي، الذي يتعامل مع عدم اليقين باستخدام قواعد تسمح بوجود درجات من الرمادي بدلاً من الإجابات القاطعة بنعم أو لا. والثالث كان نظاماً هجيناً يسمى نظام الاستدلال العصبي الضبابي التكيفي، والذي يجمع بين سرعة التعلم للشبكة العصبية والاستدلال القائم على القواعد للمنطق الضبابي. ولرؤية ما إذا كان تبسيط البيانات سيساعد، قاموا أيضاً بتشغيل هذه النماذج مرتين: مرة باستخدام جميع القياسات الخام، ومرة بعد استخدام طريقة إحصائية لتجريد المعلومات الزائدة والاحتفاظ فقط بالعوامل الأكثر أهمية.
اكتشف الباحثون أن جميع الأنظمة الحاسوبية الثلاثة كانت قادرة على تعلم أنماط محطة المعالجة، ولكن أحدها برز كأكثرها موثوقية بشكل ملحوظ. فقد أثبت النظام الهجين، الذي يمزج بين الشبكات العصبية والمنطق الضبابي، أنه الأكثر دقة في التنبؤ بجودة المياه النهائية. وعندما قارن الفريق تخمينات الكمبيوتر مع نتائج المختبر الفعلية، كان هذا النموذج الهجين أقل ارتكاباً للأخطاء مقارنة بالنماذح الأخرى، حيث قلل متوسط الخطأ بنسبة تقارب 14 بالمائة مقارنة بنموذج المنطق الضبابي وبنسبة تزيد عن 8 بالمائة مقارنة بالشبكة العصبية وحدها. ومن المثير للاهتمام أن الدراسة وجدت أن تغذية الكمبيوتر بعدد أقل من المتغيرات المختارة بعناية لم يؤدِ دائماً إلى تحسين النتائج؛ بل في الواقع، أدى استخدام المجموعة الكاملة من البيانات في بعض النماذج إلى تحقيق تنبؤات أفضل. وهذا يشير إلى أنه بينما يمكن أن يكون تبسيط البيانات مفيداً، فإن العلاقات المعقدة في معالجة مياه الصرف الصحي غنية بما يكفي بحيث إن التخلص من المعلومات قد يخفي أحيالاً أدلة مهمة.
وبعيداً عن مجرد التنبؤ بالأرقام، أكدت الدراسة أن محطة المعالجة نفسها تعمل بشكل استثنائي. فمن خلال حساب كمية التلوث التي تمت إزالتها، وجد الباحثون أن المنشأة تقضي على حوالي 96.68 بالمائة من إجمالي المواد الصلبة العالقة، وهي الجزيئات الصلبة الصغيرة التي تطفو في الماء. وكانت معدلات الإزالة للملوثات الأخرى، مثل المواد العضوية التي تستهلك الأكسجين في الأنهار، مرتفعة بنفس القدر تقريباً. وقد تمكنت النماذج الحاسوبية من محاكاة هذا المستوى العالي من الكفاءة بدقة ملحوظة، مما يثبت أنها يمكن أن تعمل كأداة موثوقة للمشغلين. وبدلاً من انتظار الاختبارات المختبرية البطيئة، يمكن لمديري المحطات استخدام هذه النماذج للحصول على تقدير فوري ودقيق لمدى نظافة المياه، مما يسمح لهم بتعديل عملية المعالجة في الوقت الفعلي. إن هذا العمل يثبت أن الذكاء الاصطناعي ليس مجرد مفهوم نظري، بل هو وسيلة عملية وفعالة وموثوقة لضمان أن المياه التي نعيد استخدامها آمنة للأرض وللناس الذين يعتمدون عليها.
