（市政工程专业论文）BP神经网络在UASB操作控制中的应用.pdf

西南交通大学硕士研究生学位论文第2 页 化工及食品等行业生产过程中产生的，c o d c ，在2 0 0 0 m g l 以上的废水口j 。据 1 9 9 0 年的统计，我国每年排放的酒精工业高浓度有机废水约1 2 0 0 万t ，味精 工业废水2 5 0 4 0 0 万t ，柠檬酸工业废水1 1 0 万t ，淀粉工业废水1 6 0 0 万t 。 这些高浓度有机废水具有有机污染物浓度高、危害重、处理难度大、处理投 资运行成本高等特点。高浓度有机废水引发的一系列水体污染、生态环境恶 化、威害人类健康以及阻碍相关工业发展等问题，在世界各国包括中国在内 的发展中国家十分严重。 高浓度有机废水处理研究显得尤为重要，其处理方法可以分为物理处理 法、化学处理法、物理化学处理法和生物处理法。由于各种处理法作用机理 不同，它们在处理效率、处理成本、应用范围上存着一定的差异。 物理处理法通常指借助物理力或机械力分离废水中的某些污染物质的单 元操作过程，其可用于去除废水中非溶解态漂浮有机物。废水的物理处理常 用的方法有筛滤、截留、水质水量调节池、重力分离等；采用的处理设备或 装置主要有格栅、筛网、微滤机、沉砂池、沉淀池、旋流分离器及气浮装置 等。物理处理法对水中的有机物结构和形式未做改变，需后续工艺进一步处 理，以清除污染。 化学处理法就是利用化学反应的作用降解去除水中的有机污染物，其处 理对象主要是废水中有机的( 难于降解的) 溶解物质或胶体物质。它适用于 有机废水水量少，污染浓度低的废水，对于水量大，污染浓度高的废水，需 投加的大量的化学药品，处理成本较大，故它常常作为生物处理的预处理。 常见的化学处理法有中和法、化学沉淀法和化学氧化法【4 】。 物理化学处理法以化学混凝法、氧化一吸附法为代表。主要应用于难生 物降解的和有害的高浓度有机废水的处理，及一些可生物降解但废水中含有 有害物质的废水的预处理。这种方法将有机物从废水中转移，有机废水还需 要考虑后续处理，不能达到标本兼治的效果1 5 j 。 废水的好氧生物处理是一种在提供游离氧的前提下，通过好氧微生物降 解代谢有机物的处理方法。废水中存在的各种有机物，主要以胶体状、溶解 体有机物为主，作为微生物的营养源。这些有机物质经过一系列的生化反 应，逐级释放能量，最终以低能位的无机物质稳定下来，达到无害化的要 求。有机物被生物摄取后，通过代谢活动，有机物一方面被分解、稳定，并 提供微生物生命活动所需的能量；另一方面被转化，合成新的原生质( 或细 胞质) 的组成部分。好氧生物法具有处理速度快，操作简单，所需要的反应 西南交通大学硕士研究生学位论文第3 页 的时间短，处理过程中散发的臭气较小，处理的构筑物容积较小，出水效果 好等特点，一般用于处理低浓度有机废水，处理高浓度有机废水时，它有两 个缺陷，其一，是它的容积负荷不能满足高浓度有机废水的要求，处理高浓 度有机废水效率较低，近年来，也有很多人研究用好氧法处理高浓度有机废 水，但至今工程应用还不多；其二，好氧法处理高浓度有机废水要消耗大量 的能源，尤其是在中国这样的发展中国家，能源显得更为短缺。故好氧处理 法并不是处理高浓度有机废水的适宜方法。 废水厌氧生物处理是环境工程与能源工程中的一项重要技术，是有机废 水强有力的处理方法之一。它是指分子在无氧条件下通过厌氧微生物( 包括 兼氧物) 的作用，将废水中的各种复杂有机物分解转化为甲烷和二氧化碳等 物质程，也称厌氧消化。与好氧过程的根本区别在于不以分子态氧作为受氢 体，化合态氧、碳、硫、氮等为受氢体f 6 l 。 与好氧处理相比，厌氧法在处理高浓度有机废水方面通常具有以下优 点： ( 1 ) 剩余污泥产生量少。有机物在好氧降解时，如碳水化合物，其中 约有2 3 被合成为细胞，约有l 3 被氧化分解提供能量。厌氧降解时，只 有少量有机物被同化为细胞，而大部分被转化为c 磁和c o ：。所以，好氧 处理产污泥量高，而厌氧处理产污泥量低，且污泥已稳定，可降低污泥处理 费用。 ( 2 ) 对氮、磷的需要量较低。氮、磷等营养物质是组成细胞的重要元 素。厌氧生物处理去除b o d 5 所合成的细胞量远低于好氧生物处理，因此 可减少n 和p 的需要量。对于缺乏n 、p 的有机废水采用厌氧生物处理 可大大节省n 、p 的投加量，使运行费用降低。 ( 3 ) 可产生生物能。污泥消化和有机废水的厌氧发酵能产生大量沼 气，而沼气的热值很高，可作为能源利用。 ( 4 ) 能在较高的负荷下运行，活性厌氧污泥能保存几个月。 ( 5 ) 节省动力消耗。在厌氧处理过程中，细菌分解有机物是在无氧条 件下进行的，故无需向系统提供氧气，从而可节省大量电能。 ( 6 ) 厌氧消化对某些难降解的有机物有较好的降解能力。实践证明， 一些难生化降解的有机工业废水采用常规的好氧生物处理工艺不能获得满意 的处理效果，如炼焦废水、煤气洗涤废水、农业废水、制革废水等。而采用 厌氧生物处理则可获得较好的处理效果。