厭氧消化產(chǎn)氣預(yù)測模型研究進(jìn)展

黃小英，黃 濤，彭道平，劉軼鋆，張毅博

(西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，成都 611756)

1 引 言

隨著我國工業(yè)化和城市化的飛速發(fā)展，能源短缺和環(huán)境污染已經(jīng)成為制約我國經(jīng)濟(jì)發(fā)展的主要問題。新能源的開發(fā)利用及清潔生產(chǎn)是解決上述問題的重要途徑，厭氧消化技術(shù)是傳統(tǒng)化石能源替代技術(shù)，可以將廢棄物中的有機(jī)質(zhì)轉(zhuǎn)化成可再生能源甲烷[1]，而甲烷作為清潔能源，可以有效減少污染物的排放。厭氧發(fā)酵生物質(zhì)能的規(guī)模化應(yīng)用既可以有效緩解日益緊張的能源供需矛盾，同時解決有機(jī)廢棄物造成的環(huán)境污染等問題，作為實現(xiàn)污染物資源化、減量化、無害化的重要途徑，成為當(dāng)前國內(nèi)外學(xué)者研究的熱點。二十世紀(jì)以來，我國畜禽糞便、作物秸稈、有機(jī)廢水和餐廚垃圾等廢棄物的產(chǎn)生量快速增加[2]，沼氣工程得到迅猛的發(fā)展[3]。厭氧消化是一個連續(xù)、動態(tài)的過程，目前，大中型沼氣工程的進(jìn)料方式一般為半連續(xù)發(fā)酵方式，基于半連續(xù)進(jìn)料的方式下，合理設(shè)置發(fā)酵參數(shù)，達(dá)到沼氣產(chǎn)量最大化是沼氣工程亟待解決的問題[4]。因此，準(zhǔn)確地預(yù)測產(chǎn)氣量對優(yōu)化發(fā)酵參數(shù)設(shè)置和提高產(chǎn)氣效率具有重要的意義和價值。

近年來，國內(nèi)外學(xué)者在沼氣產(chǎn)量預(yù)測方面開展了一定的研究。厭氧消化產(chǎn)氣過程包含很多的生化、物化反應(yīng)過程，這些過程十分復(fù)雜，使得產(chǎn)氣量與很多參數(shù)之間呈現(xiàn)出非線性的關(guān)系，給產(chǎn)氣預(yù)測建模技術(shù)的建立帶來了一定的困難。目前，國內(nèi)外的厭氧消化產(chǎn)氣預(yù)測模型主要可分為線性回歸模型、動力學(xué)模型以及人工神經(jīng)網(wǎng)絡(luò)模型等，本文系統(tǒng)分析線性回歸模型、動力學(xué)模型、人工神經(jīng)網(wǎng)絡(luò)模型的研究進(jìn)展，明確其存在的問題，同時重點介紹人工神經(jīng)網(wǎng)絡(luò)產(chǎn)氣預(yù)測模型，并對其發(fā)展趨勢進(jìn)行展望，以期為今后產(chǎn)氣預(yù)測模型的選擇提供指導(dǎo)，為模型在實際工程中的應(yīng)用提供依據(jù)。

2 厭氧消化技術(shù)原理

厭氧消化是在多種微生物的作用下實現(xiàn)復(fù)雜有機(jī)大分子轉(zhuǎn)化降解的過程[5]。Zeikus 等提出了厭氧消化的四階段理論，將厭氧消化過程劃分為水解、產(chǎn)酸、產(chǎn)乙酸和產(chǎn)甲烷四個階段[6-7]。水解階段是將復(fù)雜有機(jī)物在厭氧菌胞外酶的作用下，分解成簡單的有機(jī)物，如纖維素、淀粉等水解轉(zhuǎn)化成較簡單的糖，蛋白質(zhì)轉(zhuǎn)化成較簡單的氨基酸，油脂轉(zhuǎn)化成脂肪酸和甘油等；產(chǎn)酸階段是指水解階段產(chǎn)生的較簡單小分子化合物在產(chǎn)酸菌作用下轉(zhuǎn)化為簡單的以揮發(fā)性脂肪酸為主的末端產(chǎn)物，如乙酸、丙酸、丁酸和甲醇等；產(chǎn)乙酸階段是指在產(chǎn)氫產(chǎn)乙酸菌的作用下，將產(chǎn)酸階段產(chǎn)生的除乙酸、甲酸、甲醇以外的脂肪酸和醇等轉(zhuǎn)化為H2、CO2和乙酸；產(chǎn)甲烷階段是指在產(chǎn)甲烷菌的作用下將前幾階段產(chǎn)生的乙酸、H2和CO2等轉(zhuǎn)化為甲烷。在厭氧消化過程中，微生物群落的合理和穩(wěn)定是沼氣產(chǎn)量穩(wěn)定的基礎(chǔ)，微生物群落受到多種因素影響，如溫度、氨氮、堿度、揮發(fā)性脂肪酸、C/N、微量元素、有機(jī)負(fù)荷率、pH以及其它潛在的有毒有害物質(zhì)，只有將這些影響因素控制在合適的范圍內(nèi)，才可以保證厭氧消化產(chǎn)氣系統(tǒng)的穩(wěn)定[8～12]。

