基于ANN的SBBR-CRI處理模擬生活污水及其仿真研究

孫紅松,楊朝暉,曾光明,劉水清,徐崢勇,鄧久華,季麗麗,陳 穎 (湖南大學(xué)環(huán)境科學(xué)與工程學(xué)院,環(huán)境生物與控制教育部重點實驗室,湖南 長沙 410082)

序批式生物膜反應(yīng)器(SBBR)兼具生物膜反應(yīng)器和SBR反應(yīng)器的優(yōu)點,生物量多,剩余污泥量少,周期性的供氧豐富了系統(tǒng)中的微生物種類,提高了系統(tǒng)對水質(zhì)水量的應(yīng)變能力[1].人工快速滲濾系統(tǒng)(CRI)水力負(fù)荷高,系統(tǒng)單位面積處理能力強[2-3],對COD及氨氮有很好的去除效果.將兩工藝結(jié)合用于處理生活污水,不僅可以降低各工段的有機負(fù)荷,而且能夠有效的去除污水中的COD和氮磷.SBBR-CRI工藝采用間歇式運行,有機負(fù)荷高,抗沖擊負(fù)荷能力強,適用于處理城鎮(zhèn)居民小區(qū)和農(nóng)村生活污水.

人工神經(jīng)網(wǎng)絡(luò)是由大量的稱為神經(jīng)處理單元的自律要素以及這些自律要素相互作用形成的[4-6].它力圖模擬人腦的一些基本特征,如自適性、自組織性、容錯性等,已在生物傳感器檢測有機物、污水處理等領(lǐng)域[7-9]得到廣泛應(yīng)用.

本研究采用 SBBR-CRI工藝處理生活污水,通過調(diào)控不同的影響因素(進(jìn)水 NH4+-N、進(jìn)水COD、進(jìn)水TP、DO、淹沒時間/落干時間(濕干比)、曝氣時間/停曝時間(曝停比)),得到不同的處理效果.針對反應(yīng)器運行期間得到的數(shù)據(jù),建立ANN預(yù)測模型,以確定最優(yōu)反應(yīng)條件.實驗利用ANN預(yù)測SBBR-CRI處理模擬生活污水的能力,為SBBRCRI處理實際生活污水并應(yīng)用于實際奠定理論基礎(chǔ);同時,由于ANN的學(xué)習(xí)能力和非線性逼近能力,可用于不同水質(zhì)水量運行系統(tǒng)的建模,為復(fù)雜的非線性映射系統(tǒng)的建模與SBBR- CRI等污水處理工藝在線監(jiān)控的實現(xiàn)提供了一條可行的途徑.

1 材料與方法

1.1 實驗裝置

圖1 SBBR-CRI裝置Fig.1 Schematic diagram of the SBBR-CRI

實驗采用的SBBR-CRI工藝裝置由一個SBBR裝置和一個CRI快滲裝置組成,SBBR反應(yīng)裝置有效容積為6L,內(nèi)部填充軟性填料,填充比為30%左右,工作容積為4L,底部配備微孔曝氣頭,曝氣量通過轉(zhuǎn)子流量計進(jìn)行控制,溫度通過加熱裝置實時控制(30±2)℃.CRI快滲裝置工作容積為6L,內(nèi)部填料層由下至上為承托層、粗砂與細(xì)砂混合層、天然斜發(fā)沸石層.實驗裝置見圖1.

1.2 模擬生活污水

葡萄糖0.1700g,可溶性淀粉0.1600g,CH3COONa 0.2330g, NH4Cl 0.0255g,蛋白胨0.1580g,牛肉膏0.0400g, (NH4)2SO40.4149g, KH2PO30.0700g,Na2CO30.060g,自來水1L,調(diào)節(jié)pH=8.0.

1.3 實驗方法

將新鮮污泥沉淀且排出上清液后加入到懸掛填料的反應(yīng)器內(nèi),同時加入原水連續(xù)悶曝2d.悶曝結(jié)束后,利用實驗配水馴化生物膜,大約持續(xù)30d之后,生物膜逐漸成熟,顏色呈黃褐色,鏡檢能觀察到菌膠團(tuán)、絲狀菌和輪蟲等,同時獲得較穩(wěn)定的出水水質(zhì).