近年来，经研究发现厌氧微生物具 西南交通大学硕士研究生学位论文第7 页 黑箱模式是近年来出现的研究方法，无需了解系统的内部结构状态，不 必通过其元件特性和元件之间的联系推断其系统特性，在这种情况下，可以 对它加上一定的刺激( 输入) 同时观察其反应( 输出) ，通过对这种输入输 出关系的分析，可以建立起关于它的行为的某些规律。用此方法来研究厌氧 生化反应过程十分的合适，它避开了对复杂的厌氧生化过程分析，只需选取 合适的参数，作为系统的输入，然后根据输出建立起输入和输出的因果关 系，它逐渐成为一种实用有效的方法，神经网络就是黑箱模式中最常用的一 种方法。 目前，国外厌氧工艺在处理高浓度有机废水时，能去除8 0 以上的有 机污染物，在国内厌氧处理废水的效率通常在5 0 6 0 之间，甚至更低。 国内在进行厌氧控制时，控制参数主要集中在p h 值、温度、在机负荷率、 污泥浓度、营养比例、水力停留时间等方面，把碱度、挥发酸作为厌氧反应 的控制参数的很少，国内的文献在提到参数p h 值时，会简略地介绍一下碱 度，但都不是很详细。在国外，其处理工艺和国内大致一样，但在厌氧反应 器的研究中，v f a 、碱度已作为厌氧生化反应器的主控制参数，目前已建立 了碱度控制方程，分析和预测出水水质，近一段时间，人工神经网络也开始 应用于废水的厌氧处理中，总体上来说国外技术领先于国内。 1 。2 人工神经网络在污水处理中的应用 由于厌氧处理过程具有高度的复杂性和非线性的特点，采用神经网络方 法可以避开对厌氧生化过程的复杂分析。由于神经网络能够根据对象输入、 输出的数据直接建立模型，不需要对象的先验知识及复杂的数学公式推导， 采用适当的训练算法就可以达到需要目标精度，跳过生化反应动力学和化学 计量法对厌氧生化过程动力学特征和中间产物的分析，能从宏观上对厌氧生 化过程控制提供监控。可用于厌氧生化过程的分析研究，是厌氧生物处理控 制过程的全新方法。 人工神经网络( a r t m c i a ln e l l r a ln e t w o r k s ，a n m 是人工智能领域中的一 个重要分支，它由大量简单的处理单元经广泛并行互连所构成，用于模拟人 脑神经系统的结构和功能。神经网络在模拟生物神经计算方面有一定优势， 以分布式存储和并行协同处理为特色；具有很强的自组织、自学习、自适 应、联想记忆及模糊推理等能力；还具备高度的容错性和鲁棒性1 8 j 。它的出 现为非线性系统建模提供一种新的工具。 西南交通大学硕士研究生学位论文第10 页 图1 1 研究技术路线图 西南交通大学硕士研究生学位论文第1 1 页 值和期望值( 实测值) 来调节权重，从而使网络输出达到一定的精度，无限 逼近厌氧生化反应过程。首先对试验数据进行标准化，把试验中测得的进水 c 0 d c ，浓度、碱度、挥发性脂肪酸进行标准化运算，然后用一部分标准化后 的数据代入神经网络，进行学习，通过学习来调整权值、阈值，直至最后网 络输出值实测吻合，从而确定神经网络模型。然后用此模型对出水水质进行 验证，然后利用此模型来分析碱度、挥发酸对c o d c r 去除率的影响，对皮 革废水厌氧生化过程提出控制方案。其技术路线见图l - 1 。 西南交通大学硕士研究生学位论文第1 4 页 运算。厌氧生化过程是典型的非线性系统，利用神经网络模型来模拟研究厌 氧生化过程是可行的。 ( 2 ) 良好的容错性与联想记忆特性。人工神经网络的信息以分布形式存 储在联接权系数中，网络具有很高容错性。 ( 3 ) 自适应自学习特性。人工神经网络可以通过样本训练和学习来获得 网络的权值与结构，使之能成功的用于有噪声干扰的问题上。 ( 4 ) 高度并行处理及综合信息的特性。人工神经网络是并行拓扑结构、 具有并行处理信息的能力，因此信息处理量和处理速度很高。神经网络种类 很多，其中最重要、应用最广泛的是b p 多层前馈网络，它是复杂非线性系 统建模的有利工具。 2 2 神经网络结构 2 2 1 神经元模型 神经元是人工神经网络的基本处理单元，它是生物神经元在功能上和结 构上的一种数学模型，它是神经网络设计的基础。如图2 一l 所示的m p 神 经元模型，它包括三个基本元素：突触或连接链、加法器、激活函数。 突触或连接链其实就是神经元的输入，它是由权值作为其特征，我们用 x = 一，x ：，x 。】表示一组突触，用w = 【w l ，w ：，】表示这组突触 对应的权值，用。表示阈值。 x 1 x 2 y 图2 1m - p 神经元模型 加法器( ) 用于输入信号被神经元的相应突触加权的和，简单地说， 西南交通大学硕士研究生学位论文第1 5 页 它功能是把每个神经元的输入值与相应的权值的乘积相加，这个操作构成一 个线性组合器。各个输入在求和后，经过激励函数进行计算，得出神经元的 输出，其输出表示为： 上 y = ，( 艺彬置句) j = 1 式中厂( ) 是输入输出间的非线性函数，称之为激励函数。它用来限制 神经元的输出振幅，它的输出振幅常常保持在一定范围内，最常见的就是 1 ，+ 1 或者 0 ，1 】。