3 厭氧消化產(chǎn)氣預(yù)測模型研究現(xiàn)狀

前人研究采用的厭氧消化產(chǎn)氣預(yù)測模型主要可分為線性回歸模型、動力學(xué)模型以及人工神經(jīng)網(wǎng)絡(luò)模型等，各模型的原理、復(fù)雜性和適應(yīng)性均不相同。

3.1 線性回歸模型

李軼等[13]將餐廚垃圾和牛糞作為厭氧發(fā)酵原料，利用SAS 統(tǒng)計分析軟件，以總產(chǎn)氣量為目標(biāo)函數(shù)，以餐廚垃圾與牛糞質(zhì)量比、溫度、pH 值、接種物與原料質(zhì)量比為自變量，建立二次回歸模型，模型的修正決定系數(shù)為0.90。通過驗證分析，模型預(yù)測值與試驗值之間的誤差小于0.6%，表明模型擬合程度較好。張文陽等[14]基于多元線性回歸模型對脂肪類單基質(zhì)和城市污水廠剩余污泥厭氧發(fā)酵的產(chǎn)氣量進(jìn)行預(yù)測，以產(chǎn)氣量升降的節(jié)點為界限，將整個產(chǎn)氣階段分為兩個階段，并以pH、氨氮、VFA作為自變量，分別建立回歸模型，結(jié)果表明兩個階段的預(yù)測平均準(zhǔn)確率分別為75.69%和79.29%，預(yù)測值與實測值擬合程度總體較好，但模型對于產(chǎn)氣值的波動擬合較差。胡克勤等[15]將巴西象草、華南象草、矮象草、臺牧B和7種不同月份收割的雜交狼尾草作為發(fā)酵基質(zhì)，以原料組分C含量、N含量、C/N、纖維素含量、半纖維素含量以及木質(zhì)素含量為自變量，以累計產(chǎn)氣率為因變量，基于多元線性回歸的方法建立兩個厭氧發(fā)酵產(chǎn)氣預(yù)測模型，但相關(guān)性系數(shù)R2僅為0.779和 0.783，模型標(biāo)準(zhǔn)誤差分別為0.175 和0.179，基本驗證了模型的有效性。

線性回歸模型是分析兩個或兩個以上變量之間的因果關(guān)系模型，在厭氧消化產(chǎn)氣預(yù)測中通常將影響產(chǎn)氣量的因素作為自變量，通過線性擬合的手段得出影響因素與產(chǎn)氣量之間的定量關(guān)系。線性回歸模型主要研究線性問題，適用范圍比較局限，在具有非線性特點的厭氧消化產(chǎn)氣預(yù)測過程中，模擬效果不穩(wěn)定，模型預(yù)測準(zhǔn)確率有待進(jìn)一步提高。

3.2 動力學(xué)模型

黃月等[16]以餐廚垃圾和剩余污泥為發(fā)酵底物，利用一級動力學(xué)對甲烷產(chǎn)量進(jìn)行擬合分析，相關(guān)性系數(shù)R2大于0.989，預(yù)測值與實際測量值之間的誤差較小。研究表明，一級動力學(xué)方程擬合適用于不存在延滯期的厭氧反應(yīng)，而對于明顯存在延滯期的厭氧反應(yīng)，動力學(xué)僅適用于延滯期以后的階段[17-18]。孫志巖等[19]以牛糞和玉米秸稈作為原料進(jìn)行產(chǎn)甲烷潛力實驗，模擬得到修訂的 Gompertz模型，牛糞組和玉米秸稈組擬合方程的相關(guān)性系數(shù)分別為0.983 和0.991，預(yù)測值與實測值的誤差率分別為12.3%和1.7%，但模型較為復(fù)雜，動力學(xué)常數(shù)λ對環(huán)境條件變化敏感。Miao 等[20]和Syaichurrozi 等[21]也基于修訂的Gompertz模型分別預(yù)測了藍(lán)藻、豬糞和酒糟的厭氧消化甲烷產(chǎn)量，為今后進(jìn)行各類原料的產(chǎn)甲烷潛力預(yù)測提供了科學(xué)的評估方法，但修訂的Gompertz模型只能表征發(fā)酵底物的產(chǎn)氣潛力，難以反映實際沼氣工程中有機(jī)負(fù)荷和水力停留時間等影響因素對消化產(chǎn)氣率的影響。劉林等[22]研究了自制有機(jī)廢水的厭氧消化產(chǎn)氣預(yù)測模型，以進(jìn)水有機(jī)負(fù)荷、溫度、pH 值、氧化還原電位、乙酸和進(jìn)水堿度為輸入量，產(chǎn)氣量為輸出量，建立PSO ( 粒子群算法) -SVM( 支持向量機(jī)) 模型，并在此基礎(chǔ)上，引入動力學(xué)模型，極大地改善了模型的預(yù)測精度，線性相關(guān)性系數(shù)R由0.87提高為0.96。此外，一些學(xué)者也將ADM1機(jī)理模型用于厭氧消化預(yù)測領(lǐng)域，Jurado 等[23-24]基于ADM1動力學(xué)模型預(yù)測水相氨浸濕法處理對豬糞厭氧消化效果的影響，結(jié)果表明，對于未經(jīng)水相氨浸濕法處理的以豬糞為底物的厭氧消化過程，ADM1 模型具有較好的預(yù)測能力，但對水相氨浸濕法處理后的豬糞消化過程預(yù)測能力較差，這可能是因為處理后的豬糞水解率提高了，水解常數(shù)需要進(jìn)一步修訂才能滿足預(yù)測要求。Lauwers等[25]的研究也表明ADM1 中的甲烷產(chǎn)率方程比較適合于單一基質(zhì)底物(即乙酸和氫)，在復(fù)雜的實際應(yīng)用中比較困難。ADM1模型比較復(fù)雜，涉及的方程和參數(shù)較多，有些參數(shù)比如比生長率，需要在特定的實驗條件下計算得到。