采用3組反應(yīng)裝置進(jìn)行實驗,分別在6種參數(shù)組合下處理生活污水,SBBR每個實驗周期為12h,單周期采用瞬時進(jìn)水-好氧-缺氧-排水的運行方式.其中好氧段與缺氧段的時間比根據(jù)各自運行條件的不同進(jìn)行分配,CRI周期為12h,通過控制布水器的水流速度來調(diào)控CRI的濕干比.工藝參數(shù)的具體數(shù)值確定如下.1#裝置 SBBR反應(yīng)器的DO1.5mg/L,前半階段曝停比為2/1,后半階段為3/1,CRI快滲裝置的濕干比為1:2;2#裝置的SBBR反應(yīng)器的DO2.0mg/L,前半階段曝停比為2/2,后半階段為2/1,CRI快滲裝置的濕干比為1:3;3#裝置的SBBR反應(yīng)器DO2.5mg/L,前半階段曝停比為2/2,后半階段為3/1,CRI快滲裝置的濕干比為1:4.

各反應(yīng)裝置的進(jìn)水參數(shù)均作為ANN的輸入變量,3組裝置在不同的進(jìn)水條件下進(jìn)行平行對比實驗,故其進(jìn)水量不同, 1#,2#,3#裝置穩(wěn)定運行后的進(jìn)水量分別為2.0,2.2,2.4L.

1.4 分析項目及檢測方法

COD采用重鉻酸鉀滴定法測定;BOD5采用稀釋接種法測定;NH4+-N采用納氏試劑光度法測定;TN采用過硫酸鉀紫外分光光度法測定;TP采用鉬銻鈧分光光度法測定;DO采用溶解氧測定儀測定;pH值采用pH測定儀(德國Sartorius普及型pH計)測定.

2 神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)原理與算法

誤差反向傳播網(wǎng)絡(luò)[10-11]是目前使用廣泛、較為成熟的一種人工神經(jīng)網(wǎng)絡(luò),故本研究采用BP算法.BP網(wǎng)絡(luò)一般由輸入層、輸出層和隱含層組成.學(xué)習(xí)過程分為正向傳播和反向傳播兩部分,輸入信號從輸入層經(jīng)過隱含層,然后傳到輸出層,每一層神經(jīng)元的狀態(tài)只能影響到下一層神經(jīng)元網(wǎng)絡(luò).如果實際輸出與期望輸出之間有誤差,那么誤差信號將通過傳播通路反向折回,通過修改各層神經(jīng)元的權(quán)值和閥值,逐層向輸入層傳播進(jìn)行計算再經(jīng)過正向傳播,如此反復(fù)進(jìn)行,使得誤差達(dá)到期望的要求時,學(xué)習(xí)過程結(jié)束.

2.2 模擬仿真樣本數(shù)據(jù)

工藝穩(wěn)定運行后,取中間連續(xù)運行的12d的數(shù)據(jù)作為仿真模擬樣本數(shù)據(jù)(表1).

表1 實驗樣本組數(shù)據(jù)(mg/L)Table 1 The sample data of experiment(mg/L)

