多元回归和BP人工神经网络在预测混合厌氧消化产气量过程中的应用比较

对脂肪类单基质和城市污水厂剩余污泥混合厌氧消化过程的产气阶段进行基于多元回归和BP人工神经网络的产气量预测模型比较研究。实验数据分别取自反应过程的第1～16天和第17～70天。结果表明:多元回归模型的预测平均准确率分别为75.69%和79.29%;BP神经网络模型的预测平均准确率为79.05%。通过对比2种模型的预测结果可知,两种模型都有较高的预测准确率,但BP模型的预测准确率更高,更适用于混合厌氧消化产气量预测。     

青岛市餐厨垃圾与菜市场垃圾混合高温厌氧消化研究

在中试规模下,研究青岛市餐厨垃圾与菜市场垃圾混合(质量比1∶1)高温厌氧消化实验,通过监测厌氧消化过程中产气量、气体组成等产气情况和消化液中pH值、SCOD、NH3-H、VFAs含量和组分等化学指标变化,确定混合厌氧消化的最大有机负荷,并分析混合高温厌氧消化技术的可行性,结果表明,(1)青岛市餐厨垃圾与菜市场垃圾混合高温厌氧消化产甲烷具有技术可行性;(2)混合厌氧消化的最大有机负荷可达4.069 kg VS/(m3.d);(3)当系统最大有机负荷时,每天每千克VS最高可产生甲烷量0.346 m3;(4)混合厌氧消化可削减氨氮对餐厨垃圾单独厌氧消化产沼气的影响。     

污泥厌氧消化的人工神经网络模型

基于污泥固体停留时间(SRT)为20 d的污泥中温厌氧消化实验,建立一个3层BP神经网络,以前1～20 d的进泥挥发性悬浮固体(VSS)、当天消化罐pH值和碱度共22个参数为输入,预测污泥消化系统日产气量,结果表明,网络具有良好的学习能力、泛化能力和辨识能力,能够较为准确地预测出系统日产气量.此外,根据进泥VSS不同,利用网络预测能力,调节pH值和碱度到合适的值,系统日产气量有明显提高,进一步证明了网络具有良好的预测能力和实用性.     

焚烧发电厂垃圾渗滤液与秸秆的中温厌氧消化

为探索秸秆与焚烧厂垃圾渗滤液混合厌氧消化的可行性,进行探索性实验.1L焚烧发电厂的垃圾渗滤液与37.56 g(有机负荷为30 g VS/L)破碎至1～2 cm的秸秆,在中温(35℃左右)厌氧条件下发酵.发现pH为5.0的渗滤液与未经生物、化学处理的秸秆可以进行混合厌氧消化.实验累积产气141 d,累积产气量达43 749 mL,最高产气量2 590 mL/d.生物气中CH4含量在50％以上,最高时可达70.89％.渗滤液消化前COD为70 472 mg/L;产气开始时,秸秆与渗滤液两相消化液COD为83 896 mg/L;产气基本停止时,消化液COD降至14 245 mg/L,COD去除率达到83.02％.本实验将秸秆纤维的转化利用以及渗滤液的厌氧发酵结合起来,提供了一种以废治废的治理思路,对寻找新的绿色能源具有一定的启发作用.     

玉米秸与鸡粪混合厌氧消化产气性能与协同作用

研究了玉米秸与鸡粪在不同混合比例条件下的厌氧消化产气性能和协同作用效果。设计了9种玉米秸与鸡粪的混合比例(1∶0、1∶1、1∶2、1∶3、1∶4、2∶1、3∶1、4∶1、0∶1),每种比例分别在3个不同负荷(50、65和80 g/L)下进行混合厌氧消化。结果表明,与未预处理玉米秸与鸡粪混合厌氧消化相比,NaOH预处理玉米秸与鸡粪混合厌氧消化的单位TS产气量提高了5.5%～62%。当预处理玉米秸与鸡粪的混合比例为1∶2、上料负荷为50 g/L时消化产气性能最好,此时的累积甲烷产量达到19 488 mL,比相同负荷下单一玉米秸厌氧消化的累积甲烷产量高出32.6%,比单一鸡粪厌氧消化的累积甲烷产量高出11.4%。混合厌氧消化协同作用的贡献率达到7.1%～17.7%,其中玉米秸与鸡粪的比例为1∶2时,其贡献率与其他比例相比高出25%～150%。可以为粪草混合原料厌氧消化提供设计和运行依据。     

