基于BP神經(jīng)網(wǎng)絡(luò)的污泥酸性發(fā)酵過程預(yù)測(cè)

石 杰，宋秀蘭，李亞新

（太原理工大學(xué) 環(huán)境科學(xué)與工程學(xué)院，山西 太原030024）

污泥酸性發(fā)酵可產(chǎn)生乙酸、丙酸、丁酸等短鏈揮發(fā)性脂肪酸（VFA），可為污水脫氮除磷過程提供廉價(jià)的良好的碳源，從而降低工藝的污水處理成本［1-3］.污泥發(fā)酵液是比乙酸鹽更適合作為脫氮除磷的碳源［4］.不同的揮發(fā)酸組成對(duì)生物脫氮除磷效果有影響［5］.

為充分利用污泥中的碳源物質(zhì)，需對(duì)污泥酸性發(fā)酵進(jìn)行優(yōu)化，一方面使污泥酸性發(fā)酵產(chǎn)物中反硝化菌、聚磷菌易利用的揮發(fā)酸的比例較大，另一方面，使酸性發(fā)酵反應(yīng)器具有較高的容積產(chǎn)酸能力.污泥酸性發(fā)酵過程中，p H、ORP、Fe3+濃度、進(jìn)料VS濃度、溫度、水力停留時(shí)間（HRT）、堿度、揮發(fā)分等對(duì)各種揮發(fā)酸的產(chǎn)率及容積產(chǎn)酸能力有不同程度的影響［6-8］.因此，對(duì)污泥酸性發(fā)酵進(jìn)行控制獲得所需要的目的產(chǎn)物是必要的，可以建立理論模型對(duì)污泥酸性發(fā)酵過程進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果計(jì)算生物脫氮除磷過程所需的碳源投加量.

近年來，神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于建模、預(yù)測(cè)等方面［9-13］.人工神經(jīng)網(wǎng)絡(luò)建模的優(yōu)越性［14］體現(xiàn)在：①非常適用于非線性系統(tǒng)的建模；②神經(jīng)網(wǎng)絡(luò)由許多并行處理單元組成，可以使用快速并行處理算法而大大提高辨識(shí)速度.③神經(jīng)網(wǎng)絡(luò)用于系統(tǒng)建模方法簡(jiǎn)單，不需要被辨識(shí)對(duì)象的階次結(jié)構(gòu)等先驗(yàn)知識(shí)，是一種普遍適用的辨識(shí)方法.

厭氧生物處理過程的研究具有多變量、非線性等特點(diǎn)，傳統(tǒng)的辨識(shí)方法和優(yōu)化策略顯得無能為力，而神經(jīng)網(wǎng)絡(luò)強(qiáng)大的逼近能力正適應(yīng)了這一要求，因此為廢水生物處理領(lǐng)域的建模開辟了一條嶄新的途徑［13］.目前在該領(lǐng)域應(yīng)用較多的有BP網(wǎng)絡(luò)［12，14］.

本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)采用半連續(xù)運(yùn)行方式的污泥酸性發(fā)酵過程進(jìn)行預(yù)測(cè)，可以更好地輔助于污泥酸性發(fā)酵過程的管理，將其更好地應(yīng)用于污水生物脫氮除磷過程.預(yù)測(cè)污泥產(chǎn)酸能力及產(chǎn)酸組成，也可以為污水處理廠污泥酸性發(fā)酵的在線控制提供基礎(chǔ).

1 試驗(yàn)部分

1.1 試驗(yàn)裝置

污泥酸性發(fā)酵裝置采用序批式反應(yīng)器，由內(nèi)徑Φ148 cm，高39.5 cm的有機(jī)玻璃柱制成，有效容積6.6 L.反應(yīng)器一側(cè)設(shè)置三個(gè)取樣口，底部也設(shè)有一個(gè)取樣口，用于放空.反應(yīng)器密封，上部蓋上設(shè)有4個(gè)孔，中心位置為Φ6 mm圓孔，用于插入攪拌棒.采用O形圈密封.旁側(cè)有兩個(gè)Φ10 mm的圓孔，一個(gè)用于進(jìn)泥，另一個(gè)用于放溫控探頭.旁側(cè)Φ6 mm圓孔用于形成水封和排出氣體.其裝置如圖1所示.

