بهینه سازی فرآیند هوادهی در تصفیه فاضلاب
چکیده
با توجه به محوریت داشتن کیفیت آب، صنایع مقیاس بزرگ مانند: تصفیه خانه های فاضلاب از صرفه جویی بالقوه در مصرف انرژی چشم پوشی می نمایند. فرآیند تصفیه فاضلاب شامل تجهیزات انرژی‌بری مانند: پمپ ها و دمنده ها برای حرکت و تصفیه فاضلاب می باشد. در حال حاضر، یک رویکرد داده محور برای مدلسازی فرآیند هوادهی و بهینه سازی فاضلاب در مقیاس بزرگ در غرب مرکزی به کار می رود. به طور خاص، بهینه سازی فرآیند هوادهی به منظور تقلیل مصرف انرژی بدون فدا کردن کیفیت آب صورت می پذیرد. مدل های توسعه یافته توسط الگوریتم های داده کاوی در توسعه روابط روشن و موجز در میان متغیرهای ورودی و خروجی مفید هستند. نتایج نشان می دهد که ضمن حفظ کیفیت آب در درون محدوده آن، می توان صرفه جویی بسیاری در انرژی انجام داد. محدودیت کار نیز مورد بحث قرار گرفته است.
1. مقدمه
به منظور پاکسازی فاضلاب از آلاینده های خاص، تصفیه فاضلاب روش ها و فرآیندهای مختلفی را در بر می گیرد که انرژی‌بر هستند. در ایالات متحده آمریکا، تاسیسات تصفیه فاضلاب به جمع آوری، تصفیه، و توزیع حدود 4 میلیارد گالن پساب تصفیه شده در هر روز از حدود 26 میلیون خانه، کسب و کار، و مراکز تفریحی در سراسر کشور می پردازند (موسسه و شرکت تحقیقات برق، EPRI، 2002). چنین فرآیندهای متحرک و تصفیه ای بیش از 4 درصد مصرف برق ایالات متحده آمریکا را به خود اختصاص می دهند. تقلیل مصرف انرژی تصفیه خانه فاضلاب (WWTP) تنها تا 10٪ می تواند به صرفه جویی سالانه 400 میلیون دلاری یا بیشتر منجر شود (http://water.epa.gov/infr). با توجه به مقررات زیست محیطی، دغدغه صنایع فاضلاب در وهله نخست کیفیت آب می باشد. مصرف انرژی در WWTP عمدتاً به سیستم های مکانیکی سنگین آن مانند: سیستم پشتیبانی هوا و پمپ که مسئول جابجایی و تصفیه فاضلاب هستند نسبت داده می شود (سینگ و همکاران، 2012؛ ژانگ و همکاران، 2016). سیستم پشتیبانی هوا شامل یک گروه دمنده هوا می گردد که اکسیژن مخازن هوادهی را برای از بین بردن ترکیبات آلی و تبدیل آمونیاک تامین می نماید. سیستم پمپ و سیستم پشتیبانی هوا به طور معمول تجهیزات مکانیکی رده 0.5 مگاواتی هستند و بیش از 70٪ مصرف برق WWTP را به خود اختصاص می دهند.
Abstract
Being water quality oriented, large-scale industries such as wastewater treatment plants tend to overlook potential savings in energy consumption. Wastewater treatment process includes energy intensive equipment such as pumps and blowers to move and treat wastewater. Presently, a data-driven approach has been applied for aeration process modeling and optimization of one large scale wastewater in Midwest. More specifically, aeration process optimization is carried out with an aim to minimize energy usage without sacrificing water quality. Models developed by data mining algorithms are useful in developing a clear and concise relationship among input and output variables. Results indicate that a great deal of saving in energy can be made while keeping the water quality within limit. Limitation of the work is also discussed.
1. Introduction
In order to clean wastewater from certain contaminants, wastewater treatment includes different methods and processes that energy intensive. Across USA, wastewater treatment facilities collect, treat, and release about 4 billion gallons of treated effluent per day from about 26 million homes, businesses, and recreational facilities nationwide (Electric Power Research Institute and Inc. (EPRI, 2002). Such moving and treating processes accounts for more than 4% of the US electricity consumption. Minimizing the energy use of WWTPs by just 10% could lead to an annual savings of $400 million or more (http://water.epa.gov/infr). Due to the environmental regulations, wastewater industries are primarily concerned with water quality. The energy consumption in WWTPs is mainly attributed to their heavy mechanical systems, such as the pump and air support systems which are responsible for moving and treating wastewater (Singh et al., 2012; Zhang et al., 2016). The air support system consists of a group of air blowers that provides oxygen to the aeration tanks for removing organic compounds and converting ammonia. Pump system and the air support system are typically 0.5-MW class mechanical equipment and accounts for more than 70% of the electricity consumption of WWTPs.
چکیده
1. مقدمه
2. توصیف داده ها
3. روش راه حل
3.1. انتخاب ویژگی و توصیف پارامتر
3.2. ساخت مدل و پیش بینی پساب ها
3.3. مدل های بهینه سازی فرآیند هوادهی
4. نتایج بهینه سازی
5. نتیجه گیری ها
Abstract
1. Introduction
2. Data description
3. Solution methodology
3.1. Feature selection and parameter description
3.2. Model construction and prediction of effluents
3.3. Aeration process optimization models
4. Optimization results
5. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه