论文部分内容阅读
本文首先在容积为800ml,有效过滤面积为24.0cm2的死端过滤装置上,使用平均孔径为0.1μm的聚丙烯腈(PAN)微滤膜对活性污泥混合液进行了过滤研究,以实验数据为样本数据,借助人工神经网络对膜通量进行了预测研究,在此过程中以平均相对误差绝对值和相关系数作为人工神经网络性能的评价标准来优化网络模型。主要研究结果为:以膜生物反应器的操作条件(污泥浓度,温度,溶解氧,水力停留时间,跨膜压力差)和时间作为输入节点,优化得到的对膜通量动态预测的BP神经网络模型的拓朴结构为3-13-1,隐层神经元个数为13,学习率为0.05,学习函数为traingdx,传递函数分别为logsig和tansig;采用此神经网络模型对死端微滤活性污泥悬浮液膜通量预测的平均相对误差绝对值为4.1%,预测值与实验值的相关系数为0.9952。
其次,在相同的死端过滤装置上使用平均孔径0.1μm的聚醚砜(PES)微滤膜和截留分子量为5kDa的聚醚砜(PES)超滤膜在不同的操作条件下对活性污泥上清液进行了过滤实验,根据实验所得数据以同样的方法借助人工神经网络对膜通量及膜渗透液中COD浓度进行了预测研究。主要研究结果为:(1)以膜生物反应器的操作条件(污泥浓度,温度,溶解氧,水力停留时间,跨膜压力差)和时间为输入节点,采用优化后的拓朴结构为3-13-1,学习率为0.05,学习函数为traingdx,传递函数分别为logsig和tansig的BP神经网络模型有效地实现了对死端超、微滤活性污泥上清液的膜通量的预测,平均相对误差绝对值分别为4.8%和5.0%,相关系数分别为0.9879和0.9852;(2)选用操作条件(污泥浓度,温度,溶解氧,水力停留时间,跨膜压力差)作为预测膜渗透液中COD浓度的输入节点,采用优化得到的拓朴结构为3-11-1,学习率为0.05,学习函数为traingdx,传递函数分别为logsig和tansig的BP神经网络模型有效地实现了对死端超、微滤活性污泥上清液的膜渗透液中COD浓度的预测,所得的平均相对误差绝对值分别为1.9%和4.9%,相关系数为0.9912和0.9950;
最后,在有效过滤面积为78.66cm2的错流微滤装置下,使用孔径为O.1μm的聚偏氟乙烯(PVDF)微滤膜对酵母悬浮液进行错流过滤实验研究,采用多元线性回归方法分析了酵母悬浮液比阻随操作条件的影响规律,并得出回归模型,同时采用人工神经网络对酵母悬浮液比阻进行了预测研究,在此基础上建立了回归模型与BP神经网络模型的联合模型。主要研究结果为:(1)错流微滤酵母悬浮液比阻随着错流速率、压力的增加而增加,随着温度的增加而减小,在1.0-3.0g/L范围内随浓度的增加而增加,在3.0-5.0g/L范围内则随之而减小;其影响程度为:错流速率(30.43%)>浓度(30.17%)>压力(22.51%)>温度(16.89%);错流微滤酵母悬浮液比阻随压力、浓度、错流速率和温度变化的定量的关系式为:αc=4.3652×1014U+1.2256×1015P+1.8224×1013C-2.9467×1012T+1.4704×1014(2)较优的预测错流微滤酵母悬浮液比阻的BP-ANN模型的拓朴结构为3-8-1,隐层神经元个数为8,学习率选为0.08,学习函数为trainlm,传递函数分别为logsig和tansig;(3)BP-ANN模型与回归模型联用的联合模型与单一的BP-ANN模型相比,预测值的平均相对误差绝对值由4.2%减小到2.2%,相关系数由0.9730增大到0.9905。