產(chǎn)氣動力學(xué)模型是通過微分方程的形式，定量化表達(dá)影響因素與厭氧消化產(chǎn)氣效率之間的定量關(guān)系，根據(jù)采用的動力學(xué)形式不同可以分為一階動力學(xué)，二階動力學(xué)等。動力學(xué)模型雖然具有一定的通用性，但在厭氧消化產(chǎn)氣預(yù)測中模型復(fù)雜且動力學(xué)常數(shù)對環(huán)境條件變化敏感[26]，大大影響了模型的適用性。

3.3 人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)，又稱神經(jīng)網(wǎng)絡(luò)，是一種計算機(jī)和神經(jīng)生理學(xué)的新興結(jié)合技術(shù)[27]。它模擬人腦的結(jié)構(gòu)和信息處理機(jī)制，是由大量神經(jīng)元(或節(jié)點)互相連接而組成的大規(guī)模非線性并行分布式信息處理系統(tǒng)，具有良好的容錯性和聯(lián)想能力，以及自學(xué)習(xí)、自組織、自適應(yīng)能力[28]。與傳統(tǒng)的信息和數(shù)據(jù)處理方法相比，人工神經(jīng)網(wǎng)絡(luò)是一種非線性動力學(xué)系統(tǒng)[29-30]，能將分布儲存的信息進(jìn)行并行協(xié)同處理，通過訓(xùn)練學(xué)習(xí)大量數(shù)據(jù)樣本，尋找其存在的內(nèi)在規(guī)律，從而實現(xiàn)非線性信息處理和復(fù)雜邏輯操作[31]，因而在處理的多維非線性問題方面具有十分明顯的優(yōu)勢。人工神經(jīng)網(wǎng)絡(luò)現(xiàn)已廣泛應(yīng)用于摩擦學(xué)、經(jīng)濟(jì)學(xué)、自動化、醫(yī)療、化學(xué)、污染預(yù)測、房價預(yù)測等領(lǐng)域[32～36]，并取得了一定的進(jìn)展。

目前，人工神經(jīng)網(wǎng)絡(luò)在厭氧消化產(chǎn)氣預(yù)測領(lǐng)域常用的是BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BP)，又稱反向傳播神經(jīng)網(wǎng)絡(luò)，模型結(jié)構(gòu)簡單，應(yīng)用最為廣泛且最具有代表意義[37-38]。BP神經(jīng)網(wǎng)絡(luò)是一種利用誤差反向傳播算法的前饋型人工神經(jīng)網(wǎng)絡(luò)，包含3層或3層以上的層內(nèi)無互聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)[39]。