最常见的激励函数可归结为三类：闽值型、s 型、线性 型，其数学表达式分别见式2 1 ，式2 2 和式2 3 。 ，、f 1 “ o 群5 l o “ 6 时往往发生丁酸反应【4j 。对产甲烷细菌，它对p h 值变化的适 应性很差，最适宜的口h 值范围在6 5 7 5 ，所以在单相反应器中，产酸细 西南交通大学硕士研究生学位论文第2 7 页 酸、丙酸、丁酸、戊酸、己酸、乳酸，它们往往作为下一阶段( 产甲烷阶 段) 产甲烷菌的底物，如果产酸阶段与产甲烷产阶段不能一个平衡，挥发性 脂肪酸不能被甲烷菌及时利用，就会造成挥发性脂肪酸的积累，使反应器的 p h 值下降，而甲烷菌对p h 值要求非常严格，p h 值降至6 5 以下，甲烷菌 的活性就会受到抑制，严重时甲烷菌会完全被抑制，使产甲烷化阶段中断， 使整个厌氧过程失败，可见挥发性脂肪酸对有机物的去除率影响是巨大的。 ( 7 ) 碱度与碳酸盐碱度h 2 2 1 碱度表示水样中与强酸氢离子结合的物质含量，属于这样的物质在水中 是多种多样的，它们包括：强碱、例如：n a o h 、k o h 等离解得到的0 r ； 弱碱，例如氨、苯胺等；弱酸阴离子，例如c 0 3 2 、h c 0 3 。、h 2 p 0 4 。、h ：p 0 4 。 、s 0 3 二、腐殖酸阴离子、h s 、s 2 。等。碱度的大小以水样在滴定中消耗的强 酸的量来表示，这说明在测定碱度时必须确定合适的终点。因为终点不同， 所得到的结果不同，尽管如此，碱度测定方法( 其中包括标准方法) 常采用 不同的滴定终点，因此在报告测试结果时应当注明终点的p h 值。 这种由h c 0 3 所形成的碱度叫做碳酸氢盐碱度，它是反映废水在厌氧处 理过程中所具有的缓冲能力的更切合实际的指标。碳酸氢盐碱度的采用，反 映出随厌氧技术的发展，人们结合工艺过程对传统的碱度测定的认识口j 。 除了挥发酸以外，二氧化碳引起的酸度也是一个重要考虑的因素，也必须有 足够的碱度来中来中和它。在中性p h 值下，挥发酸盐也是碱度，虽然它们 可能是总碱度的主要组成部分，但是不能中和多余的挥发酸，所以碳酸氢盐 碱度才是主要的碱度。碱度计算时常常采用p o h l a n d 和s u i d a n 提出的公 式： 胁，- 警( 1 + 耕南静删 式中【口，七】一一碱度，m o 肌。3 秭一在操作温度下，甲烷的亨利常数 只。：一一二氧化碳分压 k 。、k 。：乙酸的分解常数 ( 3 1 0 ) 西南交通大学硕士研究生学位论文第3 0 页 接触发生水解、酸化，此时由于挥发酸产生的速率比甲烷菌代谢速率快，挥 发酸将会积累，p h 值急剧降低，此时反应器的正常运行需靠废水中的碱度 来中和累积的挥发酸，保持稳定的p h 值，在后续水流的推动下，水解酸化 过的废水逐渐由反应器底部向顶部移动，此时的反应以产甲烷反应为主，水 解酸化产生的挥发酸被产甲烷菌所利用，产生甲烷，挥发酸的碱度再生为碳 酸盐碱度。推流式反应器碳酸盐碱度的变化具体见图3 2 【3 “。 出口 瑙 赚 船 倒 赵 进口 5678p h 5 0 0l 0 0 0 1 5 0 02 0 0 0 挥发酸 图3 2 推流式反应器中碳酸盐碱度的变化 3 5 3u a s b 反应器的运行控制与管理m m 们 反应器正常运行后，主要观测和控制的指标有：进水水质、温度、处理 负荷、沼气组分、出水的挥发酸、碱度，污泥沉降性能及停留时间等。所以 要使进水水质稳定，水量均匀，增加负荷时应逐渐提高，不要有较大的波 动，运行温度要恒定，每日波动范围不宜超过2 ，同时监测出水挥发酸含 量，正确控制有机负荷。一般研究认为：挥发酸的高低是颗粒污泥形成不同 类型的重要因素，控制反应器出水的挥发酸浓度来选择污泥的优势菌种，利 用甲烷丝状菌基质亲合力较高的特点，维持低的出水乙酸浓度来达到使甲烷 丝状菌成为主要降解乙酸的产甲烷优势菌的目的。 在上述控制指标中，进水水质、温度、处理负荷这三项指标通过进水就 可以测到或者进行控制到。而碱度、挥发酸、沼气组分反映了厌氧反应器内 部运行的状况，是反映厌氧串联反应是否运行良好的间接指标。 西南交通大学硕士研究生学位论文第3 1 页 其中碱度和挥发酸它们之间，是相辅相成的，碱度的储备阻止着挥发酸 的积累，较高的挥发酸的浓度消耗着溶液中的碱度，它们共同维持着反应器 的p h 值。它们之间的关系可以参看式3 - 1 0 。 沼气组分主要为氢气、二氧化碳、甲烷这几种气体，二氧化碳还是影响 碱度的重要参数，其中二氧化碳和甲烷的比率公式分别为： ，瑚等寺吼b 岛( + 蔫+ 等) 矗卜， 式中( 2 l 表示c 0 2 产气率 世。一一c 0 2 在操作温度下的亨利常数， l 也t 2 k 。置。：操作温度下h 2 c 0 3 分解常数 骁一一水流的进水率，l 3 t “ c m 一进水中的有机碳浓度，m 0 1 e ，l 5 b 一一反应器总压力，m l l r 2 ( a 恤) q 。总的气体产率，p t “ 圪。二氧化碳分压 4 ) ，= g 等去+ 统。