• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

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

      2015-12-02 07:00:40宋秀蘭李亞新
      關(guān)鍵詞:產(chǎn)酸丙酸實(shí)測(cè)值

      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.

      猜你喜歡
      產(chǎn)酸丙酸實(shí)測(cè)值
      ±800kV直流輸電工程合成電場(chǎng)夏季實(shí)測(cè)值與預(yù)測(cè)值比對(duì)分析
      常用高溫軸承鋼的高溫硬度實(shí)測(cè)值與計(jì)算值的對(duì)比分析
      哈爾濱軸承(2020年1期)2020-11-03 09:16:22
      市售純牛奶和巴氏殺菌乳營(yíng)養(yǎng)成分分析
      中國奶牛(2019年10期)2019-10-28 06:23:36
      薄荷復(fù)方煎液對(duì)齲病及牙周病常見致病菌生理活性的抑制作用
      產(chǎn)酸沼渣再利用稻秸兩級(jí)聯(lián)合產(chǎn)酸工藝研究
      一種基于實(shí)測(cè)值理論計(jì)算的導(dǎo)航臺(tái)電磁干擾分析方法
      電子制作(2018年23期)2018-12-26 01:01:22
      芍藥總多糖抑齲作用的體外研究
      食品中丙酸鈉、丙酸鈣測(cè)定方法的改進(jìn)
      K/γ-Al2O3催化丙酸甲酯合成甲基丙烯酸甲酯
      2-18F-氟丙酸在正常小鼠體內(nèi)的生物學(xué)分布
      施甸县| 永福县| 远安县| 游戏| 咸丰县| 昆明市| 平远县| 丰顺县| 静乐县| 横山县| 获嘉县| 五莲县| 镇江市| 文登市| 贺州市| 田东县| 习水县| 张家港市| 衡阳县| 望江县| 琼结县| 遂宁市| 宁安市| 嘉荫县| 丰原市| 普兰店市| 疏附县| 芦溪县| 六安市| 安化县| 绿春县| 曲阜市| 黑河市| 昂仁县| 汝城县| 扶余县| 阿巴嘎旗| 驻马店市| 内丘县| 祁连县| 三台县|