2.3 網(wǎng)絡(luò)的拓?fù)潢P(guān)系

BP神經(jīng)網(wǎng)絡(luò)一般具有一個或多個隱含層,隱含層通常采用對數(shù)或正切Sigmoid傳遞函數(shù),而輸出層神經(jīng)元則采用線性傳遞函數(shù).一般認(rèn)為,增加隱層數(shù)可以降低網(wǎng)絡(luò)誤差,提高精度,但也使網(wǎng)絡(luò)復(fù)雜化,從而增加了網(wǎng)絡(luò)的訓(xùn)練時間和出現(xiàn)過擬合的傾向.一般 BP神經(jīng)網(wǎng)絡(luò)的輸入變量為待分析系統(tǒng)的內(nèi)生變量(影響因子或自變量數(shù)),輸出變量即為系統(tǒng)待分析的外生變量(系統(tǒng)性能指標(biāo)或因變量),可以是一個,也可以是多個.當(dāng)一個信號傳送給輸入層后,經(jīng)中間層向輸出層傳播,在輸出層的各指標(biāo)獲得輸入響應(yīng).隨后按照減少目標(biāo)輸出與實際輸出之間誤差的方向,從輸出層反向經(jīng)過各中間層回到輸入層,逐層修正各連接權(quán)重.本文采用3層(6-n-4)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),輸入層包括6個控制因素,即DO、曝停比、滲濾系統(tǒng)濕干比、進(jìn)水NH4+-N濃度、進(jìn)水COD濃度和進(jìn)水TP濃度.輸出層包括出水NH4+-N濃度、出水TN濃度、出水COD濃度和出水TP濃度4個輸出向量.n為隱含層節(jié)點數(shù).

2.4 最優(yōu)運行參數(shù)的確定

網(wǎng)絡(luò)運行的主要參數(shù)包括動量因子、學(xué)習(xí)率和學(xué)習(xí)次數(shù).一般情況下,絕對平均誤差率[12-13]和均方根誤差[14]可用來評價網(wǎng)絡(luò)性能.

式中:yk為實際輸出值;y?k為網(wǎng)絡(luò)預(yù)測輸出值;n為樣本數(shù)據(jù)組數(shù).

在網(wǎng)絡(luò)運行參數(shù)中,動量常數(shù)和學(xué)習(xí)率的取值直接影響到網(wǎng)絡(luò)的收斂速度.為提高學(xué)習(xí)速度,應(yīng)采用大的學(xué)習(xí)率.但學(xué)習(xí)率太大卻可能導(dǎo)致在穩(wěn)定點附近振蕩,乃至不收斂.針對具體的網(wǎng)絡(luò)結(jié)構(gòu)模型和學(xué)習(xí)樣本,都存在一個最佳的學(xué)習(xí)率lr和動量因子mc,它們的取值范圍一般在0～1之間,視實際情況而定.在MATLAB中通過對不同的lr和mc的取值進(jìn)行仿真模擬,確定本文神經(jīng)網(wǎng)絡(luò)模型的參數(shù)為:lr＝0.13,mc＝0.6.學(xué)習(xí)次數(shù)是評價網(wǎng)絡(luò)學(xué)習(xí)效率的一項指標(biāo),通過調(diào)控網(wǎng)絡(luò)的訓(xùn)練次數(shù),得出不同訓(xùn)練次數(shù)下的訓(xùn)練精度和誤差取值,選取訓(xùn)練精度最佳和誤差最小下的次數(shù)作為最佳訓(xùn)練次數(shù),本文最佳訓(xùn)練次數(shù)為6000次.

3 結(jié)果與討論

3.1 工藝運行效果

由圖2可見,3個裝置對NH4+-N和COD的去除率均較高,NH4+-N去除率在98%左右,COD去除率在93%～97%之間波動.3個裝置對TN和TP的去除率差距較大,1#裝置對TN和TP的去除率較高,TN平均去除率在90%左右,TP去除率在86%左右,2#和3#裝置對TN和TP的去除率相對較差.

圖2 SBBR-CRI工藝對NH4+-N、TN、COD和TP的去除率Fig.2 NH4+-N、TN、COD and TP removal efficiency of SBBR-CRI

3.2 BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果

經(jīng)過優(yōu)化,得出最佳運行參數(shù):隱含層節(jié)點數(shù)為7,動量因子為0.6,初始學(xué)習(xí)率為0.13,訓(xùn)練次數(shù)為6000次,隨機取表1中的6組數(shù)據(jù)作為驗證樣本組,其余30組數(shù)據(jù)作為訓(xùn)練樣本組,對樣本數(shù)據(jù)進(jìn)行自適應(yīng)學(xué)習(xí)仿真,仿真結(jié)果見表2.由表2可見,在第29組仿真分析中,TP的相對誤差最小,為0.68%,仿真結(jié)果較好.在第14組的仿真分析中,TP的相對誤差最大,為13.86%.在 6組因素的全部仿真數(shù)據(jù)中,NH4+-N、TN、COD和TP的絕對平均誤差率分別為7.29%、6.81%、6.59%和6.13%,可以看出,BP神經(jīng)網(wǎng)絡(luò)對整個工藝系統(tǒng)有很好的仿真預(yù)測能力.