1 ( 3 _ 1 2 ) u 式中( c h 4 k 表示c 0 2 产气率 q 。总的气体产率，l 3 t 。 尼。甲烷气体分压 只一一反应器总压力，m l 。1t _ 2 ( a 恤) 耳。1 一一操作温度下的甲烷常数 g 一一体积与摩尔之间的转换系数，l 3 m 0 1 e 从式3 1 0 、3 1 1 ，3 1 2 可知，运用常规动力学分析方法进行厌氧操作控 制，需确定很多常数，这是一个非常复杂的过程。在3 一l o 式中，碱度大小 不但与p h 值、挥发酸浓度、滴定终点的p h 值有关，而且还与二氧化碳分 压、各种电离常数，分解常数有关，用它作为厌氧反应过程中的分析工具， 实用性较差，几乎很难运用。二氧化碳和甲烷的产气率公式由于同样的道理 在实践应用中也比较少。近年来，很多人都致力于寻找一种新的方法代替生 化动力学和化学计量学，以便更好地控制厌氧生化过程。b p 神经网络因其 西南交通大学硕士研究生学位论文第3 2 页 能处理非线性复杂问题的特性，在厌氧操作控制中的应用越来越多，它不必 分析复杂厌氧生化过程，只需建立一个模型，通过模型对对测得参数的数据 进行学习，记住废水的生化特征，模型再遇到相似的输入就会产生相似的输 出，据此来预测出水水质，对废水处理过程进行控制。 西南交通大学硕士研究生学位论文第3 5 页 学习中不太起作用的连接权和隐含层单元删掉。 根据试验，最后隐含层单元数确定为4 个，这样b p 网络结构就确定 了，总共有三层，输入层神经元有三个，分别是碱度、挥发酸、进水 c 0 d c ，隐含层单元数为4 个，输出层单元数为1 个，参数变量为出水 c o d c r 。 4 3 激励函数的选取 b p 学习算法是采用梯度下降法，在权矢量空间求取误差函数值的极小 值，能够使误差函数极小化的权值组合即为学习问题的解答【l “。由于这种 梯度下降法在计算时必须进行求导运算，故函数选取时必须保证函数的连续 可导性，原则上能满足这个条件的函数都可以作为激励函数。在几种常用的 激励函数中，阈值型函数不可导，参见图2 2 ，而线型函数又太简单，所以 在实际运用中，应用最普遍的类激励函数：s i g m o i d 函数( 或称s 形函 数) ，它是在水处理和其它领域中，利用b p 网络处理问题最常用的函数， 得到很多成功的验证。其表达式为： s ( x ) = 专 。 表达式图像为： 1 。 i 。5厂 一 图4 一ls i g m o i d 函数图像 其中式中c 为常数，可以任意选定不同的c 值，皓线的饱和度不同，当c 趋 向无穷时，s i g m o i d 曲线变为原点的阶跃函数。本论文中取c = 1 o 即采用s ( x ) = 1 ( 1 + e - x ) 形式。此时其导数为： 西南交通大学硕士研究生学位论文第3 7 页 经过标准化后，无论原始数据在数量级上有多大的差别，经过式4 3 处 理后，其值皆在区间f o ，1 ) 内，能满足神经网络计算的需求。 4 5b p 算法学习步骤 1 随机给定一个神经网络各权重一个小的非零实数值，并随机给定学习 率，7 和惯性系数口。 2 在总共n 个样本对中，输入第一个样本对。 3 根据神经网络的激励函数计算该样本对实际输入值 4 根据式4 4 调整权重 w 0 + 1 ) = 口w ( ，) 一刁d d ( 4 - 4 ) 5 输入下一个样本对，循环利用n 个样本对，直至每个权重趋于稳定为 l 卜。 4 。6 程序的编制 图4 3 神经网络结构图 ( 1 ) w ，口，玎，目的初始化 b p 学习时权值的初始值是非常很重要的，初始值过大、过小都会影响 学习速度，因此权值的初始值应选为均匀分布的小数经验值，大概为( 2 4 ，2 4 之间) ，步长野的选取也是非常重要的，如果值选取大，网络收敛 西南交通大学硕士研究生学位论文第3 9 页 进水c o d 标准化 碱度 标准化 输入一组进 水c o d 、碱度 挥发酸的值 输入w 1 w 1 6 的初始值 挥发酸 标准化 输入a 、q 的值 输入e 卜e7 的值 通过s 函数计 算c o d 的输出值 保留这组权值 作为下一组权 值的初始值 得到一组对所有组 数据都适合的权值 不满意 图4 4计算程序流程图 根据误差 调整权值 4 7 确定网络结构 整个计算流程包括对原始数据的标准化，神经网络运算、对输出值进行 反标准化模拟、计算c o d c f 去除率。在这些流程中主要任务是神经网络的 运算，结构的确定主要任务也就转换成神经网络结构的确定。整个流程如图 4 5 所示。 西南交通大学硕士研究生学位论文第4 0 页 原蝴 _ 图4 5 网络计算流程图 原始数据中的c 0 d c ，、碱度、挥发性脂肪酸分别进行数据标准化，标 准化后的数据输入到神经网络中去，其中c o d c ，数据标准化后以x 1 表示， 碱度以x 2 表示，挥发性脂肪酸以x 3 表示。