بررسی سناریوهای مختلف کالیبراسیون در مدل بازتوسعه دادهشده BSM1 برای مدلسازی سیستم تصفیه فاضلاب نهراکسیداسیون کاروسل (مطالعه موردی: تصفیهخانه فاضلاب جنوب تهران)
نویسندگان
1 دانشجوی دکتری مهندسی عمران- مهندسی محیطزیست، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.
2 دانشجوی کارشناسی ارشد مهندسی عمران- مهندسی محیطزیست، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.
3 دانشیار دانشکده مهندسی عمران، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.
4 دانشجوی دکتری مهندسی عمران- مهندسی محیطزیست، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.
doi
10.22112/jwwse.2023.379624.1343چکیده
بهدلیل تغییرات پیوسته مشخصات کمی و کیفی فاضلاب ورودی به تصفیهخانه فاضلاب، ارزیابی عملکرد تصفیهخانه و اتخاذ استراتژیهای مناسب و بههنگام ضروری است. اولین گام برای ارزیابی و بهبود عملکرد تصفیهخانهها، مدلسازی تصفیهخانه است. در سالهای اخیر استفاده از نرمافزارهای شبیهسازی و مدلهای ریاضی برای مدلسازی تصفیهخانه فاضلاب توسعه یافته است. کالیبراسیون مهمترین قدم در مدلسازی بهشمار میرود، زیرا که کالیبراسیون نامناسب نتایج را غیرواقعی و یا همراه با خطای زیاد نشان میدهد. هدف از این مطالعه کاربردی، بازتوسعه مدلBSM1 1 و ارائه سناریوهای مختلف کالیبراسیون بهمنظور مدلسازی سیستم نهراکسیداسیون کاروسل در مقیاس واقعی است تا بتوان از مدلی با دقت بالا برای اهداف بعدی همچون اعمال استراتژیهای کنترل و بهبود عملکرد تصفیهخانه تحت شرایط بهرهبرداری مختلف استفاده کرد. مدل توسعهدادهشده بر روی مدول 5 و 6 تصفیهخانه فاضلاب جنوب تهران پیادهسازی شد. پس از تعیین مدلهای فرایندی مناسب برای واحدهای مختلف تصفیهخانه فاضلاب، کالیبراسیون مدل براساس پروتکلGMP 2 و تحت دو سناریوی 1) کالیبره کردن پارامترها بهصورت یکباره و 2) کالیبره کردن پارامترها بهصورت گامبهگام انجام شد. در هریک از سناریوهای ذکر شده، دو تابع هدف درنظر گرفته شده است تا اثر متغیرهای اصلی شامل COD ، TSS و TN و متغیرهای فرعی شامل X (MLSS3 تانک هوادهی) و Xr (MLSS لجن برگشتی) درنظر گرفته شود. در فرایند کالیبراسیون از الگوریتم ژنتیک برای بهینهسازی توابع هدف استفاده شده است. نتایج نشانداد که در کالیبراسیون استاتیک، میزان خطای متوسط همه متغیرها و نیز متغیرهای درنظر گرفتهشده در تابع هدف در سناریو 2 نسبت به سناریوی 1 بهمیزان قابلتوجهی کاهش مییابد که مقدار آنها در سناریوی 2 برای تابع هدف 1 و 2 بهترتیب 8/7%، 8/7%، 2/8% و 3/4% است. همچنین با درنظر گرفتن تعداد متغیر بیشتر در تابع هدف، خطای تجمعی همه متغیرها کاهش مییابد. در کالیبراسیون دینامیک میزان خطای متوسط مدل در تخمین میزان TSS، COD و TN بهترتیب 8/29%، 8/19% و 3/10% بهدست آمد.