基于人工神经网络的居民生活垃圾可燃成分热值预测

研究采用BP、RBF和自适应神经模糊推理系统(ANFIS)对生活垃圾可燃成分的热值进行预测。结果表明,BP神经网络模型的预测准确率为93.36%,RBF模型为96.87%,ANFIS模型为91.06%,3种模型均可用于可燃成分热值预测,但RBF模型的预测准确率相对较高,更适用于可燃垃圾的热值预测。     

基于BP和RBF神经网络的外加碳源量模型研究

碳源作为反硝化过程的电子供体,是影响生物脱氮过程的重要因素,低碳氮比污水需外加碳源以保证反硝化反应的顺利进行。为了优化控制碳源投加量,对实验室搭建的CAST工艺污水处理装置的进水条件和外加碳源量的非线性关系分别进行了基于BP和RBF神经网络的模型研究,并对外加碳源量进行了预测。结果表明,两种网络模型均能有效预测外加碳源量,RBF神经网络模型在训练速度和逼近能力方面优于BP神经网络模型,但在预测性能方面BP神经网络模型则有更高的预测精度。     

ABR处理硫酸盐有机废水的BP神经网络建模

通过厌氧折流板反应器(ABR)处理硫酸盐有机废水的实验数据对BP神经网络进行训练,建立了ABR处理硫酸盐有机废水的BPNN模型,通过测试对比,找出了较优训练函数为traingda,较优训练次数为1 900.利用分割连接权值法(PCW)对影响出水SO42-和COD的主要因素进行分析,结果显示进水COD、SO42-、pH、COD/SO42-和HRT对出水SO42-和COD均产生一定影响,其中进水pH对出水SO42-和COD的影响最大,相对重要性(RI)指数分别为30.79％和23.44％;并通过样本试验数据分别建立了对SO42-和COD去除率的限制因子仿真模型,为预测硫酸盐有机废水的厌氧处理过程提供指导.     

推流式反应器厌氧消化浮萍和猪粪混合物

使用带隔板的推流式反应器(体积约为4 m3),对浮萍与猪粪(干重比1:1,湿重比7:1)的混合物、猪粪进行为期50 d的中温厌氧消化产气性能比较研究,结果表明,在有机负荷为3.5 g(VS)/(L·d)时,浮萍与猪粪(干重比1:1,湿重比7:1)混合物的VS产气率为0.31 L/g,COD转化率为63.2％,反应器容积产气率为1.00 m3/(m3·d)；猪粪的VS产气率为0.28 L/g,COD转化率为57.1％,反应器容积产气率为0.71m3/(m3·d).进料COD和SS的平均浓度分别为19.19 g/L和14.28 g/L,推流式反应器对其平均去除率分别为59.7％和68.7％.由此说明,带隔板的推流式厌氧反应器对浮萍和猪粪的混合物有较好的厌氧消化能力,浮萍与猪粪混合物的厌氧消化性能优于猪粪.     

T-S模糊神经网络在厌氧反应器预测中的应用

3个厌氧反应器运行稳定后,用三氯甲烷和2、4-二硝基酚作为毒物负荷对它们进行了冲击试验.利用负荷冲击试验所得的数据集建立了T-S模糊神经网络,并用其预测了反应器的容积产气率、挥发性脂肪酸和CH4体积含量.研究结果表明,基于某一反应器建立的T-S模糊神经网络可以很好地预测毒物负荷冲击下该反应器的容积产气率、挥发性脂肪酸和CH4变化规律,实测值与预测值的相关系数均＞0.850;但是基于某一反应器建立的模糊神经网络用来预测其他反应器时,其预测能力较差,预测值和实测值的相关系数基本上＜0.500.     

RBF与Elman神经网络在人工湿地复合基质去污效果预测中的应用

人工湿地的去污机理复杂、呈高度非线性,故利用神经网络技术构建模型预测其长期运行效果。通过构建人工湿地复合基质模拟槽系统进行为期4个月的实验,监测得到56组COD去除率数据样本,经Matlab小波去噪后分别利用RBF和Elman网络构建动态神经网络模型,预测该系统对生活污水中COD去除效果。结果表明,RBF和Elman神经网络预测值的均方根误差分别为0.0186和0.0163,精度较高,该系统后期的COD去除率在49.4%～59.0%之间。     