其中x l ，x 2 ，x 3 作为神经网络 的三个输入值，代入神经网络进行运算，神经网络的最后输出值为o ( 5 ) ， 可以参见图4 3 和图4 5 ，o f 5 ) 的值是标准化的值，介于o 】之间，它需转 换成真实值，这就是图4 5 中的数据的反标准化，得到真正c o d c ，值后， 就可以计算c o d c ，的去除率了。 在神经网络结构图中，共有三层，一个输入层、一个输出层和一个隐含 层。第一层共三个神经元，分代表进水c 0 d c ，输入值、碱度输入值、挥发 酸输入值，其值己被标准化，就是上面提到的x 1 ，x 2 ，x 3 。o ( 5 ) 为出水 c o d c ，的模拟值( 计算值) ，除这四个神经元之外还有隐含层4 个神经元， 它们每一个并没有实际含义，只是计算的需要。在这八个神经元间有十六条 连结线，见图4 3 ，表示上一层神经元向下一层神经元的输入，每个输入会 有一个权重，共有十六个权重，分别用w ( 1 ) ，w ( 2 ) w ( 1 6 ) 表示，从隐含 层到输出层共有1 1 个输出，用0 ( 1 ) ，0 ( 2 ) ，0 ( 5 ) 表示。 4 8 模型的评定 模型的构建后，需对神经网络的模型进行评价，确定模型构建的合理 性。以r m s e ( r o o t m e a n - s q u a r e d - r e s u l t s ) 和a p e ( a v e r a g ep e r c e n t a g e e r r o r ) 作为评价b p 神经网络预测精度的标准。 西南交通大学硕士研究生学位论文第4 4 页 出水水质的最重要的三个参数，故这三个参数和出水c o d 是在试验需要 测试的参数。如图5 2 所示，在试验流程中，设置了二个取样点：u a s b 的进水口、u a s b 的出水口。 进水数据监测点在u a s b 的进水口，在此点需要监测的数据有进水 c 0 d c ，浓度、废水中的碱度，出水数据在u a s b 的排放口，在此处要监测 的数据有出水c o d c ，、挥发酸浓度。取样时间的安排：污水站运行u a s b 反应器设计水力停留时间为2 4 小时，进水和出水取样也间隔2 4 小时，进 水取样一般在第一天的上午8 9 点，出水取样在第二天的8 9 点。这样 测出的一组对应数据，作为神经网络的一组样本，经过连续4 5 天试验取 样，得出许多组试验数据，作为神经网络学习与检验的样本对。 5 4 实验方法 5 4 1c 0 d 。的测定方法： 原理：采用方法为重铬酸钾法，主要原理是在强酸性的溶液中，准确加 入过量的重铬酸钾标准溶液，加热回流，将水样中还原性物质( 主要是有机 物) 氧化，过量的重铬酸钾以试亚铁灵作指示剂，用硫酸亚铁氨标准溶液回 滴，根据所消耗的重铬酸钾标准溶液量计算水样化学需氧量【2 1 】。 药品与仪器： ( 1 ) 0 2 5 m o l l ( 1 6 k 2 c r 2 0 7 ) 溶液；( 2 ) 相对密度1 8 4 的浓硫酸； ( 3 ) 硫酸银；( 4 ) 硫酸汞； ( 5 ) 亚铁灵指示剂：将1 4 8 5 9 的l ，1 0 邻菲哕啉和o 6 9 5 9 的 f e s 0 4 7 h 2 0 溶于少量蒸馏水，并稀释至1 0 0 m l ； ( 6 ) 六水合硫酸亚铁铵标准溶液，约为0 2 5 0 0 m o l l 。配制时将9 8 o g 六 水合硫酸亚铁铵溶于蒸馏水中，加入2 0 m l 浓硫酸，稀释至1 0 0 0 m l ； ( 7 ) 3 0 0 m l 磨口烧瓶及回流冷凝管； ( 8 ) 移液管与滴定管等。 实验步骤： ( 1 ) 取适量体积的待测水样l o m l ，其氧化时消耗的重铬酸钾标准溶液量 不超过2 0 m 1 。可使用蒸馏水稀释至5 0 m l ，置于3 0 0 m 1 带磨口烧瓶中； ( 2 ) 加入5 m l 浓硫酸，少量h g s 0 4 ( 约1 9 ) 并摇晃使溶解； 西南交通大学硕士研究生学位论文第4 5 页 ( 3 ) 少量、逐渐地加入2 5 o m l 标准重铬酸钾溶液，再分几次缓慢加入 3 0 m l 硫酸银硫酸试剂，加入几粒沸石或玻璃珠。 ( 4 ) 将烧瓶与回流冷凝器连接，开启冷却水，加热至微微沸腾并维持2 h 后移去火焰，使其冷却，以蒸馏水少许清洗冷凝器内壁2 3 次。 ( 5 ) 将烧瓶内的溶液转移至三角瓶，滴入3 4 滴亚铁灵试剂，用六水 合硫酸亚铁铵标准溶液滴定剩余的重铬酸钾，记下硫酸亚铁铵标准溶液的消 耗毫升数v 2 ； ( 6 ) 取5 0 m l 蒸馏水作为空白试验，按与上述过程完全相同的过程操 作，记录硫酸亚铁铵标准溶液的消耗毫升数v 1 。 结果计算 计算公式：c o d c ，= 竺堕丝昙螋 v 5 4 2 碱度与挥发性脂肪酸( v f a ) 的测定方法： 对碱度与v f a 的测定采用联合滴定法。 原理：碱度是表示水样中与强酸中氢离子结合的物质的量，它们包括强 碱、弱碱、弱酸阴离子，碱度能反映出厌氧处理过程中对酸的缓冲能力，厌 氧处理中往往会出现有机酸的积累，致使p h 下降，影响到反应器的反应条 件，使反应器在非正常的条件下工作，严重情况下会使厌氧处理过程瘫痪。 