表2 人工神經(jīng)網(wǎng)絡(luò)NH4+-N、TN、COD、TP仿真結(jié)果Table2 Simulation results of artificial neural network of NH4+-N,TN,COD and TP

3.3 權(quán)重分析

權(quán)重是表征各因素在整個工藝系統(tǒng)中所具有的重要程度,是影響神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的重要因素.通過BP神經(jīng)網(wǎng)絡(luò)程序經(jīng)訓(xùn)練得出連接權(quán)值,根據(jù)式(3)[15]分析各輸入因素對輸出因素的重要程度.

式中:Inputx為輸入層的權(quán)重值; HiddenX為輸入層與隱節(jié)點間的連接權(quán)值; HiddenY為輸出層與隱節(jié)點間的連接權(quán)值.

圖3 進(jìn)水影響因素對出水參數(shù)的權(quán)重大小Fig.3 The weights of the effect factors on the effluent parameters

由圖3可見,對于出水 NH4+-N和TN,進(jìn)水NH4+-N濃度對2者的權(quán)重貢獻(xiàn)最大.這是因為游離氨(FA)對氨氧化細(xì)菌(AOB)和亞硝化細(xì)菌(NOB)均有較強的抑制作用,AOB以FA為基質(zhì)進(jìn)行氨氧化反應(yīng),當(dāng)FA濃度達(dá)0.1～1.0mg/L,就會對AOB和NOB產(chǎn)生抑制作用,從而抑制硝化反應(yīng)的進(jìn)行[16-18],影響了 NH4+-N 的轉(zhuǎn)化率.由 FA濃度計算公式得知,FA濃度與進(jìn)水NH4+-N濃度成正比,所以進(jìn)水NH4+-N濃度對出水NH4+-N和TN影響較大.在對 COD濃度的仿真模擬預(yù)測中,DO是影響出水COD的最主要的因素,微生物降解有機物使得廢水中COD降低,DO作為好氧微生物的最終電子受體[19]對生物膜有一定的沖刷,微生物在不同的DO下對有機物的降解速度不同,所以DO在出水COD的權(quán)重分析中占主要影響.TP的權(quán)重分析中,進(jìn)水 TP濃度權(quán)重最大,在生物膜中,雖然聚磷菌通過好氧吸磷和厭氧釋磷將磷去除,但由于進(jìn)水 TP濃度變化較大,聚磷菌聚磷能力有限,所以,出水TP濃度變化也較大.

在出水各參數(shù)中,出水 TN受滲濾系統(tǒng)濕干比影響最大,這是由于濕干比與滲濾系統(tǒng)的復(fù)氧效果成負(fù)相關(guān)性,而硝化細(xì)菌是好氧性細(xì)菌,其生長代謝離不開氧氣,同時反硝化細(xì)菌的反硝化作用需要厭氧環(huán)境,濕干比的不同為滲濾系統(tǒng)提供了交替的好氧/厭氧環(huán)境,對TN的去除有重要作用.滲濾系統(tǒng)對TN有較好的去除效果,第一是由于濕干比的不同為微生物提供了交替的好氧/厭氧環(huán)境,有利于NH4+-N、NO3--N和NO2--N的轉(zhuǎn)化去除.第二是由于滲濾系統(tǒng)介質(zhì)有部分的天然斜發(fā)沸石,對NH4+-N有很好的吸附效果.

4 結(jié)論

4.1 SBBR-CRI工藝對分散式生活污水處理效果較好.在最優(yōu)條件下,對NH4+-N、TN、COD和TP的去除率均可達(dá)到98%、85%、94%和85%以上.

4.2 在對樣本數(shù)據(jù)的仿真模擬中,人工神經(jīng)網(wǎng)絡(luò)有較好的泛化能力,整個測試樣本絕對平均誤差率保持在7.5%之內(nèi),均方根誤差最大也只有0.082,對整個工藝有很好的仿真預(yù)測能力.