化学-生物絮凝工艺类神经网络模型比较研究

在化学-生物絮凝工艺中试研究的基础上，分别建立了基于BP类神经网络的多输入多输出（MIMO）模型与多输入单输出（MISO）模型。应用化学生物絮凝工艺中试6个不同工况的实测数据对2个模型进行训练，均表现出很好的收敛性。通过另外2个中试工况的实测数据对模型预测性能进行测试，MISO模型对化学-生物絮凝反应器出水的COD、TP和SS的预测相对误差均低于MIMO模型，其预测相对误差均在9%以下。研究表明，MISO模型是一个很易使用的建模工具，能很好地预测化学-生物絮凝工艺出水水质。     

模糊神经网络控制在污水处理中的应用研究

对模糊神经网络(FNN)技术应用于污水处理进行了研究,提出了一个具有五层的模糊神经网络控制器,仿真实验表明,该控制系统具有很强的鲁棒性与容错性.该控制器能够自动调整隶属度函数、动态优化控制规则,将其应用于溶解氧控制和出水水质预测,结果表明可以快速、有效地使溶解氧浓度达到期望值,实际出水水质预测结果也具有很好的收敛性和预测精度.     

基于遗传神经网络模型的空气能见度预测

由于雾霾导致的空气能见度降低,给人们的出行带来很多不便。针对这一现象,构建基于遗传神经网络算法的空气能见度预测模型。将与空气能见度相关的7种气象因子和6种污染物浓度因子经过主成份分析后作为输入数据,输出8:00能见度和14:00能见度。该模型能够克服BP神经网络易陷入平坦区域和局部最优解的问题。以西安市2013-1-1—8-16的数据训练遗传神经网络,通过使用灰色模型获得预测时间段8-17—23的输入数据,可以得到这段时间能见度的预测值。通过与BP神经网络模型的比较,发现遗传神经网络预测模型在预测结果的相关性和绝对误差方面均优于BP神经网络模型,因此,可以更准确地预测空气能见度。     

人工神经网络在沿海区域环境复杂系统预测中的应用

针对复杂系统的非线性特征，分析了应用人工神经网络技术实现可持续发展复杂系统预测的可能性，并以上海市和崇明县为例建立沿海区域预测模型，取得了较好的预测结果，为可持续发展复杂系统的预测研究探索了一种新的可能方法。     

利用复介电常数和BPAT神经网络进行环境监测的可行性研究

土壤中的污染物成分复杂，其含量与复介电常数之间具有很强的非线性关系。以土壤样品复介电常数的实部、虚部分别作为输入，以其含水率、体密度和所含6种已知离子的浓度分别作为输出，建立BP人工神经网络。把吉泰兰地区的土壤样品数据分为训练样本集和检验样本集，网络训练后，其学习效果显示模型的性能很好，检验样本的预测结果也与实测值较好吻合，说明利用复介电常数和BP人工神经网络进行环境监测是一种好的方法。     

应用神经网络方法优化垃圾焚烧模拟灰渣熔点的预测

采用SiO₂、Al₂O₃、CaO、Na₂CO₃、NaCl和Fe₂O₃等物质来模拟垃圾焚烧的真实灰渣组成，通过实验测定模拟灰渣熔点，建立神经网络模型进行熔点预测，由预测结果来指导进一步实验，得到修正的模型，最终预测出的半球温度（HT）平均误差低于5%。     

Elman神经网络在抽水地面沉降预测中的应用

将Elman神经网络应用于南京奥体中心地铁站抽水试验初期对地面沉降的预测，提出了一种预测模型。该模型采用对已知数据样本进行分段的方法，把分段后的数据作为网络输入和期望输出训练网络，从而达到动态建模的目的。从预测结果来看，该模型误差较小，基本上能够反映2002—07—21当天地面沉降的真实情况，具有一定的可靠性和实用性，因此，该模型可作为后期由于基坑开挖和防渗排水所引起地面沉降的分析工具。     

基于结构化设计的湖、库富营养化模型研究

基于结构化设计概念，将LEEDs模型与人工神经网络模型耦合，建立湖、库富营养化模型，模型包含N、P、COD、水温、水深和流速等6个控制模块。并以三峡水库为例预测结果表明，在3月和9～10月，月平均气温约为17℃，水深约为5m，流速约为0．02m／s时，三峡库区水体富营养化指标最大。模型具有可扩展性强，维护、升级容易等优点，可对模型中各个相对独立的模块进行调整，以适应不同湖库的实际情况。