مواد زائد جامد شهری به سوخت های حمل و نقل مایع – بخش سوم: چارچوب مدیریت زنجیره تامین ملی مبتنی بر بهینه سازی

Municipal Solid Waste to Liquid Transportation Fuels – Part III: An Optimization-Based Nationwide Supply Chain Management Framework

چکیده
1. مقدمه
2. بررسی سوابق پژوهشی
3. پالایشگاه های WTL
4. میزان دسترسی به مواد اولیه MSW
5. منابع آب
6. مکان های پالایشگاه WTL انتخابی
7. مکان های تحویل رد شده MSW
8. محل های تحویل سوخت های مایع
9. هزینه های حمل و نقل
10. مدل بهینه سازی زنجیره تامین انرژی MSW
11. آمارهای مدل بهینه سازی زنجیره تامین انرژی
12. مطالعه موردی بهینه سازی زنجیره تامین WTL در سراسر کشور
13. مطالعات موردی بهینه سازی زنجیره تامین WTL در سراسر کشور
14. نتیجه گیری
منابع

چکیده
چارچوب مدیریت زنجیره تامین مبتنی بر بهینه سازی برای فرایندهای تبدیل زباله جامد شهری (MSW) به سوخت های مایع جهت حمل و نقل (WTL) ارائه شده است. ابتدا، تحلیلی کامل از عملیات دفن زباله، و مقادیر سالیانه MSW در سراسر ایالات متحده انجام شده و با مطالعات مشابه کامل شده است. یک چارچوب کمی زنجیره تامین که به طور همزمان عملیات زنجیره ارزش WTL بالادست و پایین دست را محاسبه می کند پس از آن ارائه شده است. مدل بهینه سازی خطی در مقیاس بزرگ که تعامل میان موجودی مواد اولیه MSW و مکان ها، مکان های پالایش WTL، و مکان های تحویل محصول و ظرفیت های تقاضا را بیان می کند، توصیف شده است. مدل برای زنجیره تامین WTL در سراسر کشور و همچنین سراسر ایالت در مطالعات موردی متعدد حل شده است. نتایج چارچوب دیدگاه های استراتژیکی را در رابطه با قرارگیری استراتژیک پالایشگاه های WTL در ایالات متحده را ارائه کرده و همچنین اطلاعات توپولوژیکی مربوط به جریان مواد اولیه و محصولات را بیان می کند. نتایج نشان می دهند که زنجیزه تامین WTL در مقیاس بزرگ می تواند رقابتی بوده و حتی قیمت های نفت بین 64 تا 77 دلار برای هر بشکه را بشکند.

2. بررسی سوابق پژوهشی
در حالیکه مطالعات متعددی در سوابق پژوهشی وجود داشته که به بررسی زیست توده در زنجیره های تامین انرژی می پردازند، اما مدیریت زنجیره تامین زباله های جامد شهری از منظر سیستم ها، کمتر مورد مطالعه قرار گرفته است. مروری بر سوابق در موارد [3] و [14] ارائه شده است. در این بخش، بررسی کوتاهی از سیستم های مدیریت زباله های جامد شهری انجام شده است.

چندین مقاله در سوابق پژوهشی به بحث در مورد روش های مدیریت زباله های شهری در کشورهای مختلف پرداخته اند، از جمله پرتغال [15]، هند [16]، و ایالات متحده [17]. پیرس و ترنر به بحث در مورد مدیریت زباله جامد شهری در بستر وسیع تر سیاست های اقتصادی و زیست محیطی پرداختند [18]. بیگل و همکاران [19] مدل های منتشر شده برای تولید زباله های جامد شهری را مورد بررسی قرار داده و دستورالعمل هایی را برای مدیریت زباله های جامد شهری پیشنهاد کردند. لاکووو و همکاران [20] به بحث و بررسی فرایند تصمیم گیری استراتژیک، عملیاتی و تاکتیکی در زمینه زنجیره تامین زیست توده به انرژی زباله های پرداختند.

هوانگ و همکاران [21] یک مدل برنامه ریزی استراتژیک چند مرحله ای را برای تولید اتانول مبتنی بر بیو ضایعات در کالیفرنیا پیشنهاد کردند. چن و فن [22] به بررسی ابهامات در تقاضای آینده و تامین مواد اولیه زنجیره تامین بیو اتانول مبتنی بر ضایعات از طریق یک مدل برنامه تصادفی عدد صحیح مورد بررسی کرده و آن را بر تولید سوخت های زیستی در کالیفرنیا اعمال کردند. قوس و همکاران [23] یک مدل مسیریابی سیستم اطلاعات جغرافیایی برای ردیابی مسیرهای کم هزینه برای ضایعات جامد در یک شهرداری در هند را تهیه کردند.

بهینه سازی فرآیند تهویه در تصفیه فاضلاب: یک روش داده کاوی

Wastewater treatment aeration process optimization: A data mining approach

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

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.

