ترجمه فارسی عنوان مقاله
بررسی تاثیر فصلی بر کیفیت آب دریا با استفاده از برنامه ریزی خطی فازی
عنوان انگلیسی
Assessing the seasonal influence on the quality of seawater using fuzzy linear programming
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
---|---|---|
25181 | 2008 | 8 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Desalination, Volume 230, Issues 1–3, 30 September 2008, Pages 175–182
فهرست مطالب ترجمه فارسی
چکیده
کلید واژه ها
1. مقدمه
2. ساختار این مدل: پس زمینه ی مدل
شکل 1. اندازه گیری های امکانی و ضروری آلفا کوچکتر یا مساوی g.
شکل 2. اندازع گیری امکانی و ضروری آلفا بزرگتر یا مساوی g.
جدول1 aij فواصل فازی
جدول 2
مقادیر bij: جریان آب دریا
3. نتایج و بحث
جدول 3
شوری (mg/L) در درجات متفاوت خوش بینی
جدول 4
مقادیر TDS (ppm) در درجات متفاوت خوش بینی
جدول 5
داده های میدانی: شوری (ppm) و TDS
جدول 6
هزینه ی عملیاتی (10-5 US$) در درجات متفاوت خوش بینی
4. نتیجه گیری
کلید واژه ها
1. مقدمه
2. ساختار این مدل: پس زمینه ی مدل
شکل 1. اندازه گیری های امکانی و ضروری آلفا کوچکتر یا مساوی g.
شکل 2. اندازع گیری امکانی و ضروری آلفا بزرگتر یا مساوی g.
جدول1 aij فواصل فازی
جدول 2
مقادیر bij: جریان آب دریا
3. نتایج و بحث
جدول 3
شوری (mg/L) در درجات متفاوت خوش بینی
جدول 4
مقادیر TDS (ppm) در درجات متفاوت خوش بینی
جدول 5
داده های میدانی: شوری (ppm) و TDS
جدول 6
هزینه ی عملیاتی (10-5 US$) در درجات متفاوت خوش بینی
4. نتیجه گیری
ترجمه کلمات کلیدی
شاخص ضرورت -
ضرایب فازی -
آب شیرین کن -
برنامه ریزی خطی -
کلمات کلیدی انگلیسی
Possibilistic,
Necessity indexes,
Fuzzy coefficients,
Desalination,
Linear programming,
ترجمه چکیده
هدف این مقاله بکار بردن یک رویکرد فازی/ نظریه ی امکان است که بر دریای کاریب متمرکز است. این مدل فازی با در نظر گرفتن رفتار شوری و محتوی جامدات کل حل شده براساس فصل (فصل خشک یا طوفانی) در نظر گرفته شده است. این روش شناسی بر این واقعیت مبتنی است که مقادیر بیشینه/کمینه این پارامتر ها بجای اینکه مقادیر واقعی ثابتی باشند در طول این سال مقادیر هدف هستند. نتایج این مقاله نشان می دهند که هزینه های عملیاتی هر کارخانه ی آب شیرین کن براساس اسمز معکوس می تواند تا بیش از 30% در طول یک سال تغییر کند.
ترجمه مقدمه
در دهه ی اخیر، آب دریا کاربرد های متعددی برای تولید آب آشامیدنی یافته است. در حال حاضر بیش از 15000 واحد در مقیاس صنعتی در سراسر جهان عمل می کنند. پیشرفت های پیوسته در شورزدایی زمانی که با سایر کارخانه ها در تولید آب آشامیدنی مورد مقایسه قرار می گیرد باعث ایجاد هزینه های عملیاتی رقابتی می شود، که آن را تبدیل به تکنولوژی نخست می کند اگرچه اسمز معکوس (RO) تنها تکنولوژی نیست که در حقیقت مورد استفاده قرار می گیرد. طول عمر غشاها در کارخانه های شورزدایی با اسمز معکوس می تواند بطور جدی کیفیت آب دریا یا کیفیت واحد پیش تیماری را تحت تاثیر قرار دهد. کیفیت آب دریا در طراحی واحد پیش تیماری هر کارخانه ی شورزدایی با RO بسیار حائز اهمیت است. توجه به این امر ارزشمند است که پارامترهای عملیاتی (شوری، TDS، دمای ورودی) به فصول (خشک یا بارانی) وابسته هستند طوری که آنها در طول سال ثابت نیستند. این فازی بودن برای ما این امکان را فراهم می کند که این مدل را با شرایط متفاوت در طول سال تطبیق دهیم که در این حال استفاده از برنامه ریزی غیر خطی می تواند باعث ایجاد محدودیت شود.
برنامه ریزی فازی بهره وری کارخانه را با حداقل هزینه تضمین می کند که مستقل از شرایط محیطی و عملیاتی در تمام زمان ها است. مدل های بهینه سازی متعدد با استفاه از تکنیک های متفاوت برای بهینه سازی کارخانه های شورزدایی با RO توسعه یافته اند؛ با این حال، تاثیر فصلی را نمی توان در نظر گرفت.