圖1 實(shí)驗(yàn)工藝流程圖 Fig.1 The schematic diagram of experiment

1.2 產(chǎn)酸菌的培養(yǎng)與馴化

取3.75 L某污水處理廠曝氣池回流污泥，接種于序批式反應(yīng)器中培養(yǎng)，溫度為30℃，以葡萄糖為底物，加入NH4Cl、KH2PO4，按C∶N∶P=200∶5∶1配制培養(yǎng)液培養(yǎng)產(chǎn)酸菌.采用半連續(xù)運(yùn)行方式運(yùn)行，容積負(fù)荷（Nv）為4 kgCOD／（m3·d），HRT 3d，試驗(yàn)過程加入Na HCO3，以調(diào)節(jié)p H維持產(chǎn)酸菌所需的p H環(huán)境.經(jīng)過7 d的馴化培養(yǎng)，形成活性較高的產(chǎn)酸菌，反應(yīng)器中發(fā)酵液呈混合型發(fā)酵.產(chǎn)酸菌培養(yǎng)好后加入試驗(yàn)用泥，每天進(jìn)泥體積等于每天排泥體積，生物固體停留時(shí)間（SRT）等于HRT.

1.3 試驗(yàn)用泥的性質(zhì)及泥水混合液的配制

試驗(yàn)用泥取自某污水處理廠脫水污泥，該污泥為初沉池和二沉池混合污泥，其揮發(fā)分為40%～74%，含水率為65%～81%.取回污泥后，分成若干份，在冰箱里冷凍保存.加泥時(shí)，用去氧水將污泥配制成一定體積的污泥混合液投加到反應(yīng)器中.

1.4 污泥酸性發(fā)酵的衡量指標(biāo)

污泥產(chǎn)酸過程中產(chǎn)生的揮發(fā)酸濃度以乙酸計(jì).計(jì)算公式為

2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

目前，應(yīng)用最廣泛的基本人工神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò).它是一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò).一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)如圖2所示.它由一個(gè)輸入層，一個(gè)輸出層和隱含層組成.各層節(jié)點(diǎn)之間由可調(diào)權(quán)值相連接.BP神經(jīng)網(wǎng)絡(luò)的隱含層和各節(jié)點(diǎn)的數(shù)目需要根據(jù)具體應(yīng)用情況和先驗(yàn)知識(shí)來選擇.隱含層節(jié)點(diǎn)函數(shù)通常選擇Sigmoid函數(shù)f（x）=1／（1+e-αx），BP神經(jīng)網(wǎng)絡(luò)的非線性特征就體現(xiàn)在隱含層節(jié)點(diǎn)函數(shù)的形式上.

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖 Fig.2 Neural network architecture diagram

標(biāo)準(zhǔn)的BP算法是一種梯度下降學(xué)習(xí)算法.沒有考慮到以前積累的經(jīng)驗(yàn)，即以前時(shí)刻的梯度方向，從而常常使學(xué)習(xí)過程發(fā)生振蕩，通常具有收斂速度慢、易陷入局部極小值和網(wǎng)絡(luò)推廣能力不強(qiáng)等方面的缺陷.針對(duì)標(biāo)準(zhǔn)BP算法存在的一些不足，出現(xiàn)了幾種基于標(biāo)準(zhǔn)BP算法的改進(jìn)算法，如traingdm（動(dòng)量梯度下降反向傳播算法）、trainlm（Levenberg-Marquardt優(yōu)化方法）、trainbr（Levenberg-Marquardt優(yōu)化方法與Bayesian正則化方法）.trainbr函數(shù)采用Levenberg-Marquardt優(yōu)化方法進(jìn)行網(wǎng)絡(luò)權(quán)值和閾值的最優(yōu)化搜索，并采用Bayesian正則化方法在網(wǎng)絡(luò)訓(xùn)練過程中自適應(yīng)地調(diào)節(jié)性能函數(shù)比例系數(shù)γ的大小，使其達(dá)到最優(yōu)，并且采用trainbr函數(shù)訓(xùn)練后BP網(wǎng)絡(luò)具有較好的推廣能力.