5- نتیجه گیری ها

تحقیق اجرا شده در اثر حاضر بر مبنای داده های جمع آوری شده 3 سال از DWSD بود. از چهار مدل داده کاوی مشهور انتخابی، مدل های توسعه یافته توسط MARS بهترین برآورد را برای CBOD پساب، TSS پساب، میانگین DO، TDP پساب و TSP پساب ارائه می نمایند. در مجموع، دو مدل بهینه سازی با مجموعه متفاوتی از محدودیت های کنترل تدوین گردیدند. مدل ها با ملاحظات مقرر برای بهبود انرژی و کیفیت آب بهینه سازی شدند. نتایج به دست آمده در سناریو انرژی محور، کاهش بیش از 31٪ را در نرخ جریان هوا ضمن حفظ کیفیت آب در محدوده قابل قبول موجب شد. با توجه به فقدان داده های بسیار فراوان مانند CBOD، TSS، نتایج بهینه سازی شده نویز بیشتری داشت. برای توسعه یک سیستم کنترل بهتر به نمونه برداری فراوان تر متغیرهای درونریز نیاز است.

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.

5- Conclusions

The research performed in the present work was based on 3 years of data collected form DWSD. Of four well known data mining models selected, the models developed by MARS provided the best estimation of effluent CBOD, effluent TSS, average DO, effluent TDP, and effluent TSP. Overall, two optimization models were formulated with different set of control limits. The models were optimized with due consideration of energy and water quality improvements. Results obtained in energy oriented scenario yielded more than 31% reduction in the airflow rate while keeping the water quality within acceptable range. Due to lack of high frequent data such as CBOD, TSS, the optimized results had more noise. For developing a better control system, more frequent sampling of those influent variables is needed.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهینه سازی فرآیند تهویه در تصفیه فاضلاب: یک روش داده کاوی

Wastewater treatment aeration process optimization: A data mining approach

مدل سازی ANFIS برای تشخیص باکتری بر سنسور زیستی GNR

ANFIS modeling for bacteria detection based on GNR biosensor

چکیده

مقدمه

آزمایشات

مدل پیشنهاد شده

مدل ANFIS

پیش بینی سنسورهای زیستی باکتریایی با استفاده از مدل ANFIS

نتایج

پایان

چکیده

پیشینه تحقیق: یکی از آلوتروپ های کربن، گرافن با ساختاری شش گوشه است که به صورت لایه ایی و در دو بعد گسترش می یابد. این ساختار دو بعدی با ایجاد سطح و ارتفاع بزرگتر، حساسیت بیشتری در نانوسنسورهای مبتنی بر گرافن، فراهم می کند. به علاوه به دلیل ویژگی های خاص گرافن مثل خواص الکتریکی، نوری و فیزیکی از آن به عنوان یک کاندید مناسب تر نسبت به دیگر مواد، جهت استفاده در سنسورها یاد می شود.
نتیجه: در این پژوهش، یک مجموعه از مدل های جدید با به کارگیری اثر میدان ترانزیستور (FET)، ساختارهای گرافن مورد استفاده را ایجاد کرده و از مشخصات جریان- ولتاژ (I-V) گرافن استفاده شد تا مکانیزم حساسیت را مدل سازی کند. از یک سیستم استنتاج عصبی-فازی سازگار (ANFIS)نیز استفاده شد تا مدل دیگری برای مشخصات جریان- ولتاژ (I-V) فراهم کند.
نتایج: مشاهده شد که رسانایی گرافن، زمانی که در معرض باکتری با غلظت cfu/ mL 104-0 قرار می گیرد، به شدت افزایش می یابد. بنابراین، نتایج نشان داد که مدل پیشنهاد شده سازگاری قابل قبولی با داده های آزمایشگاهی دارد و این سنسور زیستی می تواند با سطح حساسیت بالاتری، باکتری E. coli را شناسایی کند.