碱度的测定以消耗水中的强酸量来表示，所以它的测定结果与滴定终点有直 接的关系，不同的测量方法有不同的滴定终点，在本论文中采用“碳酸氢盐 碱度与v f a 联合滴定法”，水样以先以o 1 m o l l 的h c l 标准溶液滴定p h 值 到3 0 ，在此p h 情况下，所有的h c 0 3 被完全转化为h 2 c 0 3 ，v f a 也几乎 完全转化为非离子形式。此后，已被滴定至p h 值= 3 o 的水样在带回流冷 凝器中煮沸，所有由h c 0 3 一形成的h 2 c 0 3 会分解为水和二氧化碳，其中二 氧化碳逸出，而v f a 则由于回流冷凝而保留在水样中，这样用n a o h 溶液 就可以测定出v f a 的浓度，然后计算出碱度的浓度。 仪器：自动电位滴定计，容量瓶、电炉、半微量酸式滴定管、碱式滴定 管、天平、烧杯、量筒。 实验步骤： 安装好自动电位滴定计，将水样过滤，准确取上清液v m l ，加入2 5 0 m i 烧杯中。如果水样样品中的p h 值高于5 5 ，则用滴定的盐酸调节至5 5 ，然 西南交通大学硕士研究生学位论文 第4 7 页 1 22 3 0 15 4 0 2 9 41 6 8 62 6 7 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 1 7 0 4 1 8 9 3 2 0 1 8 1 2 4 1 1 7 1 5 1 5 1 3 1 4 4 3 1 4 4 3 2 1 4 2 2 3 1 2 2 1 4 2 1 2 3 0 2 0 1 8 2 8 1 5 3 2 1 4 2 0 1 7 1 8 7 1 2 3 6 6 1 4 2 5 1 5 6 8 1 9 5 8 1 7 3 2 1 8 4 7 2 3 6 9 2 2 4 l 2 5 l l 1 5 1 3 6 0 0 5 7 0 5 8 5 6 0 0 6 0 0 5 1 0 5 6 7 5 4 0 5 5 5 6 3 5 5 5 5 5 1 0 6 1 0 6 2 5 6 5 0 5 5 5 5 4 0 5 8 7 6 3 6 5 7 4 3 9 3 4 9 7 6 0 l 7 1 2 5 1 3 6 2 3 6 3 0 3 9 6 3 9 0 2 8 8 2 8 b 4 9 2 3 6 0 4 0 2 2 3 4 2 5 2 2 3 4 1 6 8 3 4 8 3 9 6 2 8 9 3 2 5 4 4 4 3 5 9 2 8 7 3 9 5 4 0 0 2 3 9 4 8 6 4 6 5 3 5 4 1 9 8 2 9 9 4 3 2 1 2 5 7 1 2 1 1 1 3 6 6 9 7 6 1 2 5 7 1 1 0 1 1 1 0 1 1 2 2 1 9 1 l 2 1 5 7 9 1 1 4 2 5 1 3 6 6 1 1 8 5 1 2 5 8 1 2 0 3 1 0 5 2 1 0 8 8 1 0 2 8 1 0 3 5 3 4 5 1 0 7 1 1 2 8 8 1 3 1 2 4 5 8 1 2 5 8 1 1 5 9 2 6 2 3 6 0 3 2 _ 3 2 1 4 2 6 7 2 7 2 2 3 7 1 1 5 4 3 0 5 7 5 组样 6 7 本对 5 7 5 用于 6 5 4 学习 3 2 3 5 7 9 6 0 9 4 0 4 4 3 8 5 4 0 2 7 9 3 4 o 8 2 4 3 等 霾 4 02 2 3 15 4 73 7 7 1 2 1 l4 5 7 _ - _ _ - _ _ _ _ 一l _ _ _ - - - - _ _ 一_ _ - _ 一 从表5 1 可以看出，进水c 0 d c ，浓度范围为1 叭2 m g ，l 3 2 1 4 m g l ，经计 算平均值为1 9 7 9m l ；碱度从3 9 3m 鲫1 0 0 0m 烈变化，平均值为6 0 7 m g 1 挥发酸最小值为1 6 8m 朗，最大值7 7 4m g n ，平均值3 9 1m g ，1 ；出水 c o d c ，浓度范围为1 3 2m g l 2 4 2 2m g l 平均为1 1 9 3m g l ，这些数据基本 上反映了u a s b 的运行状况。 5 4 4 数据的标准化处理 西南交通大学硕士研究生学位论文第4 8 页 为了使试验数据满足神经网络的运算要求，需对其值进行标准化处理， 处理方法用隶属度函数法。进水c o d c r j 碱度、挥发性脂肪酸、出水 c o d 臼均需进行标准化处理，处理方法采用式4 3 。 式4 3 中的参数a ，6 ，c 决定着函数”( x ) 走向、弯曲度。确定 a 、6 、c 时，原则上使该组数据中的平均值作为输入时，“( x ) 输出要 保持在0 5 左右；使数组中的小值输入时，“( x ) 输出要靠近0 ，数组 中大值输入时，“( z ) 输出靠近l 。在此原则下，进水c o d c ，、碱度、 挥发性脂肪酸、出水c 0 d c ，标准化处理时a 、6 、c 取值参见表5 2 。 