2.2 神經(jīng)網(wǎng)絡(luò)用于污泥酸性發(fā)酵過程的建模原理

如圖3所示，首先根據(jù)污泥酸性發(fā)酵系統(tǒng)的輸入輸出建立樣本集.在學(xué)習(xí)過程中把樣本集中的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)；根據(jù)樣本的輸入值計(jì)算出網(wǎng)絡(luò)的實(shí)際輸出值；計(jì)算樣本輸出與網(wǎng)絡(luò)輸出的差值；根據(jù)計(jì)算的差值由trainlm（Levenberg-Marquardt優(yōu)化方法）調(diào)整網(wǎng)絡(luò)的權(quán)矩陣；重復(fù)上述過程，直到整個(gè)樣本集的誤差不超過規(guī)定范圍，學(xué)習(xí)即結(jié)束.

圖3 BP神經(jīng)網(wǎng)絡(luò)建模原理示意圖 Fig.3 BP neural network model principle diagram

2.3 數(shù)據(jù)的篩選與樣本集的劃分

在實(shí)驗(yàn)過程中，影響污泥產(chǎn)酸因素包括：p H、溫度、HRT、堿度、進(jìn)料VS濃度、Fe3+濃度、揮發(fā)分f、ORP等8個(gè)因素，分別用x1，x2，x3，x4，x5，x6，x7，x8表示，在產(chǎn)酸過程中對(duì)產(chǎn)酸量進(jìn)行分析的目標(biāo)變量有容積產(chǎn)酸能力、乙酸產(chǎn)率、丙酸產(chǎn)率、丁酸產(chǎn)率，分別用y1，y2，y3，y4表示.實(shí)驗(yàn)過程中共得到452組數(shù)據(jù)，由于本文選用提前停止法來提高網(wǎng)絡(luò)的推廣能力，所以要對(duì)所得到的數(shù)據(jù)進(jìn)行劃分，即劃分為訓(xùn)練集和驗(yàn)證集.在劃分?jǐn)?shù)據(jù)時(shí)，把各種工況的數(shù)據(jù)大都包含在訓(xùn)練集和驗(yàn)證集中.在本網(wǎng)絡(luò)中訓(xùn)練集為422組，驗(yàn)證集為30組.兩個(gè)集合的劃分對(duì)于模型的訓(xùn)練非常重要，但劃分的方式也很多，所以也需要在網(wǎng)絡(luò)運(yùn)行中不斷對(duì)數(shù)據(jù)進(jìn)行分析，去除異常數(shù)據(jù).

2.4 數(shù)據(jù)的歸一化

由于本文BP網(wǎng)絡(luò)隱層中的神經(jīng)元采用tansig型變換函數(shù)，輸出層的神經(jīng)元采用純線性變換函數(shù)（purelin），故學(xué)習(xí)前需將學(xué)習(xí)樣本歸一化，使各樣本元素在（-1，1）之間，這樣才能使tansig型變換函數(shù)真正起到非線性轉(zhuǎn)移作用，保證網(wǎng)絡(luò)對(duì)樣本具有足夠的輸入敏感性和良好的擬合性，提高網(wǎng)絡(luò)的收斂速度.本文通過Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱中的premnmx，postmnmx函數(shù)分別對(duì)原始數(shù)據(jù)進(jìn)行歸一化與反歸一化處理，使用該歸一化函數(shù)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，使數(shù)據(jù)在［-1，1］之間，有利于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練.

2.5 網(wǎng)絡(luò)的訓(xùn)練

本文采用LM（Levenberg-Marquardt）算法，該算法是為了訓(xùn)練中等規(guī)模的前饋神經(jīng)網(wǎng)絡(luò)而提出的最快速算法，它利用了近似二階導(dǎo)數(shù)的信息，所以比BP算法收斂速度快很多.

采用LM算法訓(xùn)練BP網(wǎng)絡(luò)的方法是：①將網(wǎng)絡(luò)的訓(xùn)練函數(shù)設(shè)置為trainlm，每個(gè)神經(jīng)網(wǎng)絡(luò)只有一個(gè)訓(xùn)練函數(shù)與之對(duì)應(yīng)；②設(shè)置trainlm的相關(guān)參數(shù)；③調(diào)用訓(xùn)練函數(shù)訓(xùn)練網(wǎng)絡(luò).

