پیش‌بینی کیفیت پساب خروجی با استفاده از شبکه‌های عصبی مصنوعی و مدل‌های هوشمند
تصفیه خانه‌های فاضلاب به عنوان یکی از زیرساخت‌های حیاتی جوامع مدرن، نقش کلیدی در حفاظت از محیط زیست و سلامت عمومی ایفا می‌کنند. با این حال، پایش و کنترل کیفیت پساب خروجی یکی از چالش‌برانگیزترین مسائل در بهره‌برداری از این تأسیسات است. روش‌های سنتی اندازه‌گیری پارامترهایی مانند COD، BOD، TSS و NH4+ مبتنی بر نمونه‌برداری و آزمایش‌های شیمیایی هستند که معایب متعددی دارند: زمان‌بر بودن (اندازه‌گیری BOD حداقل ۵ روز زمان نیاز دارد)، هزینه‌بر بودن، عدم قابلیت پایش لحظه‌ای و عدم امکان واکنش سریع به نوسانات.
در سال‌های اخیر، مدل‌های مبتنی بر هوش مصنوعی و یادگیری ماشین به عنوان سنسورهای نرم (Soft Sensors) راهکاری نوین برای پیش‌بینی لحظه‌ای کیفیت پساب ارائه داده‌اند. این مدل‌ها با استفاده از داده‌های قابل اندازه‌گیری آسان (مانند دبی ورودی، دما، pH، COD ورودی) و به کارگیری الگوریتم‌های پیشرفته، مقادیر پارامترهای خروجی را با دقت قابل قبولی تخمین می‌زنند. مزیت اصلی این روش‌ها، قابلیت پیش‌بینی در زمان واقعی و هزینه عملیاتی بسیار پایین است.
شبکه‌های عصبی مصنوعی (ANN) ساختار، عملکرد و کاربرد
شبکه‌های عصبی مصنوعی (Artificial Neural Networks) الهام گرفته از ساختار مغز انسان، یکی از قدرتمندترین ابزارهای مدلسازی فرآیندهای غیرخطی و پیچیده مانند تصفیه فاضلاب هستند. متداول‌ترین معماری مورد استفاده در پیش‌بینی کیفیت پساب، پرسپترون چندلایه (MLP) است که از سه بخش اصلی تشکیل شده است:
۱. لایه ورودی (Input Layer):
شامل نرون‌هایی است که پارامترهای عملیاتی تصفیه خانه را دریافت می‌کنند. مهم‌ترین پارامترهای ورودی عبارتند از:
دبی ورودی فاضلاب (Qin)
دمای فاضلاب (T)
pH فاضلاب
COD یا BOD ورودی
غلظت لجن فعال (MLSS)
۲. لایه‌های پنهان (Hidden Layers):
یک یا چند لایه که وظیفه استخراج ویژگی‌های غیرخطی و پیچیده از داده‌های ورودی را بر عهده دارند. تعداد نرون‌های لایه پنهان و تعداد لایه‌ها پارامترهای کلیدی در طراحی شبکه هستند که باید بهینه شوند. توابع فعال‌سازی رایج شامل ReLU، Sigmoid و Tanh می‌باشند.
۳. لایه خروجی (Output Layer):
شامل نرون‌هایی است که مقادیر پیش‌بینی شده پارامترهای کیفی پساب را تولید می‌کند. رایج‌ترین پارامترهای خروجی عبارتند از:
COD خروجی
BOD خروجی
TSS خروجی
NH4+ خروجی
نتایج مطالعات تجربی:
یک مطالعه جامع بر روی تصفیه خانه فاضلاب در مراکش نشان داد که مدل ANN-MLP با ۱۰ نرون در لایه پنهان، قادر به پیش‌بینی BOD با ضریب تعیین (R²) ۰.۹۸، COD با R²=0.97 و TSS با R²=0.96 می‌باشد. این دقت بالای پیش‌بینی نشان می‌دهد که شبکه‌های عصبی می‌توانند جایگزینی مناسب برای روش‌های آزمایشگاهی زمان‌بر باشند.
Alireza 
شبکه‌های حافظه کوتاه‌مدت (LSTM) ، مدلسازی داده‌های سری زمانی
تصفیه فاضلاب یک فرآیند ذاتاً وابسته به زمان (Time-Dependent) است؛ به این معنی که وضعیت کیفیت پساب در زمان حال به شدت به شرایط لحظات قبلی وابسته است. شبکه‌های عصبی مصنوعی ساده (ANN) به دلیل عدم در نظر گرفتن وابستگی‌های زمانی، در مدلسازی این نوع فرآیندها با محدودیت مواجه هستند.
