随着经济的迅速发展,人们对饮用水水质的要求也日益提高,在供水过程中制水企业如何保证良好水质的同时又能降低制水成本成为水处理行业的热门话题。而混凝作为水处理中的关键环节,具有非线性、大时滞、多扰动的特点,尤其是微涡流混凝过程比传统混凝工艺具有更加复杂的水力条件,在工程应用中常因混凝剂投加量不准确而造成药剂浪费和出水水质不佳等问题。本文采用函数拟合构建了微涡流混凝投药数学控制模型,并将BP神经网络和遗传算法等仿生算法引入微涡流混凝投药过程,构建了基于BP神经网络的微涡流混凝投药控制模型和基于遗传算法优化BP神经网络的微涡流混凝投药控制模型。研究结果及结论如下。(1)浊度控制目标的确定和建模数据的获取1)进行微涡流混凝净水试验,在流量为6.00m3/h、8.00m3/h和10.00m3/h,投药量变化范围为16.00～40.00 mg/L时,随着投药量增加,出水浊度均呈现先降低后增加的趋势,在投药量为30.00 mg/L时出水浊度达到最低,为最佳投药量,且在混凝剂投加量为24.00～36.00mg/L的范围内,出水浊度比较稳定,基本维持在≤1.00NTU,并确定以此浊度作为投药控制模型的浊度控制目标。2)在混凝剂投加量为24.00～36.00 mg/L的范围内,以出水浊度≤1.00 NTU为目标,调节进水流量变化范围为 5.50～10.00m3/h,包括 5.50、6.00、6.50、7.00、7.50、8.00、8.50、9.00、9.50、10.00 m3/h共10个工况,获取对应混凝剂投加量下的进水流量、进水浊度、pH值以及出水浊度,为后续进行微涡流混凝投药控制模型研究提供了建模参数和数据基础。(2)微涡流混凝投药数学模型研究采用MATLAB函数拟合工具箱对原水流量、pH值、进水浊度、出水浊度以及对应的混凝剂投加量五个指标进行函数拟合,在控制出水浊度目标≤1.00NTU的条件下,二阶线性函数拟合发现四个指标与混凝剂投加量之间存在较为明显的数学关系,经非线性函数拟合得出了微涡流混凝投药的数学控制模型:y=-23.3469+4.8436 x1+3.7803 x2-0.7377 x3+4.4275 x4-0.0878 x1x2-0.04716 x2x3+0.03687 x2x4-0.1784 x21-0.0486 x22+0.098 x23-5.8705 x24式中,y为混凝剂投加量,mg/L;x1为原水流量,m3/h;x2为进水浊度,NTU;x3为原水pH值;x4为出水浊度,NTU。经分析发现,数学模型对投药量的预测误差介于±2.00 mg/L之间,个别点误差突变至3.00 mg/L,误差较大。(3)基于BP神经网络的微涡流混凝投药控制模型研究以原水流量、pH值、进水浊度、出水浊度以及对应的混凝剂投加量五个指标为基础,利用经验公式确定了 BP神经网络的单隐含层的节点数,通过MATLAB构建了基于BP神经网络的微涡流混凝投药控制模型。经误差分析发现,混凝投药量预测误差波动范围在±1.00 mg/L之间,说明构建的BP神经网络模型比构建的数学模型误差更小。(4)基于遗传算法和BP神经网络的微涡流混凝投药控制模型研究选用遗传算法对BP神经网络连接权值和阈值进行优化,构建了基于遗传算法和BP神经网络的微涡流混凝投药控制模型。仿真发现,优化后模型预测误差介于±0.50 mg/L之间,不存在误差波动较大的点,说明优化后不但大大提高了 BP神经网络模型的预测精度,同时也改善了预测结果的稳定程度,优化后的BP神经网络模型比未优化的BP神经网络模型具有更加优越的性能。(5)模型控制效果试验验证将构建的微涡流混凝投药数学控制模型、BP神经网络控制模型以及遗传算法优化的BP神经网络控制模型投入实际应用,通过微涡流混凝净水试验进行验证。在分别获取的30个样本中,数学模型中存在7个样本出水浊度超过了控制目标浊度(≤1.00 NTU),占整体23.3%;BP神经网络模型中仅2个样本出水浊度超过了控制目标浊度,占整体6.7%;遗传算法优化BP神经网络模型中所有样本的出水浊度均在控制目标浊度以下,不存在超出控制的样本,说明遗传算法优化BP神经网络的微涡流混凝投药控制模型的控制效果优于BP神经网络控制模型优于数学控制模型,对微涡流混凝投药过程具有很好的控制作用。