相關(guān)參數(shù)的確定：epochs指定訓(xùn)練的最大次數(shù)，設(shè)為500；show指定兩次顯示間的訓(xùn)練次數(shù)，設(shè)為50；goal指定誤差平方和指標(biāo)，其缺省值為0.01；lr指定學(xué)習(xí)速率，其缺省值為0.01.

2.6 BP神經(jīng)網(wǎng)絡(luò)模型

2.6.1 8-23-4BP網(wǎng)絡(luò)

采用三層BP網(wǎng)絡(luò)，輸入層有8個(gè)節(jié)點(diǎn)，為p H、溫度、HRT、堿度、進(jìn)料VS濃度、Fe3+濃度、揮發(fā)分f、ORP，隱層節(jié)點(diǎn)數(shù)采用試錯(cuò)法確定，輸出層有4個(gè)節(jié)點(diǎn)，為容積產(chǎn)酸能力、乙酸產(chǎn)率、丙酸產(chǎn)率、丁酸產(chǎn)率.采用1.4中網(wǎng)絡(luò)訓(xùn)練方法以及設(shè)定參數(shù)值訓(xùn)練網(wǎng)絡(luò)，經(jīng)過訓(xùn)練，得出在網(wǎng)絡(luò)中間層神經(jīng)元數(shù)為23時(shí)，網(wǎng)絡(luò)收斂速度較快，誤差較小，訓(xùn)練次數(shù)為36次.

2.6.2 7-22-4BP網(wǎng)絡(luò)

7-22-4BP神經(jīng)網(wǎng)絡(luò)模型采用三層BP網(wǎng)絡(luò)，因?yàn)檫M(jìn)料VS濃度、HRT、Fe3+濃度這三個(gè)值基本決定ORP的大小，故網(wǎng)絡(luò)輸入層去掉ORP這個(gè)節(jié)點(diǎn)，改為7個(gè)節(jié)點(diǎn)，即p H、溫度、HRT、堿度、進(jìn)料VS濃度、Fe3+濃度、揮發(fā)分f，隱層節(jié)點(diǎn)數(shù)采用試錯(cuò)法確定，輸出層有4個(gè)節(jié)點(diǎn)，為容積產(chǎn)酸能力、乙酸產(chǎn)率、丙酸產(chǎn)率、丁酸產(chǎn)率.采用1.4中網(wǎng)絡(luò)訓(xùn)練方法以及設(shè)定參數(shù)值訓(xùn)練網(wǎng)絡(luò)，經(jīng)過訓(xùn)練，得出在網(wǎng)絡(luò)中間層神經(jīng)元數(shù)為22時(shí)，網(wǎng)絡(luò)收斂速度較快，誤差較小，訓(xùn)練次數(shù)為107次.

3 BP網(wǎng)絡(luò)的仿真分析

3.1 8-23-4BP網(wǎng)絡(luò)的仿真分析

利用訓(xùn)練好的8-23-4FFBP網(wǎng)絡(luò)模型對(duì)驗(yàn)證集的30組數(shù)據(jù)進(jìn)行預(yù)測(cè)仿真，并與實(shí)際期望輸出進(jìn)行比較，其預(yù)測(cè)結(jié)果見圖4～圖7.

由圖4計(jì)算出容積產(chǎn)酸能力的預(yù)測(cè)值與實(shí)測(cè)值之間的的相關(guān)系數(shù)r為0.936，平均相對(duì)誤差為13.37%.由圖5計(jì)算出乙酸產(chǎn)率的預(yù)測(cè)值與實(shí)測(cè)值之間的的相關(guān)系數(shù)r為0.872，平均相對(duì)誤差為14.47%.由圖6計(jì)算出丙酸產(chǎn)率的預(yù)測(cè)值與檢驗(yàn)值之間的的相關(guān)系數(shù)r為0.938，平均相對(duì)誤差為7.80%，.由圖7計(jì)算出丁酸產(chǎn)率的預(yù)測(cè)值與實(shí)測(cè)值之間的的相關(guān)系數(shù)r為0.907，平均相對(duì)誤差為12.60%.