شبکه‌های حافظه کوتاه‌مدت (Long Short-Term Memory) نوع خاصی از شبکه‌های عصبی بازگشتی (RNN) هستند که برای یادگیری وابستگی‌های طولانی مدت در داده‌های سری زمانی طراحی شده‌اند. معماری داخلی LSTM شامل سه دروازه اصلی است:
| دروازه | وظیفه |
|---|---|
| Forget Gate | تصمیم‌گیری درباره اینکه چه اطلاعاتی از وضعیت قبلی باید فراموش شوند |
| Input Gate | تصمیم‌گیری درباره اینکه چه اطلاعات جدیدی باید در حافظه ذخیره شوند |
| Output Gate | تصمیم‌گیری درباره اینکه چه اطلاعاتی از حافظه باید به خروجی ارسال شوند |
عملکرد برتر LSTM: یک مطالعه تطبیقی بر روی تصفیه خانه فاضلاب در آفریقای جنوبی، عملکرد سه مدل ANN، LSTM و BiLSTM (LSTM دوطرفه) را در پیش‌بینی پارامترهای COD، آمونیاک، pH و TSS مقایسه کرد. نتایج نشان داد که مدل BiLSTM با نرخ خطای ۳.۱۲ تا ۹.۷۵ درصد برای پارامترهای مختلف، عملکرد بهتری نسبت به سایر الگوریتم‌ها داشته است. دلیل اصلی این برتری، توانایی LSTM در درک الگوهای زمانی و دینامیک فرآیند تصفیه فاضلاب است.
یک مطالعه دیگر در چین نشان داد که مدل LSTM با پنجره زمانی ۱۰ روزه (استفاده از داده‌های ۱۰ روز گذشته برای پیش‌بینی) می‌تواند COD پساب خروجی را با R²=0.94 و MAE=3.89 پیش‌بینی کند که نسبت به ANN ساده (R²=0.89) بهبود قابل توجهی دارد.
مدل‌های Ensemble، افزایش دقت با ترکیب الگوریتم‌ها
مدل‌های Ensemble (مجموعه‌ای) با ترکیب چندین الگوریتم یادگیری، دقت پیش‌بینی را افزایش داده و واریانس مدل را کاهش می‌دهند. سه نوع اصلی Ensemble که در پیش‌بینی کیفیت پساب کاربرد گسترده دارند عبارتند از:
Random Forest (RF)
Random Forest با ساخت تعداد زیادی درخت تصمیم (Decision Tree) بر روی زیرمجموعه‌های تصادفی از داده‌ها و سپس میانگین‌گیری از پیش‌بینی‌های آنها عمل می‌کند. این روش در برابر بیش‌برازش (Overfitting) مقاوم است و می‌تواند اهمیت هر پارامتر ورودی را نیز تعیین کند.
یافته پژوهشی: در مطالعه‌ای بر روی داده‌های یک تصفیه خانه واقعی (۱۰۷۵ نمونه طی سه سال)، مدل Random Forest با MAE=1.61 بهترین عملکرد را برای پیش‌بینی BOD داشت. این مدل توانست مهم‌ترین پارامترهای مؤثر بر BOD خروجی را شناسایی کند.
AdaBoost (Adaptive Boosting)
AdaBoost به صورت متوالی مدل‌های ضعیف (اغلب درخت‌های تک سطحی) را آموزش می‌دهد و در هر مرحله، وزن نمونه‌هایی که قبلاً اشتباه پیش‌بینی شده‌اند را افزایش می‌دهد. نتیجه نهایی ترکیب وزنی از همه مدل‌ها است.
یافته پژوهشی: در مطالعه فوق، مدل AdaBoost برای پیش‌بینی COD عملکرد برتری داشت و موفق به دستیابی به ضریب تعیین (R²) ۰.۸۳ شد.
Gradient Boosting (GBR)
Gradient Boosting مشابه AdaBoost است، اما به جای افزایش وزن نمونه‌های اشتباه، سعی می‌کند خطای باقیمانده مدل قبلی را مستقیماً بهینه کند.
یافته پژوهشی: مدل Gradient Boosting (GBR) با ضریب تعیین ۰.۸۱ برای COD و MAE=6.11، عملکرد قابل قبولی در پیش‌بینی کیفیت پساب نشان داد.
