论文部分内容阅读
随着塑料制品的全球性大量应用,邻苯二甲酸酯类已成为全球最普遍的污染物之一,对水体的影响日趋严重。因此,本文选取邻苯二甲酸酯类中最常见的邻苯二甲酸二丁酯(DBP)为研究对象,全面深入的研究厌氧-缺氧-好氧(AAO)系统中DBP的降解规律,以BP神经网络为理论基础,建立了DBP降解的BP神经网络预测模型,并对模型进行了优化及仿真。启动反应器并对AAO系统的工艺条件进行了优化,结果表明,培养15d天后,系统对各项常规指标及DBP的去除率均在80%以上,出水水质较好,且运行稳定。当HRT=18h、SRT=15d时,系统中COD去除率达到90%以上,氨氮去除率达到97%以上,DBP去除率为95.62%,此时系统对污染物的去除效果最好,因此,系统的最佳HRT选择18h、最佳SRT选择15d。在不同HRT、SRT条件下,系统对DBP的去除率均达到90%以上;DBP好氧池去除量>缺氧池去除量>厌氧池去除量,其中好氧池去除率占总的去除率的55-65%;各池污泥中DBP占混合液中总的DBP的含量均在78%以上;进入系统的DBP的去向主要为:约3%随出水排放、25%被系统累积、2%随剩余污泥排放、70%被生物降解。根据DBP生物降解的动力学模型的线性关系: y ? Kn x?n,得到了其在系统中厌氧、缺氧和好氧条件下的降解动力学拟合式,并求出各条件下的的K、KS、η值。结果表明DBP在厌氧、缺氧和好氧条件的η值分别为0.56、0.85和1.00,均高于ASM2的推荐值(ηFe和ηNO3推荐值分别为0.1和0.6)。厌氧、缺氧、好氧状态下的降解速率常数K和底物饱和系数KS分别为37.31、56.18、66.22和603.6、960.06、1076.47,依次升高;所建立的模型能对各池出水浓度进行预测,预测结果和实测结果较为吻合,其相对误差在10%以内。对选取的75组数据采用聚类分析法和主成分分析法处理后,剔除了对模型建立影响较大的5组数据,以剩余的70组实验数据为基础,对BP神经网络进行优化设计,最终确定了神经网络模型的层数为三层,其结构为(6,16,1);输入层到隐含层的转移函数为tansig函数,隐含层到输出层的转移函数为pureline函数;训练函数为trainlm;学习率为0.03;动量因子为0.8。各项参数确定后,以70组样本数据中的55组作为训练样本,15组作为测试样本,对模型进行训练,经过11步就达到了训练精度。对建立的BP神经网络预测模型进行仿真,结果显示网络的仿真输出与实际输出非常接近,训练时网络的RMSE、MSE和MAPE都很小,分别为0.35012、0.12258、1.6966,而R为0.99382,同时两者的相对误差绝对值范围为0.071-4.4898%;预测时网络的RMSE、MSE和MAPE也都比较小,分别为1.0231、1.0467、5.6253,而R为0.88199,同时两者的相对误差绝对值范围为0.1328-11.077%,可以说明网络的测量结果良好。将建立的BP神经网络模型与动力学模型进行比较,结果表明用BP网络预测的要比机理模型预测的误差要小一些,用BP神经网络模型预测DBP要比机理模型预测更准确。