3.3.1 BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法

Holubard等[40]基于Matlab軟件平臺構(gòu)建了污泥厭氧消化的BP神經(jīng)網(wǎng)絡(luò)模型，選擇有機(jī)負(fù)荷、pH、揮發(fā)性脂肪酸等9個參數(shù)作為輸入變量，以沼氣組分和沼氣產(chǎn)量為輸出變量。預(yù)測結(jié)果表明，沼氣組分和沼氣產(chǎn)量的擬合相關(guān)系數(shù)分別為0.90 和 0.80。此外，還通過模型調(diào)節(jié)優(yōu)化工藝參數(shù)，實現(xiàn)了對整個厭氧消化系統(tǒng)的進(jìn)料控制，使系統(tǒng)的沼氣產(chǎn)率維持在5～5.6m3m-3d-1之間，甲烷含量維持在60%左右。Strik等[41]也通過Matlab神經(jīng)網(wǎng)絡(luò)工具箱來預(yù)測厭氧發(fā)酵氣體產(chǎn)物中的痕量組分—硫化氫和氨氣含量，硫化氫預(yù)測模型的輸入?yún)?shù)為硫酸鹽負(fù)荷、有機(jī)負(fù)荷和沼氣中硫化氫含量等，而氨氣預(yù)測模型的輸入?yún)?shù)為總氮負(fù)荷、有機(jī)負(fù)荷、沼氣中氨氣含量、沼氣產(chǎn)率等，結(jié)果表明擬合相關(guān)系數(shù)分別為0.91和0.83，預(yù)測效果較好。Bestamin Ozkaya等[42]以垃圾填埋場為研究對象，建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測填埋產(chǎn)生沼氣中的甲烷含量，輸入?yún)?shù)為pH、堿度、COD、硫化物、電導(dǎo)率、氯化物等，輸出參數(shù)為甲烷含量，模擬得到的相關(guān)性系數(shù)為0.95，均方差為0.002 6。趙孝文等[43]基于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測牛糞厭氧消化時的沼氣產(chǎn)量和甲烷含量，將溫度、進(jìn)料濃度、配料成分中鮮牛糞和水、pH 值、含氧量作為輸入變量，結(jié)果表明建立的模型具有良好的預(yù)測性能。董瑞蘭[44]采用多元線性回歸方程和3層BP神經(jīng)網(wǎng)絡(luò)建模預(yù)測肉?；旌巷暳象w外發(fā)酵CH4產(chǎn)量、CO2產(chǎn)量和總產(chǎn)氣量。結(jié)果表明，與多元線性回歸方程相比，BP神經(jīng)網(wǎng)絡(luò)在預(yù)測CO2產(chǎn)量和總產(chǎn)氣量的準(zhǔn)確性更高。類似的，張文陽等[14]也分別采用多元回歸和BP 神經(jīng)網(wǎng)絡(luò)對脂肪類單基質(zhì)和城市污水廠剩余污泥厭氧消化產(chǎn)氣量進(jìn)行預(yù)測，實驗結(jié)果表明BP 神經(jīng)網(wǎng)絡(luò)平均預(yù)測準(zhǔn)確率為79.05%，比多元回歸模型的預(yù)測準(zhǔn)確率更高，更適用于混合厭氧消化產(chǎn)氣量預(yù)測，但BP神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確率只處于良好水平，仍有待進(jìn)一步提高。Sathish 和Vivekanandan[45]將溫度、pH、基質(zhì)濃度、攪拌時間作為輸入?yún)?shù)，建立了BP神經(jīng)網(wǎng)絡(luò)產(chǎn)氣預(yù)測模型，相關(guān)系數(shù)R2為0.998，平均絕對誤差為1.01%，還實現(xiàn)了工藝參數(shù)的優(yōu)化，模擬效果優(yōu)于響應(yīng)曲面法。Holubard[46]同時提出了用BP神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)建模預(yù)測厭氧消化過程沼氣的組分和產(chǎn)氣率，沼氣組分的擬合相關(guān)系數(shù)為0.69，沼氣產(chǎn)率的擬合相關(guān)系數(shù)為0.76，但模擬效果不如前饋BP神經(jīng)網(wǎng)絡(luò)，并認(rèn)為沼氣組分?jǐn)M合效果差于沼氣產(chǎn)率的原因，有待進(jìn)一步研究。

然而，標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)收斂速度慢、易陷入局部極小值以及結(jié)構(gòu)分析復(fù)雜等缺陷[47]。一些學(xué)者針對以上一些不足，進(jìn)一步研究了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法，改進(jìn)后的模型收斂速度更快，準(zhǔn)確性更高。例如，花亞梅等[4]為準(zhǔn)確預(yù)測大中型沼氣工程日產(chǎn)氣量，為避免神經(jīng)網(wǎng)絡(luò)陷入局部極限小值，引入動量因子和自適應(yīng)率學(xué)習(xí)方法改進(jìn) BP 算法，建立以溫度、TS濃度以及pH值作為輸入層節(jié)點，日產(chǎn)氣量為輸出層節(jié)點的預(yù)測模型。結(jié)果表明，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)收斂速度快，平均預(yù)測準(zhǔn)確率為84.02%，對沼氣的日產(chǎn)氣量具有良好的預(yù)測能力，同時減少了人為因素對參數(shù)設(shè)置的影響。Behera[48]也建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測沼氣中的甲烷含量，分別基于4種改進(jìn)學(xué)習(xí)算法(Levenberg-Marquardt算法、彈性算法、 梯度下降算法以及極限學(xué)習(xí)機(jī)算法)建立了BP神經(jīng)網(wǎng)絡(luò)，結(jié)果表明基于極限學(xué)習(xí)算法的BP神經(jīng)網(wǎng)絡(luò)模擬效果優(yōu)于比其他三種算法。

3.3.2 與其它理論結(jié)合的人工神經(jīng)網(wǎng)絡(luò)