圖4 8-23-4BP網(wǎng)絡(luò)容積產(chǎn)酸能力預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.4 Comparison of predicted value with actual value for total acid productivity in 8-23-4 BP neural network

圖5 8-23-4BP網(wǎng)絡(luò)乙酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.5 Comparison of predicted value with actual value for acetic acid yield rate in 8-23-4 BP neural network

圖6 8-23-4BP網(wǎng)絡(luò)丙酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.6 Comparison of predicted value with actual value for propionic acid yield rate in 8-23-4 BP neural network

圖7 8-23-4BP網(wǎng)絡(luò)丁酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.7 Comparison of predicted value with actual value for butyric acid yield rate in 8-23-4 BP neural network

3.2 7-22-4BP網(wǎng)絡(luò)的仿真分析

利用訓(xùn)練好的7-22-4FFBP網(wǎng)絡(luò)模型對(duì)驗(yàn)證集的30組數(shù)據(jù)進(jìn)行預(yù)測(cè)仿真，并與實(shí)際期望輸出進(jìn)行比較，其結(jié)果如圖8～圖11所示.

由圖8計(jì)算出容積產(chǎn)酸能力的預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)系數(shù)r為0.967，平均相對(duì)誤差為8.87%.由圖9計(jì)算出乙酸產(chǎn)率的預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)系數(shù)r為0.924，平均相對(duì)誤差為12.46%.由圖10計(jì)算出丙酸產(chǎn)率的預(yù)測(cè)值與實(shí)測(cè)值之間的的相關(guān)系數(shù)r為0.915，平均相對(duì)誤差為9.40%.由圖11計(jì)算出丁酸產(chǎn)率的預(yù)測(cè)值與實(shí)測(cè)值之間的的相關(guān)系數(shù)r為0.917，平均相對(duì)誤差為12.30%.

兩種BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果對(duì)比總結(jié)如表1所示.由表1可知，從相關(guān)系數(shù)、平均相對(duì)誤差兩個(gè)衡量指標(biāo)來衡量，8-23-4BP網(wǎng)絡(luò)其預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)除乙酸產(chǎn)率外，都在0.9以上，平均相對(duì)誤差都小于15%.7-22-4BP網(wǎng)絡(luò)其預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)都在0.91以上，平均相對(duì)誤差都小于13%.7-22-4BP模型對(duì)污泥產(chǎn)酸過程預(yù)測(cè)比8-23-4BP模型更精確.8-23-4BP模型中考慮了ORP因素，對(duì)污泥丙酸產(chǎn)率預(yù)測(cè)更精確，但對(duì)污泥容積產(chǎn)酸能力預(yù)測(cè)誤差較大.本實(shí)驗(yàn)污泥產(chǎn)酸最大時(shí)條件：p H6.0，溫度37℃，HRT 3d，進(jìn)料VS 20g／L，堿度740 mg／L，進(jìn)料VS濃度20 g／L，F(xiàn)e3+濃度0 mg／L，揮發(fā)分f 63.5%，ORP-135m V.在次工況下容積產(chǎn)酸能力759.23 mg（L·d），乙 酸 產(chǎn) 率39.90 mg VFA（g VS·d），丙酸產(chǎn)率36.15 mg VFA（g VS·d），丁酸產(chǎn)率37.89 mg VFA（g VS·d）.7-22-4BP模型對(duì)最佳工況時(shí)四項(xiàng)指標(biāo)的預(yù)測(cè)值與實(shí)測(cè)值的誤差分別為2.77%，6.31%，6.45%和3.43%，8-23-4BP模型對(duì)最佳工況時(shí)四項(xiàng)指標(biāo)的預(yù)測(cè)值與實(shí)測(cè)值的誤差分別為3.34%，2.17%，3.62%和4.97%.8-23-4BP模型對(duì)最佳產(chǎn)酸工況預(yù)測(cè)更精確.