جدول مقایسه عملکرد مدل‌های Ensemble
| مدل | پارامتر | R² | MAE | RMSE | رتبه عملکرد |
|---|---|---|---|---|---|
| Random Forest | BOD | 0.85 | 1.61 | 2.05 | اول |
| AdaBoost | COD | 0.83 | 7.65 | 10.61 | دوم |
| Gradient Boosting | COD | 0.81 | 6.11 | 9.06 | سوم |
مدل‌های پیشرفته Multi-Task Learning و چشم‌انداز آینده
یکی از چالش‌های اساسی در تصفیه خانه‌های فاضلاب، پیش‌بینی همزمان چندین پارامتر خروجی (COD، BOD، TSS، TN، NH4+) و حتی انتشار گازهای گلخانه‌ای (CH4، N2O) است. معماری Multi-Task Learning (MTL) با استفاده از شبکه‌های خبره چندگانه و مکانیزم‌های توجه (Attention)، این قابلیت را فراهم می‌کند.
معماری AttMMoE (Attention-enhanced Multi-gate Mixture-of-Experts)
جدیدترین پیشرفت در این حوزه، مدل AttMMoE است که توسط پژوهشگران چینی در سال ۲۰۲۵ معرفی شد. این مدل از زیرشبکه‌های خبره (Expert Networks) و دروازه‌های خاص هر وظیفه (Task-specific Gates) برای کاهش تداخل بین وظایف ناهمگن استفاده می‌کند. همچنین مکانیزم توجه (Attention) به مدل کمک می‌کند تا مهم‌ترین ویژگی‌ها را برای هر وظیفه شناسایی کند.
دستاورد مهم: مدل AttMMoE قادر است همزمان ۶ پارامتر خروجی (TSS، BOD5، COD، TN، NH4+ و انتشار گازهای گلخانه‌ای) را با دقت متوسط ۹۱ درصد پیش‌بینی کند. این مدل از نظر دقت، به طور متوسط ۲۳.۴٪ بهتر از روش‌های پایه و ۱۲.۵٪ بهتر از مدل MMoE استاندارد عمل کرده است.
چشم‌انداز آینده
جهت‌گیری‌های اصلی تحقیقات آینده در این حوزه عبارتند از:
۱. ترکیب مدل‌های فیزیکی و داده‌محور (Physics-informed ML): ادغام معادلات حاکم بر فرآیندهای تصفیه فاضلاب با مدل‌های یادگیری ماشین برای افزایش قابلیت تعمیم و کاهش نیاز به داده‌های زیاد.
۲. پیش‌بینی بلادرنگ با اینترنت اشیا (IoT): پیاده‌سازی مدل‌های هوشمند بر روی سخت‌افزارهای لبه (Edge Computing) برای پیش‌بینی لحظه‌ای و اتصال به سیستم‌های کنترل (PLC) برای عیب‌یابی خودکار.
۳. توسعه مدل‌های تفسیرپذیر (Explainable AI): ارائه روش‌هایی که نشان دهد مدل چگونه و چرا به یک پیش‌بینی خاص رسیده است تا اعتماد اپراتورهای تصفیه خانه را جلب کند.
نتیجه‌گیری و جمع‌بندی
پیش‌بینی کیفیت پساب خروجی با استفاده از شبکه‌های عصبی مصنوعی و مدل‌های هوشمند، یک راهکار قدرتمند و مقرون‌به‌صرفه برای جایگزینی روش‌های سنتی آزمایشگاهی زمان‌بر و هزینه‌بر است. مدل‌های مختلف با سطوح مختلف پیچیدگی و دقت در دسترس هستند:
| سطح | مدل مناسب | دقت | نیاز به داده | زمان اجرا |
|---|---|---|---|---|
| ساده | ANN با یک لایه پنهان | متوسط (R²≈0.85) | ۱۰۰-۵۰۰ نمونه | کم |
| متوسط | Random Forest یا LSTM | خوب (R²≈0.90) | ۵۰۰-۱۰۰۰ نمونه | متوسط |
| پیشرفته | BiLSTM یا Multi-Task Learning | عالی (R²≈0.95) | >۱۰۰۰ نمونه | زیاد |
انتخاب مدل مناسب به عواملی مانند حجم داده موجود، تعداد پارامترهای قابل پیش‌بینی و منابع محاسباتی در دسترس بستگی دارد. با این حال، نتایج مطالعات متعدد نشان می‌دهد که حتی مدل‌های ساده ANN نیز می‌توانند بهبود قابل توجهی نسبت به روش‌های سنتی ایجاد کنند.