除了BP神經(jīng)網(wǎng)絡(luò)，一些學(xué)者研究了將神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論結(jié)合，拓寬了神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍。Turkdogan-AydΙnol和Yetilmezsoy[49]以有機(jī)負(fù)荷、化學(xué)需氧量去除率、進(jìn)水堿度、進(jìn)水pH和出液pH為輸入變量，建立了模糊邏輯神經(jīng)網(wǎng)絡(luò)預(yù)測沼氣和甲烷產(chǎn)率，結(jié)果表明預(yù)測偏差較小，獲得了滿意的預(yù)測結(jié)果。Chaiwat Waewsak[50]也將人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論結(jié)合，實現(xiàn)了對厭氧產(chǎn)氫反應(yīng)器參數(shù)的控制。賴夏頡[51]以逐步提高有機(jī)負(fù)荷的半連續(xù)式餐廚垃圾和豬糞混合厭氧消化實驗數(shù)據(jù)為基礎(chǔ)，分別基于BP 神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)(FNN)對實驗日產(chǎn)氣量建立了預(yù)測模型，結(jié)果表明，BP和FNN神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率分別為77.63%和 82.33%，在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上加入了模糊控制，可提高預(yù)測準(zhǔn)確率，更好地適用于混合厭氧消化產(chǎn)氣量預(yù)測。

此外，一些學(xué)者也研究了將神經(jīng)網(wǎng)絡(luò)與遺傳算法理論結(jié)合，實現(xiàn)了對厭氧消化過程參數(shù)的優(yōu)化。Qdais等[52]將人工神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，考察了溫度、總固體、總揮發(fā)性固體和pH 對沼氣產(chǎn)量的影響，建立了含2層隱含層的人工神經(jīng)網(wǎng)絡(luò)預(yù)測甲烷產(chǎn)量，并用遺傳算法對甲烷產(chǎn)量進(jìn)行極值尋優(yōu)，得到最大的甲烷含量為77%。Jacob和Banerjee[53]建立了響應(yīng)曲面法和與遺傳算法耦合的神經(jīng)網(wǎng)絡(luò)模型，分別模擬并優(yōu)化厭氧消化過程控制參數(shù)，神經(jīng)網(wǎng)絡(luò)模擬的均方差和相關(guān)系數(shù)R分別為0.136 和0.997 2，對比發(fā)現(xiàn)耦合遺傳算法的神經(jīng)網(wǎng)絡(luò)模擬效果更好，該模型優(yōu)化得到的甲烷產(chǎn)量比響應(yīng)曲面法高6%。與此類似的是，余美娟等[54]采用基于BP神經(jīng)網(wǎng)絡(luò)的遺傳算法模型、正交試驗設(shè)計、響應(yīng)曲面設(shè)計對餐廚垃圾厭氧消化產(chǎn)沼氣的操作參數(shù)進(jìn)行優(yōu)化，并比較分析這3種模型的優(yōu)化效果，結(jié)果表明經(jīng)BP神經(jīng)網(wǎng)絡(luò)的遺傳算法模型優(yōu)化后的實測值分別比正交設(shè)計模型和響應(yīng)曲面設(shè)計模型的實測值提高5.15%和3.67%，而且具有更高的準(zhǔn)確度。

與線性回歸模型、動力學(xué)模型不同的是，人工神經(jīng)網(wǎng)絡(luò)模型為黑箱模型，將影響產(chǎn)氣量的因素作為輸入?yún)?shù)，產(chǎn)氣量作為輸出參數(shù)，忽略輸入與輸出的耦合關(guān)系，可以實現(xiàn)非線性發(fā)酵系統(tǒng)中產(chǎn)氣量的預(yù)測以及發(fā)酵參數(shù)的調(diào)控?？傮w來說，人工神經(jīng)網(wǎng)絡(luò)建模簡單，可以以任意精度逼近任意非線性映射，適用于復(fù)雜的非線性厭氧消化過程。

4 結(jié)論與展望

綜上所述，線性回歸模型、動力學(xué)模型以及人工神經(jīng)網(wǎng)絡(luò)模型各具特點，其復(fù)雜性和適應(yīng)性也各不相同。多元線性回歸模型適用范圍比較局限，效果不穩(wěn)定；動力學(xué)預(yù)測模型通用性較高，但模型復(fù)雜且動力學(xué)常數(shù)對環(huán)境變化敏感，易受環(huán)境條件的影響；人工神經(jīng)網(wǎng)絡(luò)模型可以以任意精度逼近任意非線性映射，對于復(fù)雜的非線性厭氧消化產(chǎn)氣過程具有較高的適用性。相對于線性回歸模型、動力學(xué)模型，人工神經(jīng)網(wǎng)絡(luò)模型在厭氧消化領(lǐng)域展現(xiàn)出較高的實用性，具有良好的應(yīng)用前景，也取得了較多的應(yīng)用成效，這對于優(yōu)化厭氧消化產(chǎn)氣工藝條件和推動厭氧消化產(chǎn)氣工程應(yīng)用具有十分重要的意義。通過對人工神經(jīng)網(wǎng)絡(luò)模型的研究分析，發(fā)現(xiàn)還存在以下幾方面的問題：