圖8 7-22-4BP網(wǎng)絡(luò)容積產(chǎn)酸能力預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.8 Comparison of predicted value with actual value for total acid productivity in 7-22-4 BP neural network

圖9 7-22-4 BP網(wǎng)絡(luò)乙酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比圖 Fig.9 Comparison of predicted value with actual value for acetic acid yield rate in 7-22-4 BP neural network

圖10 7-22-4 BP網(wǎng)絡(luò)丙酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.10 Comparison of predicted value with actual value for propionic acid yield rate in 7-22-4 BP neural network

圖11 7-22-4 BP網(wǎng)絡(luò)丁酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比 Fig.11 Comparison of predicted value with actual value for butyric acid yield rate in 7-22-4 BP neural network

表1 兩種BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果 Tab.1 The results predicted by two BP neural network

Peter等［16］應(yīng)用BP網(wǎng)絡(luò)模擬控制厭氧消化過程中甲烷的產(chǎn)生和揮發(fā)性脂肪酸的產(chǎn)生，9-3-3BP網(wǎng)絡(luò)對(duì)于總的VFA濃度預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)系數(shù)為0.86，9-3-2BP用以模擬氣體產(chǎn)量及其組分，氣體產(chǎn)量和氣體組成預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)系數(shù)分別0.90和0.80.筆者建立的BP網(wǎng)絡(luò)預(yù)測(cè)性能優(yōu)于Peter等建立的BP網(wǎng)絡(luò).

筆者建立的BP網(wǎng)絡(luò)預(yù)測(cè)誤差主要來自以下方面：污泥酸性發(fā)酵是一個(gè)復(fù)雜的生物處理過程，受產(chǎn)酸菌活性的影響，但產(chǎn)酸菌活性在神經(jīng)網(wǎng)絡(luò)輸入層中未完全體現(xiàn)出來；污泥酸性發(fā)酵過程中揮發(fā)酸的測(cè)定條件變化較大，因?yàn)榈玫降?52組數(shù)據(jù)中，測(cè)定揮發(fā)酸的儀器和色譜柱發(fā)生了2～3次的變化，導(dǎo)致?lián)]發(fā)酸的測(cè)定誤差較大，即樣本數(shù)據(jù)質(zhì)量直接影響預(yù)測(cè)結(jié)果，這是主要的因素；樣本集中訓(xùn)練集和驗(yàn)證集的劃分對(duì)于模型擬合效果的影響較大.

4 結(jié) 論

1）用兩種BP神經(jīng)網(wǎng)絡(luò)模型對(duì)污泥酸性發(fā)酵過程進(jìn)行預(yù)測(cè)，8-23-4BP網(wǎng)絡(luò)除乙酸產(chǎn)率以外，丙酸產(chǎn)率、容積產(chǎn)酸能力、丁酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值相關(guān)系數(shù)都大于0.9，各目標(biāo)變量預(yù)測(cè)值與實(shí)測(cè)值平均相對(duì)誤差都小于15%；7-22-4BP網(wǎng)絡(luò)預(yù)測(cè)性能乙酸產(chǎn)率、丙酸產(chǎn)率、容積產(chǎn)酸能力、丁酸產(chǎn)率預(yù)測(cè)值與實(shí)測(cè)值相關(guān)系數(shù)都大于0.9，各目標(biāo)變量預(yù)測(cè)值與實(shí)測(cè)值平均相對(duì)誤差都小于13%，7-22-4BP模型網(wǎng)絡(luò)預(yù)測(cè)性能優(yōu)于8-23-4BP網(wǎng)絡(luò)模型.8-23-4BP模型對(duì)污泥丙酸產(chǎn)率預(yù)測(cè)更精確.

2）兩種BP神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)對(duì)污泥酸性發(fā)酵過程的預(yù)測(cè)，但有一定的誤差，誤差主要是由于污泥酸性發(fā)酵過程中揮發(fā)酸的測(cè)定條件變化較大而造成的.

［1］Barlindhaug J，Hallvard D.Thermal hydrolysate as a carbon source for denitrification［J］.Wat Sci Technol，1996，33（12）：99-108.

［2］Cokgor E U，Ortay S，Tas D O，et al.Influence of p H and temperature on soluble substrate generation with primary sludge fermentation［J］.Bioresource Technology，2009，100（1）：380-386.

［3］彭晶，郭澤沖，侯玲玲，等.熱堿預(yù)處理對(duì)剩余污泥發(fā)酵產(chǎn)酸效能提升的影響［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2012，44（8）：43-47.Peng Jing，Guo Zechong，Hou Lingling，et al.Improvement of acidification performance of waste activated sludge by thermal alkaline pretreatment［J］.Journal of Harbin Institute of Technology，2012，44（8）：43-47.（in Chinese）

［4］Soare A，Kampas P，Maillard S，et al.Comparison between disintegrated and fermented sewage sludge for production of a carbon Source suitable for biological nutrient removal［J］.Journal of Hazardous Materials，2010，175（1／2／3）：733-739.