Maska (1) یک آنالیز از سیستم RO دو مرحله ای را انجام داد. این آنالیز به ماژول های لوله ای محدود شده بود. این نتایج برای اکثریت کارخانه های RO مناسب نیستند چرا که آنها عمدتا از ماژول های مارپیچ انحنادار استفاده می کنند. مطالعات دیگر (2، 3) شرایط عملیاتی ماژول های منفرد اسمز معکوس را بهینه سازی کردند و کارخانه ی RO را به عنوان یک سیستم جهانی بهینه سازی نکردند. 90% آنها توجه بیشتری را به جنبه ی کلی طرح معطوف می کنند. آنها از این اطمینان حاصل کردند که سرعت بهینه در حالت کلی بیشینه ی ممکنی است که به وسیله ی فشار اسمزی آب شور و سنجش های جریان آب شور محدود می شود؛ با این حال، این امر ممکن است در تمام نمونه ها صادق نباشد. از سوی دیگر، تعداد کمی از مقالات مطالعه ی عمیقی از تاثیر فصلی را نشان داده اند و هیچ مرجعی از بهینه سازی کارخانه هایRO آب دریا در دریای کاربین و آمریکای جنوبی یافت نشده است. مهم ترین مقالات بر دریای مدیترانه و خلیج عربی تمرکز کرده اند.
هدف این مطالعه ارزیابی تاثیر فصلی شرایط محیطی (شوری، TDS، دما و غیره) بر هزینه های عملیاتی کارخانه های شورزدایی است. در فصل های بارانی و طوفانی (ژوئن- دسامبر) مقادیر TDS افزایش می یابند که مربوط به مواد حاصل از جاری شدن سیل در شهر ها است و به دلیل رقیق شدن میزان شوری کاهش می یابد. به همین ترتیب، در فصل خشک (ژانویه- می) میزان شوری افزایش می یابد، بنابراین می بایست غشاها را بطور مکرر تعویض نمود.
در طرح های سنتی، مشکل بهینه سازی در شرایط دقیق ریاضی بیان شده است، در بسیاری از مشکلات جهان حقیقی، داده های طراحی تابع هدف و محدودیت ها در شرایط مبهم و زبانی مطرح می شوند. به نظر می رسد که دارا بودن یک حالت گذار از مجوز مطلق به عدم مجوز مطلق معقول تر است. این بر آن دلالت دارد که محدودیتی که قرار است بیان شود شامل اطلاعات مبهم و غیر دقیق است. در این مقاله برنامه های کاربردی متعدد منطق فازی در بهینه سازی گزارش شده اند (4-7).
یک مقاله مروری تاریخی که درباره ی برنامه ریزی ریاضی فازی است در دسته بندی اول مشکلات اخذ تصمیم را تحت اهداف فازی و محدودیت ها برای نخستین بار تیمار می کند و به Bellman و Zadeh (4) اشاره می کند. اهداف فازی و محدودیت ها بیانگر انعطاف پذیری مقادیر هدف توابع هدف و قابلیت ارتجاعی محدودیت ها هستند. از این نقطه نظر، این نوع از برنامه ریزی ریاضی فازی برنامه ریزی انعطاف پذیر نامیده می شود. دسته بندی دوم در برنامه ریزی ریاضی فازی ضرایب مبهم توابع هدف و محدودیت ها را تیمار می کند اما اهداف فازی و محدودیت ها را تیمار نمی کند. Dubois و Prade (8) سیستم های معادلات خطی را با ضرایب مبهم تیمار کردند که بیانگر کاربرد محتمل آن در برنامه ریزی ریاضی فازی برای نخستین بار است. پیشرفت قابل توجهی توسط Kuzmin (9) انجام شد. او چهار شاخص نامساوی را براساس نظریه امکان، نسبت به مشکلات برنامه نویسی ریاضی با ضرایب فازی، بین ارقام فازی وارد کرد. از آنجایی که ضرایب فازی را می توان به صورت توزیع های محتمل بر روی مقادیر ضرایب در نظر گرفت، این نوع از برنامه نویسی ریاضی معمولا برنامه نویسی امکان نامیده می شود.
در واقع، با استفاده از یک رویکرد بهینه سازی امکان، می توان راه حلی را بدست آورد که بیشینه ی میزان رضایت کلی را فراهم کند (10-12). برای تعیین یک راه حل بهینه، مشکلات تصمیم گیری را می توان به صورت یک مدل تصمیم گیری فازی در قالب فرمول درآورد، علی الخصوص زمانی که داده های دردسترس دقیقا مشخص هستند، با این حال این داده ها در یک محدوده ی تحمل محدود در حال تغییر هستند. ضرایب برخی از محدودیت ها ممکن است ارقام فازی باشند و مشکلات فازی اصلی به درون یک مدل پر چین و شکن رضایت بخش منتقل می شوند (13). در این مقاله، یک مدل برنامه نویسی خطی فازی (FLP) در معرض برخی از محدودیت های خطی فازی (12، 14، 15) قرار می گیرند به علاوه برخی از محدودیت های پر چین و شکن توسعه یافته و به درون یک مدل پر چین و شکن انتقال می یابند.