برای انجام این تحقیق اندازه گیری دما، PH، BOD، COD، MLSS، MLVSS، آمونیوم و فسفات و نیترات در آزمایشگاه تصفیه خانه اکباتان بر اساس روش‌های زیر انجام گردید.

اندازه گیری BOD
BOD نرخ مصرف اکسیژن در داخل آب توسط ارگانیسم‌هاست. گسترده‌ترین پارامتر مورد استفاده جهت اندازه‌گیری آلودگی آب در فاضلاب و آب‌های سطحی BOD₅ یاBOD پنج روزه می‌باشد. BOD₅ یعنی مقدار اکسیژن مورد نیاز برای تجزیه مواد آلی توسط باکتری‌ها در مدت ۵ روز و در دمای C20 است که به عنوان شاخص استاندارد در سطح جهان پذیرفته شده است. اندازه گیری BOD₅ در آزمایشگاه تصفیه خانه اکباتان مطابق با کتاب استاندارد متد با روش وینکلر و دستگاه BOD متر دیجیتالی ساخت کارخانه Hach صورت ‌گرفت.
اندازه گیری COD
با توجه به زمان‌بر بودن آزمایش BOD₅ و همچنین عدم سنجش کل آلاینده های اکسید پذیر در آزمایش BOD از COD به منظور تعیین اکسیژن خواهی شیمیایی فاضلاب استفاده می‌شود. COD مقدار اکسیژن مورد نیاز شیمیایی معیاری برای سنجش اکسیژن هم ارز ترکیبات آلی است که بتوانند توسط یک اکسید کننده قوی اکسید و تجزیه شوند. اندازه گیری COD نیز در آزمایشگاه تصفیه خانه اکباتان با بهره گرفتن از ویال های مربوطه و دستگاه اسپکتروفوتومتر انجام گردید. همچنین این آزمایش با روش تیتراسیون نیز انجام می‌شود.
اندازه گیری TP، NH₄، NO₃
جهت سنجش آمونیوم، فسفر کل و نیترات از دستگاه اسپکتروفوتومتر مدل (DR5000) و همچنین ویال های مربوطه استفاده ‌گردید.
شکل( ‏۳‑۱۳) دستگاه اسپکتروفوتومتر جهت اندازه گیری میزان نمونه ها
اندازه‌گیری PH
از دستگاه PH متر دارای سنسور دما جهت اندازه گیری مقادیر مربوط به تغییرات PH نمونه‌‌ها استفاده شد
شکل( ‏۳‑۱۴) دستگاه PH متر
اندازه‌گیری MLSS و MLVSS
برای تعیین مقادیر MLSS و MLVSS از روش تبخیر نمونه و خشک کردن استفاده شد، همچنین پس از خشک کردن نمونه ها در دستگاه OVEN و وزن نمودن کاغذی و محاسبه مقدار MLSS، جهت تعیین MLVSS نمونه ها در دستگاه کوره با دمای C 600 قرار گرفته و پس از سرد شدن کامل بوته های چینی مجدداً وزن و محاسبه انجام گردید.

مقدمه
امروزه همزمان با افزایش توان الگوریتم‌های هوشمند در تحلیل داده ها و طبقه بندی و استخراج ویژگی و همچنین شناسایی سیستم‌ها و الگوها، موارد استفاده این الگوریتم‌ها در شاخه های مختلف علوم رو به گسترش است. به صورتی که شاهد استفاده روز افزون از آن‌ها در شاخه های علوم مهندسی، پزشکی، داروسازی، کشاورزی، اقتصاد، مدیریت، جامعه شناسی و غیره هستیم. یکی از پر کاربردترین انواع الگوریتم‌های هوشمند شبکه های عصبی مصنوعی هستند که با پردازش روی داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل می‌کنند. سیستم‌های بر پایه شبکه های عصبی به علت دارا بودن ویژگی‌های خاص مثل همگرایی سریع، پیاده سازی آسان الگوریتم چه از لحاظ نرم افزاری و چه از لحاظ سخت افزاری حوزه کاربرد وسیعی یافته‌اند.
