论文部分内容阅读
水质预测是水污染防治工作的重要内容,其预测结果可以为环保部门提供重要的研究依据。目前水质预测模型仍局限于机理模型,然而水环境污染过程的非确定性和高度非线性性,使得机理模型难以精确模拟污染物降解的复杂过程。人工神经网络属于复杂非线性科学和人工智能科学的前沿,进行复杂非线性系统模拟可以取得较好的预测效果,但其在水质预测方面的应用研究,在国内外尚处于初级阶段。本课题组在前期的工作中应用人工神经网络进行了南四湖、墨水河水质模型和水质预测的研究,结果表明应用人工神经网络可以取得较好的预测结果,为本文的研究积累了成功的学习经验。本文以南四湖新薛河人工湿地为研究对象,首先通过试验监测了人工湿地进出水主要污染物浓度,研究了人工湿地对污染河水的净化效果,为人工湿地水质预测模型的建立提供了数据基础。然后,从系统理论的角度出发,进行了基于BP神经网络的人工湿地水质模型的研究,并应用模型预测在《地表水环境质量标准》(GB3838-2002)Ⅲ类标准约束条件下新薛河人工湿地的最大进水负荷,水质预测结果的研究为水质水量调度方案的研究奠定了坚实的基础。本文获得的主要研究成果如下:(1)通过在新薛河人工湿地进行试验研究,监测了人工湿地导流渠进水CODCr、氨氮、TN和TP等污染物指标,以及各处理单元出水CODCr和氨氮浓度等,研究了人工湿地的污染物去除效果,得到了污染物净化负荷与有机负荷之间的关系。研究表明,人工湿地具有良好的污染物净化能力,人工湿地的建设大大改进了新薛河的河水水质。(2)在充分研究神经网络机理和国内外研究现状的基础上,建立了基于BP神经网络的人工湿地水质预测模型。模型建立过程中,为了增强网络的泛化能力,提高训练效率和精度,进行了一系列的优化设计。然后通过不断试算,分析不同隐含层节点数和不同训练方法时网络模型的性能,从而选择合理的网络结构及训练方法。最终确定网络的拓扑结构为:一个输入层、一个隐含层、一个输出层的三层神经网络。夏季模型隐含层节点数为9,网络训练函数采用量化共轭梯度法trainscg函数,冬季模型隐含层节点数为14,网络训练采用有自适应lr的梯度下降法traingda函数。(3)训练参数确定后,分别将人工湿地夏季和冬季样本数据中的前11组数据作为训练样本对网络进行训练,将第12组数据作为检验样本对网络进行验证。验证结果表明,夏季模型CODCr、氨氮、TN、TP的预测相对误差分别为1.5%、2.4%、7.7%、8.3%,冬季模型CODCr、氨氮、TN、TP的预测相对误差分别为11.7%、30.6%、3.3%、27.3%。经查阅文献可知,预测误差在可接受范围内,表明网络的训练是成功的,可以取得满意的预测结果,网络性能可以满足实际应用的要求。(4)将建立的人工湿地水质预测模型进行应用,经预测可知,在保证新薛河人工湿地出水达到地表水Ⅲ类水质标准要求时,人工湿地夏季进水负荷为:CODCr浓度≤48.8 mg/L、氨氮浓度≤2.23 mg/L,冬季进水负荷为:CODCr浓度≤26.1mg/L、氨氮浓度≤1.17mg/L。