ملخص تقني: تحليل بيانات محطة معالجة مياه الصرف الصحي لتقييم جودة المياه الخارجة باستخدام النتائج التجريبية والتنبؤ القائم على نماذج الذكاء الاصطناي
بيان المشكلة تتطلب الحاجة العالمية المتزايدة للمياه، والمدفوعة بالنمو السكاني والموارد المحدودة، إعادة الاستخدام الموثوقة لمياه الصرف المعالجة للري الزراعي. ومع ذلك، فإن نمذجة عمليات معالجة مياه الصرف الصحي أمر صعب بطبيعته بسبب الطبيعة غير الخطية لعمليات المعالجة وتغير خصائص المياه الداخلة (مثل معدلات التدفق، وأنواع المركبات العضوية وغير العضوية). غالبًا ما تعتمد النماذج الرياضية الخطية التقليدية على الفرضيات والاحتمالات، مما يوفر تقديرات فقط بدلاً من تنبؤات دقيقة. وبناءً على ذلك، هناك حاجة إلى تقنيات نمذجة متقدمة غير خطية يمكنها التنبؤ بدقة بجودة المياه الخارجة لتسهيل التخطيط المنهجي والتحكم التشغيلي دون التكاليف الباهظة المرتبطة بالقياسات التجريبية طويلة الأمد.
المنهجية استخدمت هذه الدراسة بيانات من محطة معالجة مياه الصرف الصحي في مدينة ورامین بتهران، إيران، والتي تستخدم عملية التهوية الممتدة للحمأة المنشطة (EAAS) مع إزالة النيتروجين. ركز البحث على التنبؤ بجودة المياه الخارجة بناءً على معاملات مدخلات محددة.
جمع البيانات ومعالجتها مسبقًا:
المدخلات: تم تحليل بيانات لمدة عام واحد، تشمل معاملات المياه الداخلة (درجة الحرارة، الأس الهيدروجيني pH، الطلب البيوكيميائي على الأكسجين BOD، الطلب الكيميائي على الأكسجين COD، إجمالي المواد العالقة TSS) ومعاملات حوض التهوية (MLSS، MLVSS، SVI).
المخرجات: تركيزات المياه الخارجة لكل من BOD وCOD وTSS.
معالجة البيانات: تمت إزالة القيم المتطرفة والبيانات غير الجوهرية. تم استخدام تحليل المكونات الرئيسية (PCA) لتقليل أبعاد متغيرات المدخلات، بهدف تحديد المكونات الرئيسية وتحسين دقة النموذج مع تقليل التعقيد الحسابي.
تطوير النماذج: تم تطوير ومقارنة ثلاثة نماذج للذكاء الاصطناي (AI):
الشبكة العصبية الاصطناعية (ANN): شبكة عصبية أمامية (FFNN) باستخدام بنية الإدراك متعدد الطبقات (MLP) مع دالة انتقال سيجمويد (sigmoid) وخوارزمية تدريب ليفنبرج-ماركوارديت (Levenberg-Marquardt).
المنطق الضبابي (FL): نظام استدلال ضبابي من نوع مامداني (Mamdani-type) باستخدام دوال عضوية مثلثية وشبه منحرفة.
نظام الاستدلال العصبي الضبابي التكيفي (ANFIS): نظام هجين يجمع بين الشبكات العصبية والمنطق الضبابي (نوع سوغينو - Sugeno type) للتعلم التكيفي من بيانات التدريب.
التصميم التجريبي: تمت نمذجة ثلاث سيناريوهات متميزة لكل معامل مخرج (BOD، COD، TSS). تم اختبار كل سيناريو في تكوينين:
بدون استخدام PCA: باستخدام جميع متغيرات المدخلات الـ 11 الأصلية.
باستخدام PCA: باستخدام 4 متغيرات مدخلة مختزلة مستمدة من طريقة PCA. تم تقسيم البيانات إلى مجموعات تدريب (70%)، واختبار (15%)، وتحقق (15%).
تقييم الأداء: تم تقييم دقة النموذج باستخدام المؤشرات الإحصائية: معامل الارتباط (R)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق (MAPE). بالإضافة إلى ذلك، تم حساب "مؤشر الإنتاجية" (كفاءة الإزالة) لمقارنة قدرة النماذج على محاكاة خفض الملوثات مقابل أداء المحطة الفعلي.
النتائج الرئيسية
أداء النموذج: أظهر نموذج ANFIS أداءً فائقًا مقارنة بكل من نموذجي ANN وFL في جميع السيناريوهات.