ساختار شبکه های عصبی از روی ساختارهای پردازشی مغز مدل سازی شده ولی به علت اینکه عملکرد مغز بسیار پیچیده است، هنوز هم دانشمندان به جزئیات نحوه عملکرد مغز واقف نیستند و مدل‌های ارائه شده از کارکرد مغز هر کدام بخش جزئی از عملکرد مغز را ارائه می‌کنند، این امر باعث ایجاد مدل‌های متنوعی از شبکه های عصبی مصنوعی^[۵] شده که هر کدام برای انجام یک دسته از پردازش‌ها بهینه هستند. در این فصل به بررسی اجمالی شبکه‌های عصبی مصنوعی پرداخته می‌شود. با بهره گرفتن از شبکه‌های عصبی مصنوعی سعی می‌شود که ساختار مغز انسان شبیه‌سازی ‌شود. مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از ۱۰^۱۱ نرون با تعداد ۱۰^۱۶ ارتباط تشکیل شده است. هر یک از این نرون‌ها دارای ورودی و خروجی بوده، مغز انسان را به ماهیچه‌ها مرتبط کرده و علائم را از ارگان‌های حساس به مغز منتقل می‌کند. نرون‌ها، ورودی‌ها را که به طریقی خاص جمع ‌شده‌اند، پذیرا می‌شوند. از شبکه‌های عصبی در موارد گوناگونی از جمله ذخیره و بازبینی داده‌ها، گروه‌بندی شکل‌های مشابه، انجام نگاشت کلی از مجموعه ورودی به مجموعه خروجی، بهینه‌سازی و تعیین جواب با وجود قیود مختلف استفاده می‌شود.]۴۴[
ایده شبکه های عصبی مصنوعی
در طول سال‌هایی که دانشمندان به دنبال ساخت سیستم‌هایی برای پردازش داده ها بودند موفق شدند سیستم‌ها و الگوریتم‌های بسیار پیچیده ای طرح کنند که به وسیله آن‌ها داده‌هایی مختلف را با سرعت زیاد پردازش کنند. اما هرچه در این مسیر پیش می‌رفتند نمی‌توانستند بعضی از مشکلات موجود در این سیستم‌ها را حل کنند در حالی که این مشکلات در سیستم پردازش مغز انسان و حیوانات اصلاً مطرح نبود. که بعضی از این مشکلات به شرح زیر است :
برای انجام پردازش‌های پیچیده تر مجبور به استفاده از مدارات پیچیده تر هستیم و هر چه مدارات بزرگ‌تر و پیچیده تر می‌شوند تا خیرهای قطعات الکترونیکی بکار رفته باعث کندتر شدن عملیات می‌شوند و برای جبران آن مجبور به بالا بردن فرکانس کار مجموعه هستیم که این کار نیز ما را با محدودیت‌های تکنولوژیک روبرو خواهد کرد. در صورتی که مشاهده می‌شود با اینکه عناصر پردازش مغز انسان و حیوانات با فرکانسی هزاران بار آرام‌تر کار می‌کنند فرایند پردازش در آن‌ها هزاران بار قوی‌تر و سریع‌تر از سیستم‌های ساخت بشر است.
برای مدل کردن سیستم و یا فرایندها نیازمند دانستن مدل ریاضی آن‌ها هستیم تازه پس از بدست آوردن مدل دقیق یا تقریبی آن‌ها باید سخت افزار یا نرم افزاری اختصاصی به عنوان مدل سیستم طراحی و ساخته شود در حالی که این مجموعه برای مقاصد دیگر قابل استفاده نخواهد بود ولی ساختار مغز انسان و حیوانات به گونه ای است که بدون نیاز به دانستن مدل‌های ریاضی فرآیندها، فقط با دیدن چند نمونه می‌توان فرایند کلی را کشف کنند. همچنین ساختار مغز به گونه ای است که توانایی یادگیری هر کاری را بدون نیاز به تغییر ساختار و اختصاصی شدن برای آن کار داراست.
پردازش داده در این سیستم‌ها فقط شامل یک سری تبدیل و تغییر و استخراج شاخص‌های آماری از داده ها است که به ما در یافتن یک فرضیه یا اثبات فرضیه موجود کمک می‌کند در صورتی که یک سیستم پردازش کامل مثل مغز انسان با دریافت چند مورد از داده از یک دست می‌تواند روابط بین آن‌ها را کشف کند و بر طبق آن نتایج حاصله را به موارد جدید تعمیم دهد.