4.3 人工神經(jīng)網(wǎng)絡(luò)模型通過非線性映射識別輸入與輸出的關(guān)系,具有良好的非線性逼近能力.在SBBR-CRI工藝中,針對不同的影響因素(DO、濕干比、曝停比、進(jìn)水COD、進(jìn)水NH4+-N、進(jìn)水TP),根據(jù)各因素之間的非線性關(guān)系,確定動態(tài)網(wǎng)絡(luò)模型.

[1]Chiou Renjie, Yang Yirong. An evaluation of the Phosphorus storage capacity of an anaerobic/aerobic sequential batch biofilm reactor [J]. Bioresource Technology, 2008,99:4408-4413.

[2]何江濤,鐘佐燊,湯鳴皋,等.人工構(gòu)建快速滲濾污水處理系統(tǒng)的試驗 [J]. 中國環(huán)境科學(xué), 2002,22(3):239-243.

[3]馬鳴超,姜 昕,李 俊,等.人工快速滲濾系統(tǒng)中硝化菌群脫氮作用解析 [J]. 中國環(huán)境科學(xué), 2008,28(4):350-354.

[4]揚建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程 [M]. 杭州:浙江大學(xué)出版社,2002:28-63.

[5]聞 新,周 露.MATLAB 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計 [M]. 北京:科學(xué)出版社, 2003:207-271.

[6]Patel S U, Jeevan Kumar B, Badhe Y P, et al. Estimation of gross calorific value of coals using artificianeural networks [J]. Fuel,2007,86(3):334-344.

[7]Mjalli F S, Al-Asheh S, Alfadala H E. Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance [J]. Journal of Environment Management, 2007,83:329-338.

[8]蔡博峰,穆 彬,方 皓.基于自組織神經(jīng)網(wǎng)絡(luò)的生態(tài)敏感性分區(qū)——以北京市房山區(qū)為例 [J]. 中國環(huán)境科學(xué), 2008,28(4):375-379.

[9]Hamed M, Khalafallah M G, Hassanein E A. Prediction of wastewater treatment plant performance using artificial neural network [J]. Environmental Modeling and Software, 2004,19:919-928.

[10]Lee Tsung-Lin. Back-propagation neural network for the prediction of the short-term storm surge in Taichung harbor,Taiwan [J]. Engineering Applications of Artificial Intelligence,2008,21:63-72.

[11]Zeng Jun, Guo Huafang, Hu Yueming. Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission [J]. Journal of Environmental Science, 2007,19:427-431.

[12]曹 明,楊朝暉,曾光明,等.基于ANN的SBBR短程硝化過程仿真研究 [J]. 中國環(huán)境科學(xué), 2008,28(8):694-698.

[13]張玉超,錢 新,錢 瑜,等.支持向量機在太湖葉綠素 a非線性反演中的應(yīng)用 [J]. 中國環(huán)境科學(xué), 2009,29(1):78-83.

[14]Lee Tsong-Lin. Back-propagation neural network for long-term tidal predictions [J]. Ocean Engineering, 2004,31:225-238.

[15]Olden J D, Joy M K, Death R G. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data [J]. Ecological Modelling, 2004,178(3):389-397.

[16]支霞輝,王 霞,李 朋,等.污水短程脫氮工藝中亞硝酸鹽積累的影響因素 [J]. 中國環(huán)境科學(xué), 2009,29(5):486-492.

[17]Edgardo M, Fabricio R. Kinetic modeling of inhibition of ammo-nia oxidation by nitrite under low dissolved oxygen conditions [J]. Journal of Environmental Engineering, 2008,134(3):184-190.

[18]許 朕,楊朝暉,曾光明,等.供氧充足環(huán)境下 SBBR 實現(xiàn)短程硝化的控制研究 [J]. 環(huán)境科學(xué), 2008,29(7):1860-1866.

[19]周群英,高廷耀.環(huán)境工程微生物學(xué) [M]. 2版.北京:高等教育出版社, 2000:122-128.