การคาดการณ์ปริมาณคลอรีนตกค้างในระบบการผลิตน้ำประปาด้วยโครงข่ายประสาทเทียม

Residual chlorine prediction in water treatment system using artificial neural networks

Name: โกสินทร์ พัตรานนท์

ThaSH: คลอรีน -- การวัด

ThaSH: น้ำประปา -- การผลิต

ThaSH: นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)

Abstract: งานวิจัยนี้ได้นำโครงข่ายประสาทเทียมมาสร้างเป็นแบบจำลองเพื่อใช้คาดการณ์ปริมาณคลอรีนตกค้างที่ออกจากโรงงานผลิตน้ำบางเขน การประปานครหลวง เนื่องจากการสร้างแบบจำลองทางคณิตศาสตร์ของระบบที่มีความซับซ้อนทำได้ยาก จึงเกิดปัญหาในการกำหนดปริมาณคลอรีนที่ควรเติม แต่ด้วยการเก็บข้อมูลที่พอเพียง จึงสามารถสร้างแบบจำลองได้ง่ายขึ้น ด้วยการใช้โครงข่ายประสาทเทียม การสร้างแบบจำลองดำเนินการโดยศึกษาและจำแนกข้อมูลด้านเข้าและด้านออก เช่น ปริมาณคลอรีนตกค้าง การจ่ายคลอรีนในระบบผลิต อัตราการไหลของน้ำประปา เป็นต้น โดยรวบรวมข้อมูลปี พ.ศ. 2554 ทุกๆ 2 ชั่วโมง ซึ่งสามารถจำแนกข้อมูลออกเป็นกลุ่มเพื่อใช้ในการสร้างแบบจำลองจากพฤติกรรมของผู้ใช้น้ำและการเติมคลอรีนของเจ้าหน้าที่ในกระบวนการผลิต จากการวิจัยสรุปได้ว่าโครงข่ายแบบป้อนไปข้างหน้าที่มี 10 อินพุต มีจำนวนนิวรอนในชั้นซ่อนเท่ากับ 18 นิวรอนและมี 1 เอาต์พุต มีผลรวมค่าผิดพลาดกําลังสองเฉลี่ย จากกระบวนการเรียนรู้เท่ากับ 0.008 เหมาะสมกับชุดข้อมูลการผลิตน้ำประปาในสภาวะที่น้ำดิบ มีคุณภาพดี และเมื่อทำการทดสอบด้วยข้อมูลที่ได้สะสมไว้และทดสอบใช้งานแบบจำลองจริง ณ ห้องปฏิบัติการควบคุมคุณภาพน้ำ พบว่าแบบจำลองคาดการณ์ปริมาณคลอรีนตกค้างผิดพลาดในช่วง ± 0.2 ppm ซึ่งอยู่ในเกณฑ์มาตรฐานที่โรงงานผลิตน้ำบางเขนกำหนด ซึ่งเป็นผลดีต่อสุขภาพและความพึงพอใจของผู้บริโภค

Abstract: This thesis applies an Artificial Neural Network (ANN) to build a model for predicting residual chlorine levels at the Metropolitan Waterworks Authority Bangkhen (MWAB). This plant is so complex that a simple mathematical model can hardly be obtained resulting to difficulty in added chlorine level determination in treatment process. With the prior collected chemical uses data, thus ANN is a promising method to build a mathematical model of water treatment process. This process has several parameters such as water distribution flow rate, dosed chlorine and residual chlorine in water treatment process. These parameters can be classified by behavior of consumer and chlorine dosed by chemists. The network models were trained by using of a set of real data sampled every 2 hours in the year of 2011. Finally, a best chosen network model has structure of 10-18-1 feedforward network with the performance of 0.008 in mean sum of square error. The validation and implementation of model at Bangkhen water quality analysis laboratory show that a accurate prediction of ± 0.2 ppm. This error is accepted by MWAB. In conclude, the designed ANN model makes a good deal for high quality water distribution, low decay rate of chlorine, high consumer satisfaction and good health.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: สุขสันติ์ นุ่นงาม

Role: ที่ปรึกษาวิทยานิพนธ์

Email : suksunn@kmutnb.ac.th

Name: พูลศักดิ์ โกษียาภรณ์

Role: ที่ปรึกษาวิทยานิพนธ์

Email : pks@kmutnb.ac.th

Created: 2554

Modified: 2555-10-31

Issued: 2555-10-31

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: วพ MEE ก966พ

tha

DegreeName: วิศวกรรมศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมไฟฟ้า

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15579207.pdf	1.43 MB	119	2022-01-24 21:40:37

ใช้เวลา

0.035985 วินาที