سیستم‌های پردازشی کلاسیک نسبت به نویز موجود در داده ها بسیار حساس هستند و اگر نویز از حدی بیشتر باشد نتایج پردازش کاملاً غیر قابل استفاده خواهند بود در صورتی که به طور مثال مغز شما می‌تواند صدای صحبت کردن یک شخص را در میان صدها صدای دیگر دنبال کند. این سیستم‌ها در زمینه درک، تعقیب و ثبت روابط بین متغیرها در سیستم‌هایی که تعداد متغیرها در آن‌ها زیاد باشد، یا میزان تأثیر هر متغیر به مقدار متغیر های دیگر در سیستم وابستگی داشته باشد ضعیف هستند مخصوصاً اگر وابستگی متغیرها به هم نیز خود به صورت غیر خطی باشد.
همان طور مشاهده می‌کنید مزیت‌هایی که در بالا برای مغز انسان و حیوانات ذکر شده ناشی از ساختار فوق‌العاده ی آن است و مشکلات مذکور هیچ گاه توسط سیستم‌های پردازشی کلاسیک حل نخواهد شد. به همین علت بود که دانشمندان به فکر تغییر شیوه پردازش داده ها و شبیه سازی ساختار پردازشی مغز افتادند، این سیستم‌ها که با الگو برداری از ساختارهای عصبی موجودات زنده ساخته شده‌اند به شبکه های عصبی مصنوعی معروف هستند.
نحوه عملکرد شبکه های عصبی مصنوعی
نگرش نوین در مورد کارکرد مغز نتیجه تفکراتی بود که در اوایل قرن بیستم در مورد ساختار مغز به عنوان اجتماعی از اجزای محاسباتی کوچک به نام نرون شکل گرفت. بافت‌هایی که عصب نامیده می‌شوند اجتماعی از نرون‌ها هستند که اطلاعات و پیام‌ها را از یک قسمت بدن به قسمت دیگر منتقل می‌کنند. این پیام‌ها از نوع ایم پالس‌های الکتروشیمیایی هستند. بیشتر نرون‌ها از سه قسمت اساسی تشکیل شده‌اند:
بدنه سلول
دندریت
آکسون
که دو قسمت آخر عناصر ارتباطی نرون را تشکیل می‌‌دهند شکل(۴-۱) ساختمان سلول عصبی را نشان می‌دهد.
شکل( ‏۴‑۱) شمایی از نواحی اصلی یک نرون بیولوژیکی
نرون مصنوعی طوری طراحی می‌شود که خواص اساسی یک نرون بیولوژیکی را داشته باشد. هر نرون یک مجموعه ورودی دارد که در واقع خروجی‌های تولید شده یک نرون دیگر می‌باشند. این ورودی‌ها در یک ضریب وزن که متناظر با یک مقاومت سیناپسی است، ضرب می‌شوند. سپس همه این ورودی‌های وزن‌دار با هم جمع می‌شوند تا تراز فعالیت یا تراز تحریک نرون مصنوعی را تعیین کنند. این مجموع وزن‌دار در تابع تحریک^[۶]۱ نرون قرار داده می‌شود تا خروجی نرون تعیین شود. ساختار یک نرون مصنوعی در شکل (۴-۲) ملاحظه می‌شود.
شکل( ‏۴‑۲) شمایی از ساختار یک نرون مصنوعی
با وجود تنوع شبکه‌های عصبی مصنوعی، نرون های همه آن‌ها بر مبنای اصول ساده فوق قرار دارند. در این مدل ساده،  که متناظر با سیگنال‌های دریافت شده به وسیله سیناپس های نرون بیولوژیکی می‌باشند،به عنوان ورودی‌های نرون مصنوعی شناخته می‌شوند. این ورودی‌ها می‌توانند مؤلفه‌های یک بردار باشند که با  نشان داده می‌شود. هر سیگنال قبل از اینکه در بلوک جمع یا بلوک  بکار برده شود در یک ضریب وزن w ضرب می‌شود. مجموعه ضرایب وزن را می‌توان با بردارW نمایش داد. بلوک  عملکرد هسته سلول عصبی را مدل می‌کند. در این بلوک، همه ورودی‌های وزن‌دار باهم جمع شده و یک خروجی تولید می‌شود که سیگنالnet نام دارد. در واقع این عملیات به لحاظ ریاضی معادل ضرب نقطهای دو بردار X و Wمی‌باشد. جهت تولید خروجی نرون، که  نامیده می‌شود، سیگنالnet توسط تابع تحریک  تحت پردازش قرار می‌گیرد. برای نرون های شبکههای عصبی مختلف، تابع تحریک متفاوتی متناسب با ساختار آن‌ها در نظر گرفته می‌شود. در شکل ۴-۲ بلوک  سیگنال netرا دریافت کرده و خروجی  را تولید می‌‌کند.