［5］李洪靜，陳銀廣，顧國維.丙酸／乙酸對(duì)低能耗生物除磷脫氮系統(tǒng)的影響［J］.中國環(huán)境科學(xué)，2008，28（8）：673-678.Li Hongjing，Chen Yinguang，Gu Guowei.Effect of propionic to acetic acid ratio on biological nitrogen and phosphorus removal with low energy consumption［J］.China Environmental Science，2008，28（8）：673-678.（in Chinese）

［6］趙丹，任南琪，王愛杰.p H、ORP制約的產(chǎn)酸相發(fā)酵類型及頂級(jí)群落［J］.重慶環(huán)境科學(xué)，2003，25（2）：34-36.Zhao Dan，Ren Nanqi，Wang Aijie.Fermentation type and climax community controlled by p H、ORP［J］.Chongqing Environmental Sciences，2003，25（2）：34-36.（in Chinese）

［7］趙杰紅，張波，蔡偉民.厭氧消化系統(tǒng)中丙酸積累及控制研究進(jìn)展［J］.中國給水排水，2005，21（3）：25-27.Zhao Jiehong，Zhang Bo，Cai Weimin.Research progress on propionic acid accumulation and control in anaerobic digestion system［J］.China Water ffWastewater，2005，21（3）：25-27.（in Chinese）

［8］任南琪，王愛杰，馬放.產(chǎn)酸發(fā)酵微生物生理生態(tài)學(xué)［M］.北京：科學(xué)出版社，2005.

［9］趙英，南軍，崔福義，等.神經(jīng)網(wǎng)絡(luò)技術(shù)在水處理工藝建模中的應(yīng)用［J］.給水排水，2007，33（10）：110-113.Zhao Ying，Nan Jun，Cui Fuyi，et al.Application of neural network simulator for modeling of water treatment process［J］.Water ffWastewater Engineeing，2007，33（10）：110-113.（in Chinese）

［10］盧金鎖，黃廷林.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的水質(zhì)預(yù)測(cè)［J］.教學(xué)實(shí)踐與認(rèn)識(shí)，2007，37（18）：43-49.Lu Jinsuo，Huang Tinglin.Water quality forecast based on artificial neural network technology［J］.Mathematics in Practice and Theory，2007，37（18）：43-49.（in Chinese）

［11］鄒志紅，王學(xué)良.BP模型在河流水質(zhì)預(yù)測(cè)中的誤差分析［J］.環(huán)境科學(xué)學(xué)報(bào)，2007，27（6）：1038-1042.Zou Zhihong，Wang Xueliang.The errors analysis for riverwaterquality prediction based-on BP-modeling［J］.Acta Scientiae Circumstantiae，2007，27（6）：1038-1042.（in Chinese）

［12］李蕾，陳倩，薛安.基于BP和RBF神經(jīng)網(wǎng)絡(luò)的外加碳源量模型研究［J］.環(huán)境工程學(xué)報(bào)，2014，8（11）：4788-4794.Li Lei，Chen Qian，Xue An.Model based on BP and RBF neural network for predicting external carbon dosage［J］.Chinese Journal of Environmental Engineeing，2014，8（11）：4788-4794.（in Chinese）

［13］張群英.神經(jīng)網(wǎng)絡(luò)在工業(yè)污水處理建模中的應(yīng)用［J］.計(jì)算機(jī)仿真，29（3）：258-261.Zhang Qunying.Research on industrial sewage disposal model based on neural network［J］.Computer Simulation，29（3）：258-261.（in Chinese）

［14］王愛杰.產(chǎn)酸脫硫反應(yīng)器中硫酸鹽還原菌的生態(tài)學(xué)研究［D］.哈爾濱：哈爾濱建筑大學(xué)，2000.

［15］胡榮篤.用乙酸計(jì)量各種脂肪酸時(shí)的換算方法［J］.中國沼氣，1995，13（2）：46-47.

［16］Holubar P，Zani L，Hager M，et al.Advanced controlling of anaerobic digestion by means of hierarchical neural networks［J］.Wat Res，2002，36（10）：2582-2588.