4.1 目前，BP神經(jīng)網(wǎng)絡(luò)應(yīng)用得最為廣泛，但預(yù)測準(zhǔn)確性只能基本滿足模擬要求，改進(jìn)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)雖然在訓(xùn)練速度、準(zhǔn)確性等方面有一定的改善，但仍存在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)難以確定、參數(shù)設(shè)置困難、學(xué)習(xí)速度慢等問題。因此，此后可以進(jìn)一步研究BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。

4.2 在人工神經(jīng)網(wǎng)絡(luò)的理論研究方面，還存在一些亟待解決的問題，如網(wǎng)絡(luò)輸入?yún)?shù)和隱含層節(jié)點數(shù)難以確定、網(wǎng)絡(luò)過擬合問題等，用人工神經(jīng)網(wǎng)絡(luò)解決實際問題時，都是根據(jù)具體問題來分析確定模型的輸入輸出參數(shù)、拓?fù)浣Y(jié)構(gòu)、算法和主要參數(shù)設(shè)置等，目前尚無一套普適性的預(yù)測理論。因此，今后可以進(jìn)一步研究建立人工神經(jīng)網(wǎng)絡(luò)模型的一般規(guī)律和方法。

4.3 厭氧消化是多個學(xué)科行為之間強(qiáng)耦合的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)和其他學(xué)科的理論與技術(shù)進(jìn)行交叉結(jié)合，取長補(bǔ)短，模擬效果明顯優(yōu)于單獨一種技術(shù)或模型。在厭氧消化產(chǎn)氣預(yù)測領(lǐng)域，目前已經(jīng)實現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)與遺傳算法、模糊邏輯等理論的融合，拓寬了人工神經(jīng)網(wǎng)絡(luò)方法處理的范圍和能力，不僅具有預(yù)測功能，還實現(xiàn)了工藝條件的優(yōu)化，但研究深度還不夠，可以進(jìn)一步探索不同理論方法與人工神經(jīng)網(wǎng)的結(jié)合，建立新的神經(jīng)網(wǎng)絡(luò)模型，以優(yōu)化人工神經(jīng)網(wǎng)絡(luò)模擬效果。因此，在今后的研究中，要重點關(guān)注上述問題，以期能夠使人工神經(jīng)網(wǎng)絡(luò)在厭氧產(chǎn)氣預(yù)測中得到更好的應(yīng)用。

參考文獻(xiàn)：

[1] Zhang W, Wei Q, Wu S, et al.Batch anaerobic co-digestion of pig manure with dewatered sewage sludge under mesophilic conditions[J].Applied Energy, 2014, 128(3):175-183.

[2] 董保成, 王久臣, 李景明,等.沼氣標(biāo)準(zhǔn)體系的研究[J].中國沼氣, 2014, 32(2):3-5.

[3] 冉 毅, 王 超, 羅 秦,等.沼氣工程物聯(lián)網(wǎng)構(gòu)建及應(yīng)用分析[J].中國沼氣, 2015, 33(1):65-69.

[4] 花亞梅, 趙賢林, 王效華,等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的厭氧發(fā)酵產(chǎn)氣量預(yù)測模型[J].環(huán)境工程學(xué)報, 2016, 10(10):5951-5956.

[5] Narihiro T, Sekiguchi Y.Microbial communities in anaerobic digestion processes for waste and wastewater treatment: a microbiological update[J].Current Opinion in Biotechnology, 2007, 18(3):273-278.

[6] 伍南琪, 王愛杰.厭氧生物技術(shù)原理與應(yīng)用[M].北京:化學(xué)工業(yè)出版社, 2004:18-21.

[7] Mao C L, Feng Y Z, Wang X J, et al.Review on research achievements of biogas from anaerobic digestion.[J].Renewable & Sustainable Energy Reviews, 2015, 45(2015):540-555.

[8] Kayhanian M, Rich D.Sludge management using the biodegradable organic fraction of municipal solid waste as a primary substrate[J].Water environment research, 1996, 68(2): 240-254.

[9] 吳樹彪, 郎乾乾, 張萬欽, 等.微量元素對餐廚垃圾厭氧發(fā)酵的影響實驗[J].農(nóng)業(yè)機(jī)械學(xué)報, 2013, 44(11): 128-132.

[10] Bernal M P, Navarro A F, Sanchez-Monedero M A, et al.Influence of sewage sludge compost stability and maturity on carbon and nitrogen mineralization in soil[J].Soil Biology and Biochemistry, 1998, 30(3): 305-313.

[11] Karim K, Hoffmann R, Klasson K T, et al.Anaerobic digestion of animal waste: Effect of mode of mixing[J].Water research, 2005, 39(15): 3597-3606.