مقدمه

کشف باکتری Escherichia coli در تاریخ بشریت به سال 1885 میلادی باز می گردد و منسوب به باکتری شناس آلمانی TheodorEscheric است. او به رابطه ی بین تغییر شکل های خاص باکتری ها با اسهال و بیماری های گوارشی در نوزادان پی برد که یافته قابل توجهی در زمینه بهداشت عمومی بود. بنابراین به پاس تلاش های او نام این باکتری ها از Bacterium Coli به Escherichia coli تغییر یافت. قابل ذکر است که اغلب باکتری های E.coli باعث ایجاد هیچ گونه بیماری در انسان نمی شوند و حتی بعضا در جهت بهبود سلامت انسان عمل می کنند. اما برخی از این باکتری ها باعث ایجاد عفونت هایی شده که در گوارش اختلال ایجاد نمی کنند اما حجم ادرار را افزایش می دهند. E.coli ها در ساختار چندین سنسور زیستی مثل سنسورهای زیستی نوری، سنسورهای مبتنی بر فوتو دیود، سنسورهای زیستی راهنمای موج یک پارچه ، تکنیک های حساسیت الکتروشیمیایی یا سنسورهای زیستی نانو لوله های کربنی مبتنی بر یک ساختار FET که حد حساسیت خیلی بالایی دارند، مورد استفاده قرار گرفته اند. با این حال اغلب این آزمایشات به برچسب های خاص، برای تشخیص باکتری نیاز داشتند و بنابراین یک روش ساده تر مورد نیاز بود. بسیاری از سنسورهای ساخته شده قابل کنترل نیستند یا میزان حساسیت آن ها به طور قابل توجه ایی کمتر از حد مورد انتظار است. خواص و اسامی نانو مواد استفاده شده در سنسورهای E.coli به عنوان بخشی از نانوبیو تکنولوژی در جدول 1 آمده است.

نتیجه گیری

گرافن،وقتی در تماس با E. coliقرار گیرد، تغییرات قابل اندازه گیری در رسانایی را نشان می دهد. بنابراین پیشنهاد داده شد تا از این رفتار گرافن برای شناسایی این نوع باکتری استفاده شود. مشتق پارامتر کنترل غلظت باکتری(ψ) به یک مدل تحلیلی معرفی شده و مکررا محاسبه شد. سنسور تولید شده نیاز به برچسب ندارد، سریع و به شدت حساس است و باکتری های E. coli حتی در غلظت های کمتر از cfu/mL10 را شناسایی می کند. با مقایسه ی بین نتایج فراهم شده از مدل های تحلیلی و ANFIS می توان تخمین دقیق تری زد . با کمک این مدل ها یک شناخت واقعی از کارآیی سنسور زیستیِ در معرض E. coli بدست می آید که می تواند نیاز به انجام آزمایش های تجربی را حداقل کند.

Abstract

BACKGROUND: Graphene is an allotrope of carbon with two-dimensional (2D) monolayer honeycombs. A larger detection area and higher sensitivity can be provided by a graphene based nanosenor because of its two-dimensional structure. In addition, owing to its special characteristics including electrical, optical and physical properties, graphene is a known more suitable candidate than other materials for use in sensor applications.
RESULT: In this research, a set of novel models employing field effect transistor (FET) structures using graphene has been proposed and the current–voltage (I-V) characteristics of graphene have been employed to model the sensing mechanism. An adaptive neuro fuzzy inference system (ANFIS) algorithm has been used to provide another model for the current–voltage (I-V) characteristic.
CONCLUSION: It has been observed that the graphene device experiences a large increase in conductance when exposed to Escherichia coli bacteria at 0–104 cfu mL−1 concentrations. Accordingly, the proposed model exhibits satisfactory agreement with the experimental data and this biosensor can detect E. coli bacteria providing high levels of sensitivity.

INTRODUCTION

The discovery of Escherichia coli bacteria in human colon goes back to 1885 and is associated with German bacteriologist Theodor Escherich. He found correlations between particular strains of the bacteria and diarrhoea and gastroenteritis in infants which was a significant finding in the public health area; hence the change of the name of the bacteria from Bacterium Coli to Escherichia Coli in his honor.1,2 It must be noted that most E. coli bacteria do not cause any illness in humans, and some act to the benefit of the human body. However, several E. coli bacteria cause infections that are not gastrointestinal disorders, but rather those of the urinary tract.3,4 In E. coli sensing several biosensor structures have been used, such as optical biosensors, photodiode based sensing,5 integrated waveguide biosensors6 electro-chemical sensing techniques7 – 10 or carbon nanotube biosensors based on a FET structure with very high limits of sensing.11 – 14 Nonetheless, most of these experiments need the use of labels for detection; hence, a simpler method is required. Many of these biosensor fabrications are unmanageable or the limit of sensing is remarkably lower than preferred. Properties and definition of nanomaterials utilized as part of nanobiotechnology for E. coli sensing is recorded in Table 1.

CONCLUSION

The graphene component shows measureable changes in conductance when in contact with E. Coli, and this behavior is proposed to be used for the detection of this type of bacteria. A bacteria concentration control parameter (?) is introduced in the derivation of the analytical model and is calculated iteratively. The sensor created is label-free, rapid, extremely sensitive and selective for the detection of bacteria E. Coli, with a very low sensing limit of 10 cfu mL−1. Comparison between the results obtained from the analytical and ANFIS models enables more accurate estimations. With the aid of the proposed models, a realistic understanding of the biosensor performance under exposure to E. coli can be gained minimizing the need for empirical experiments.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدل سازی ANFIS برای تشخیص باکتری بر سنسور زیستی GNR

ANFIS modeling for bacteria detection based on GNR biosensor