اگرچه نرون های بیولوژیکی از نرون های مصنوعی بسیار کندتر هستند اما عملکرد مغز خیلی سریع‌تر از عملکرد یک کامپیوتر معمولی است. علت این پدیده بیشتر به خاطر ساختار کاملاً موازی نرون‌ها می‌باشد و این یعنی اینکه همه نرون‌ها معمولاً به طور همزمان کار می‌کنند و پاسخ می‌دهند. شبکه‌های عصبی مصنوعی هم دارای ساختار موازی هستند. اگرچه بیشتر شبکه‌های عصبی مصنوعی هم اکنون توسط کامپیوترهای سری پیاده‌سازی می‌شوند اما ساختار موازی شبکه‌های عصبی مصنوعی این امکان را فراهم می‌آورد که به طور سخت‌افزاری توسط پردازشگرهای موازی، پیاده‌سازی شوند.
آنچه شبکه فرا می‌گیرد در وزن‌های سینا پسی مستتر می‌باشد. رابطه یک به یک بین ورودی‌ها و وزن‌های سیناپتیکی وجود ندارد. می‌توان گفت که هر وزن سینا پسی مربوط به همه ورودی‌هاست ولی به هیچ یک از آن‌ها به طور منفرد و مجزا مربوط نیست. به عبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرون ها متأثر می‌باشد. بر این اساس چنانچه بخشی از سلول‌های شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگرچه این احتمال برای تمام ورودی‌ها کاهش یافته ولی برای هیچ یک از بین نرفته است.
در یک شبکه عصبی مصنوعی هر نرون به طور مستقل عمل می‌کند و رفتار کلی شبکه برآیند رفتارهای محلی نرون های متعدد است. این ویژگی باعث می‌شود تا خطاهای محلی تأثیر چشمگیری بر روی خروجی نهایی شبکه نداشته باشند. به عبارت دیگر، نرون ها در جریان فرایند آموزش شبکه و در یک روند همکاری همهجانبه، خطاهای محلی یکدیگر را تصحیح می‌کنند.]۴۵[
شبکه عصبی مصنوعی
هر شبکه عصبی مصنوعی شامل مجموعه‌ای از نرون های مصنوعی است. نرون‌ها، ورودی‌هایی را که به طریقی خاص جمع ‌شده‌اند را پذیرا می‌شوند. اگر این ورودی‌ها به ‌اندازه کافی بزرگ باشند و مقدار آن‌ها از یک حد از پیش تعیین شده بیشتر شود، در آن صورت نرون فعال‌شده و در غیر این صورت نرون غیرفعال باقی می‌ماند. ورودی‌های جمع شده در یک نرون به یک تابع تحریک که خروجی مشخصی را محاسبه می‌کند وارد شده و خروجی آن به لایه بعدی (یا خروجی سیستم) منتقل می‌شود.
هر شبکه عصبی دارای خصوصیاتی است که آن را از شبکه‌های دیگر متمایز می‌کند. این خصوصیات شامل نحوه ارتباط بین نرون‌ها، روش آموزش شبکه، نحوه تعیین مقادیر وزن‌های رابط و نوع تابع تحریک هر نرون است. با توجه به خصوصیات مذکور، شبکه‌های عصبی متعددی توسط محققین طراحی شده‌اند.
شبکه‎های تک لایه
ساده‌ترین شبکه عصبی از قرار گرفتن تعدادی نرون در یک لایه منفرد به وجود می‌آید. این طرح ساده در شکل (۴-۳) با تمام ارتباطات ممکن نشان داده شده است. البته باید توجه کرد که همه این ارتباطات لزوماً برقرار نیستند و برخی از آن‌ها می‌توانند برقرار نباشند. در شکل (۴-۳) گره‌های دایره‌ای، وظیفه توزیع ورودی‌ها را بر عهده دارند و هیچ‌گونه عملیات محاسباتی انجام نمی‌دهند. لذا به عنوان یک لایه به حساب نمی‌آیند. گره‌هایی که دارای خاصیت محاسباتی بوده و یک لایه را به وجود می‌آورند با مستطیل نمایش داده شده‌اند.