[12] Palmowski L M, Müller J A.Influence of the size reduction of organic waste on their anaerobic digestion[J].Water science and technology, 2000, 41(3): 155-162.

[13] 李 軼, 李 磊, 張大雷,等.餐廚垃圾和牛糞混合厭氧發(fā)酵工藝優(yōu)化[J].農(nóng)業(yè)機(jī)械學(xué)報, 2012, 43(s1):180-185.

[14] 張文陽, 張良均, 李 娜,等.多元回歸和BP人工神經(jīng)網(wǎng)絡(luò)在預(yù)測混合厭氧消化產(chǎn)氣量過程中的應(yīng)用比較[J].環(huán)境工程學(xué)報, 2013, 7(2):747-752.

[15] 胡克勤, 李連華, 孫永明,等.基于原料組分的能源草厭氧發(fā)酵產(chǎn)氣預(yù)測模型[J].新能源進(jìn)展, 2016, 4(2):100-104.

[16] 黃 月, 趙明星, 楊莉麗,等.餐廚垃圾與剩余污泥混合消化產(chǎn)甲烷性能及動力學(xué)分析研究[J].食品與生物技術(shù)學(xué)報, 2017, 36(5):486-493.

[17] Du L Z, Liang J F, Yang P, et al.Influence of total solid content on anaerobic digestion of swine manure and kinetic analysis.[J].Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(24):246-251 .

[18] Li D, Sun Y, Yuan Z, et al.Kinetic study of the mesophilic anaerobic digestion of organic waste components[J].Taiyangneng Xuebao/acta Energiae Solaris Sinica, 2010, 31(3):385-390.

[19] 孫志巖, 張君枝, 劉翌晨,等.牛糞和玉米秸稈厭氧消化產(chǎn)甲烷潛力及動力學(xué)[J].環(huán)境工程學(xué)報, 2016, 10(3):1468-1474.

[20] Miao H F, Wang S Q, Zhao M X, et al.Codigestion of Taihu blue algae with swine manure for biogas production.[J].Energy Conversion & Management, 2014, 77(1):643-649.

[21] Syaichurrozi I, Budiyono, Sumardiono S.Predicting kinetic model of biogas production and biodegradability organic materials: biogas production from vinasse at variation of COD/N ratio[J].Bioresource Technology, 2013, 149(2):390-397.

[22] 劉 林, 謝 彬, 馬邕文,等.基于動力學(xué)和PSO-SVM的廢水厭氧處理產(chǎn)氣量的混合軟測量模型[J].中國造紙, 2017, 36(3):31-36.

[23] Jurado E,Gavala H N,Skiadas I.ADM1-1based modeling of anaerobic digestion of swine manure fibers pretreated with aqueous ammonia soaking.Proceedings of the 4thinternational symposium on energy from biomass and waste 2012[A]. San Servolo, Venice, Italy,12-115.

[24] Jurado E, Antonopoulou G, Lyberatos G, et al.Continuous anaerobic digestion of swine manure: ADM1-based modelling and effect of addition of swine manure fibers pretreated with aqueous ammonia soaking[J].Applied Energy, 2016, 172:190-198.

[25] Lauwers J, et al.Mathematical modelling of anaerobic digestion of biomass and waste: Power and limitations[J].Progress in Energy and Combustion Science 2013, 39: 383-402.

[26] 曹 剛, 徐向陽, 馮孝善.神經(jīng)網(wǎng)絡(luò)在厭氧消化過程中的模擬應(yīng)用[J].中國沼氣, 2001, 19(4):3-6.

[27] 陽范文, 趙耀明.人工神經(jīng)網(wǎng)絡(luò)用于高分子材料的性能預(yù)測與優(yōu)化設(shè)計的研究進(jìn)展[J].計算機(jī)與應(yīng)用化學(xué), 2001, 18(2):131-134.

[28] 楊曉帆, 陳延槐.人工神經(jīng)網(wǎng)絡(luò)固有的優(yōu)點和缺點[J].計算機(jī)科學(xué), 1994, 21(2):23-26.

[29] 宋 劍, 王 松, 廖振華,等.人工神經(jīng)網(wǎng)絡(luò)方法在摩擦學(xué)領(lǐng)域的應(yīng)用研究進(jìn)展[J].潤滑與密封, 2016, 41(11):117-123.

[30] Mohammed J.K.Bashir, Application of response surface methodology (RSM) for optimization of ammoniacal nitrogen removal from semi-aerobic landfill leachate using ion exchange resin[J]. Desalination,2010,254(1-3): 154-161.

[31] 聞 新.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].科學(xué)出版社, 2000.

[32] 向 杰, 黃繼鋒.人工神經(jīng)導(dǎo)管基礎(chǔ)與臨床研究進(jìn)展[J].中國臨床解剖學(xué)雜志, 2012, 30(5):587-589.