表5 2隶属度函数参数表 参数进水c 。c 。碱度 挥蔷篓脂 出水c 。c ， b 2 3 2 2 c 6 0 01 5 07 05 0 序号进水c o d 。碱度挥发酸出水c o d 。 化 西南交通大学硕士研究生学位论文第4 9 页 从表5 _ 3 和表5 1 比较可以看出，采用式4 3 标准化处理后，标准值大 小基本上能反映出原始值的大小，原始值比较大的，标准值也比较大，原始 值较小的，标准值也比较小，说明标准化处理比较成功，能够反映数据处理 前后的对应关系。 5 6 神经网络模型的学习和验证 5 6 1 模型的学习m m 。幻 西南交通大学硕士研究生学位论文第5 0 页 学习是一个过程，通过这个过程神经网络的自由参数( 主要是权重) 在 其嵌入的环境的激励之下得到调节，学习的类型由参数的改变方式决定 3 6 】。 以表4 1 中的各项参数的值为初始值，把表5 _ 3 中的第一组样本对，输 入进行学习。程序经过4 3 8 0 次迭代，各个权重w ( 1 ) ，w ( 2 ) w ( 16 ) 不再变 化。权重大小见图5 3 。 图5 - 3 第一组样本对运算结果图 然后以第一组样本对权重为初始值，输入第二组样本对，依次类推，使 这3 0 组样本对循环利用，直至各个w 稳定为止。 迭代学习过程得到，权重w = 5 0 0 3 5 ，5 0 0 3 5 ，5 0 0 3 5 ，5 0 0 3 5 ，4 4 5 6 2 ， 4 4 5 6 2 ，4 4 5 6 2 ，4 4 5 6 2 ，5 3 9 5 3 ，5 3 9 5 3 ，5 3 9 5 3 ，5 3 9 5 3 ，1 6 4 9 5 ， 西南交通大学硕士研究生学位论文第5 2 页 平均误差4 雎= 去喜鹄裂川帖s 瑚 从表5 4 和图5 5 可以看出，出水c o d c ，波动较大，最大值为 1 3 1 2 m l ，最小值3 4 5m l ，这既和进水负荷有关，也和碱度、挥发酸浓度 相联系，反映出水受多参数的影响。从结果来看，预测值和实测值吻合较 好，相对误差大部分都在5 以内，只有两个点超过了5 ，样本对的输出 值的平均误差也只有3 2 8 ，说明模型的构造能较好反映模拟u a s b 运行状 况，能够较准确的预测c 0 d c ，的出水变化，能够反映出各个参数对u a s b 去除率的影响，在操作中通过改变碱度、挥发酸、进水c 0 d c ，来研究 c o d c ，去除率的变化，对u a s b 厌氧生化过程的操作控制提供指导，具有 较强的实用价值。 o 高 目 v 趟 袋 * 丑 3 l3 23 33 43 53 6 3 73 83 94 0 样本对序号 巨夏巫e 童亟圃 图5 5 出水c o d c r 预测值与实测值比较图 蝴 姗 姗 啪 伽 撇 。 西南交通大学硕士研究生学位论文第5 3 页 结论 针对复杂的、多参数影响下、非线性的厌氧生化处理过程，生化动力学 和化学计量学的方法不能准确描述其多级的串联反应过程，b p 网络建模方 法研究的对象一般具备不确定性、高度非线性、复杂性等特点，可有效地模 拟厌氧生化反应过程，对出水水质进行预测和控制。本文采用b p 模型对 u a s b 处理制革废水过程进行模拟分析，探讨重要控制参数对u a s b 厌氧 生化反应的影响，得出以下结论： 1 、b p 神经网络模型能有效地用于模拟u a s b 厌氧反应器中，模型预 测废水c o d c ，去除率平均误差3 2 8 ，小于5 ，说明采用b p 模型对厌氧 生化过程进行模拟与控制是可行的，这为高浓度有机废水的厌氧生化过程控 制提供新的方法。 2 、神经网络的学习数据一定在厌氧反应器稳态运行下取样试验，以便 得到高质量的试验数据，如果学习数据质量不高，或者因果关系不明显，会 影响神经网络的预测精度，使预测值与实测值相差比较大。 3 、该模型既可以对水质进行预测，也可以分析各参数变量( 碱度、挥 发酸、进水负荷) 与出水水质之间的关系，为厌氧反应器出水水质的控制提 供了依据。 4 、模型预测精度受隐含层数、隐含层单元数、训练次数、激励函数的 类型等影响，它们的综合影响是比较复杂的。 5 、采用的s 激励函数、隶属度函数能满足计算要求，它们能够成功地 运用于厌氧生化过程的建模中。 由于时间、工作准备等原因，本文在某些方面还不够深入和完善，需进 一步进行加强和深入：主要包括以下几点： l 、影响厌氧反应出水的因素是很多的，由于试验条件限制，本论文中 选取了最重要的碱度、挥发性脂肪酸、进水c o d c r 三项指标，作为神经网 络的输入参数，在下一步的研究中，应多方面考虑，再加入硫酸盐浓度、二 氧化碳分压、d h 值等参数。 2 、训练过程中的鲁棒性，收敛性还有待进一步的研究。 