الدقة: حقق نموذج ANFIS أعلى معاملات ارتباط وأقل معدلات خطأ. وتحديدًا، أظهر نموذج ANFIS انخفاضًا في متوسط الخطأ بنسبة 13.92% مقارنة بنموذج FL و8.22% مقارنة بنموذج ANN.
تأثير PCA: كانت نتائج تطبيق PCA مختلطة. فبينما حسن PCA دقة نموذج ANN في السيناريوهين الأول والثالث (تحديدًا لـ BOD وTSS)، إلا أنه أثر سلبًا على أداء النماذج والمعاملات الأخرى، مثل زيادة RMSE لـ COD في نموذج ANN. ويشير المؤلفون في الاستنتاجات إلى أن استخدام PCA "أثر سلبًا على أداء التنبؤ لبعض النماذج بمتوسط خطأ قدره 3.615%"، مما يشير إلى أنه بينما ظلت القدرة التنبؤية عالية، فإن تقليل الأبعاد لم يعزز الدقة بشكل شامل عبر جميع المقاييس.
كفاءة الإزالة: حسبت الدراسة كفاءة الإزالة للملوثات. حققت المحطة الفعلية أقصى كفاءة إزالة بنسبة 96.68% لإجمالي المواد العالقة (TSS). وقد حاكت نماذج الذكاء الاصطناي هذه النتائج بدقة، حيث قدر نموذج ANFIS كفاءة إزالة TSS بنسبة 96.75% (بدون PCA) و96.61% (مع PCA).
التحليل المقارن: في حين اعتُبرت النماذج الثلاثة (ANN، FL، ANFIS) قادرة على التنبؤ بجودة المياه الخارجة، إلا أن ANFIS قدم باستمرار أفضل توازن بين سرعة التدريب ودقة التنبؤ. لوحظ أن نماذج FL تستغرق وقتًا طويلاً في التدريب، وبينما يوفر ANFIS السرعة، إلا أنه قد يصبح معقدًا إذا كان عدد المدخلات مرتفعًا جدًا بسبب الزيادة الأسية في القواعد الضبابية.
الأهمية والادعاءات يخلص البحث إلى أن نماذج شبكة الذكاء الاصطناعي (AIN) هي نهج بسيط ودقيق وفعال وموثوق للتنبؤ بجودة المياه الخارجة من محطات معالجة مياه الصرف الصحي البلدية.
الفائدة التشغيلية: تؤكد الدراسة أن هذه النماذج يمكن أن تعمل كأدوات فعالة للمشغلين لفهم ومحاكاة السلوك غير الخطي لمحطات المعالجة، مما يساعد في اتخاذ القرار فيما يتعلق بإعادة استخدام المياه وحماية البيئة.
القيمة المنهجية: يسلط البحث الضوء على أنه بينما يمكن لطرق الإحصاء متعدد المتغيرات مثل PCA تقليل متغيرات المدخلات، فإن تأثيرها على دقة التنبؤ النهائية متغير ويمكن أن يؤدي أحيانًا إلى تدهور الأداء (كما لوحظ في زيادة متوسط الخطأ). ومع ذلك، فإن النتيجة الجوهرية هي أن نماذج الذكاء الاصطناي، وخاصة ANFIS، تحافظ على صلاحية تنبؤية عالية حتى مع مجموعات المدخلات المختزلة.
الموثوقية: إن التطابق الوثيق بين كفاءة الإزالة التي تنبأت بها النماذج وأداء المحطة الفعلي (على سبيل المثال، ~96% لـ TSS) يثبت صلاحية استخدام أدوات الذكاء الاصطناي هذه كبدائل أو مكملات للمراقبة التقليدية، مما يوفر الوقت والموارد المرتبطة بالاختبارات اليدوية (مثل قياس BOD5 لمدة 5 أيام).
يؤكد المؤلفون أن اختيار نموذج محدد (ANN أو FL أو ANFIS) يجب أن يعتمد على الأهداف المحددة للدراسة، ولكن لأغراض التنبؤ عالي الدقة بجودة المياه الخارجة في هذا السياق، فإن ANFIS هو الخيار الأكثر ملاءمة.