[33] 周志權(quán), 張婷婷, 賈 濱,等.人工神經(jīng)網(wǎng)絡(luò)用于直接化學(xué)電離質(zhì)譜分析食用油品質(zhì)的研究[J].分析化學(xué), 2011, 39(11):1665-1669.

[34] 王國勝, 郭聯(lián)金, 董曉清,等.深圳市區(qū)空氣污染的人工神經(jīng)網(wǎng)絡(luò)預(yù)測[J].環(huán)境工程學(xué)報, 2015, 9(7):3393-3399.

[35] 李英柳.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境災(zāi)害預(yù)測中的應(yīng)用進(jìn)展[J].地質(zhì)災(zāi)害與環(huán)境保護(hù), 2010, 21(1):8-11.

[36] 高玉明, 張仁津.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房價預(yù)測分析[J].計算機(jī)工程, 2014, 40(4):187-191.

[37] 林 香, 姜青山, 熊騰科.一種基于遺傳BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型[J].計算機(jī)研究與發(fā)展, 2006, 43(s3):338-343.

[38] Maier H R, Dandy G C.Understanding the behaviour and optimising the performance of back-propagation neural networks: an empirical study[J].Environmental Modelling & Software, 1998, 13(2):179-191.

[39] 朱雙東.神經(jīng)網(wǎng)絡(luò)應(yīng)用基礎(chǔ)[M].沈陽:東北大學(xué)出版社, 2000.

[40] Holubar P, Zani L, Hager M, et al.Advanced controlling of anaerobic digestion by means of hierarchical neural networks.[J].Water Research, 2002, 36(10):2582-8.

[41] Strik D P, Domnanovich A M, Zani L, et al.Prediction of trace compounds in biogas from anaerobic digestion using the MATLAB Neural Network Toolbox[J].Environmental Modelling & Software, 2005, 20(6): 803-810.

[42] Ozkaya B, Demir A, Bilgili M S.Neural network prediction model for the methane fraction in biogas from field-scale landfill bioreactors[J].Environmental Modelling & Software, 2007, 22(6):815-822.

[43] 趙孝文, 蔣繼成.厭氧發(fā)酵工藝的BP神經(jīng)網(wǎng)絡(luò)建模與粒子群算法優(yōu)化[J].應(yīng)用能源技術(shù), 2015,(3):8-12.

[44] 董瑞蘭.基于人工神經(jīng)網(wǎng)絡(luò)的人工瘤胃發(fā)酵甲烷與揮發(fā)性脂肪酸產(chǎn)量預(yù)測模型研究[D].北京:中國農(nóng)業(yè)大學(xué), 2015.

[45] Sathish S, Vivekanandan S.Parametric optimization for floating drum anaerobic bio-digester using Response Surface Methodology and Artificial Neural Network[J].Alexandria Engineering Journal, 2016, 55(4).

[46] Holubar P, Zani L, Hagar M, et al.Modelling of anaerobic digestion using self-organizing maps and artificial neural networks[J].Water science and technology, 2000, 41(12): 149-156.

[47] 魯娟娟, 陳 紅.BP神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J].控制工程, 2006, 13(5):449-451.

[48] Behera S K, Meher S K, Hungsuck P.Artificial neural network model for predicting methane percentage in biogas recovered from a landfill upon injection of liquid organic waste.[J].Clean Technologies & Environmental Policy, 2015, 17(2):443-453.

[49] Turkdogan-Aydinol Fl, Yetilmezsoy K.A fuzzy-logic-based model to predict biogas and methane production rates in a pilot-scale mesophilic UASB reactor treating molasses wastewater[J].Journal of Hazardous Materials, 2010, 182(1-3):460.

[50] Waewsak C, Nopharatana A, Chaiprasert P.Neural-fuzzy control system application for monitoring process response and control of anaerobic hybrid reactor in wastewater treatment and biogas production[J].環(huán)境科學(xué)學(xué)報(英文版), 2010, 22(12):1883.

[51] 賴夏頡, 張文陽, 張良均,等.基于人工神經(jīng)網(wǎng)絡(luò)的半連續(xù)式混合厭氧消化產(chǎn)氣量預(yù)測[J].環(huán)境工程學(xué)報, 2015, 9(1):459-463.

[52] Qdais H A, Hani K B, Shatnawi N.Modeling and optimization of biogas production from a waste digester using artificial neural network and genetic algorithm.[J].Resources Conservation & Recycling, 2010, 54(6):359-363.

[53] Jacob S, Banerjee R.Modeling and optimization of anaerobic codigestion of potato waste and aquatic weed by response surface methodology and artificial neural network coupled genetic algorithm.[J].Bioresource Technology, 2016, 214:386.

[54] 余美娟, 席克忠, 趙明星,等.不同優(yōu)化模型在餐廚垃圾厭氧消化中的應(yīng)用與比較[J].環(huán)境科學(xué)與技術(shù), 2017,(8):164-170.