3 、b p 模型预测时，发现内插性能优异，而外延性能较差，这可能导致 在控制范围之外的个别点进行预测时，会产生较大的误差，在下 西南交通大学硕士研究生学位论文第5 6 页 w 0 ) = k ( i ) n e x t j i ( 1 ) = w ( 1 ) + x ( 1 ) + w ( 5 ) 4x ( 2 ) + w ( 9 ) + x ( 3 ) - o ( 1 ) i ( 2 ) = w ( 2 ) + x ( 1 ) + w ( 6 ) + x ( 2 ) + w ( 1 0 ) + x ( 3 ) 一o ( 2 ) i ( 3 ) = w ( 3 ) 8 x ( 1 ) + w ( 7 ) + x ( 2 ) + w ( 1 1 ) x ( 3 ) - e ( 3 ) i ( 4 ) = w ( 4 ) + x ( 1 ) + w ( 8 ) + x ( 2 ) + w ( 1 2 ) + x ( 3 ) 一o ( 4 ) o ( 1 ) = l ，( 1 + e x p ( 一i ( 1 ) ) ) 0 ( 2 ) = l ，( 1 + e x p ( 一i ( 2 ) ) ) o ( 3 ) = l ( 1 + e x p ( 一i ( 3 ) ) ) o ( 4 ) 2l ，( 1 + e x p ( - i ( 4 ) ) ) i ( 5 ) = w ( 1 3 ) + o ( 1 ) + w ( 1 4 ) 。o ( 2 ) + w ( 1 5 ) + o ( 3 ) + w ( 1 6 ) + o ( 3 ) - o ( 5 ) 0 ( 5 ) = l ，( 1 + e x p ( 一i ( 5 ) ) ) t = t + 1 m = i ( 5 ) s = 1 ，( 1 + e x p ( - m ) ) f = s + ( 1 - s ) d ( 5 ) = ( o ( 5 ) 一x ( 4 ) ) + f m = i ( 4 ) s = 1 ，( 1 + e x p ( - m ) ) f = s + ( 1 - s ) d ( 4 ) = w ( 1 6 ) d ( 5 ) + f m = i ( 3 ) s = l ( 1 + e x p ( - m ) ) f = s4 ( i s ) d ( 3 ) = w ( 1 5 ) + d ( 5 ) + f m = i ( 2 ) s = 1 ( 1 + e x p ( 一m ) ) f = s ( 1 一s ) d ( 2 ) = w ( 1 4 ) + d ( 5 ) + f m = i ( 1 ) s = 1 ( i 十e x p ( 一m ) ) f ；s + ( 1 - s ) 西南交通大学硕士研究生学位论文第5 8 页 n e x t j f o r j = lt o5 p r i n t ”i ( ”；j ；”) = ”，w 0 ) ，”d ( ”；j ；”) = ”，d ( i ) n e x t j e n ds u b 西南交通大学硕士研究生学位论文第6 0 页 参考文献 1 杨雪梅高浓度有机废水的超高温水解酸化研究吉林大学硕士学位论文，2 0 0 5 2 王绍文，罗志腾，钱雷高浓度有机废水处理技术与工程应用 蛔北京：冶金 3 申立贤高浓度有机废水厌氧处理技术 蝴北京：中国环境科学出版社，1 9 9 1 4 赵庆良，任南琪水污染控制工程化学工业出版社，2 0 0 5 工业出版社，2 0 0 3 7 ： 5 徐文李蘅张生炎等高浓度有机废水化学和物理法处理技术综述矿物资源与地 理 j 2 0 0 2 1 21 6 ( 6 ) 6 胡纪萃废水厌氧生物处理理论与技术 m 中国建筑工业出版社，2 0 0 3 5 7 贺延龄废水的厌氧生物处理 m 北京：中国轻工业出版社，1 9 9 8 8 c h o ，bc ，e t c d e v e l o p e n to far e a l 一t i m ec o n t r 0 1s t r a t e g yw i t ha r t i f i c i a l n e u r a ln e t w o r kf o ra u t o m a t i cc o n t r 0 1o fc o n t i n u o u s f l o ws e q u e n c i n g b a t c hr e a c t o r w a t s c i t e c h ，2 0 0 1 ，4 4 ( 1 ) ：9 5 1 0 4 9 钟义信等智能理论与技术一人工智能与神经网络北京：人民邮电出版社1 9 9 2 1 0 s g e ，s a h e l y a n dd a v i dm b a 9 1 e y ，m e m b e r ，a s c e d i a g n o s i n gu p s e t si n a n a e r o b i cw a s t e w a t e rt r e a t m e n tu s i n gb a y e s i a nb e l i e fn e t w o r k s j 叫r n a l o fe n v i r o n m e n t a le n g i n e e r i n g