膜生物反应器(MBR)作为污水处理领域中的新兴技术,具有良好的发展前景,并且逐渐受到相关领域专家与学者的重视。然而,膜污染严重影响了 MBR技术的发展,如何调节系统运行条件和参数,减缓膜污染现象,以及如何建立膜污染的仿真模型已经称为研究热点。本文旨在建立影响MBR膜污染因素与表征膜污染程度的膜通量间的非线性关系,从而完成对膜通量的预测。在建立仿真预测模型之前,需要对膜生物反应器系统运行过程中产生的数据进行处理,从中提取出建模所需要的数据。随着MBR的发展,系统产生的数据必然会越来越多,因此本文引入大数据分布式系统来完成对膜污染相关数据的存储和处理分析。利用Hadoop常用组件建立完整的数据处理模型,并通过shell脚本完成数据的自动处理。其中包括使用Flume组件完成数据的采集,使用MapReduce程序完成数据的清洗,使用Hive组件建立数据仓库并分析表中数据,以及使用Sqoop组件将分析后的结果数据导入到关系型数据库中。理论研究证明,神经网络能够任意精度逼近任意连续函数,能够建立输入与输出之间的复杂非线性关系模型,在预测领域应用比较广泛。本文使用Elman动态神经网络来建立仿真预测模型,它属于局部回归的反馈网络,具有关联记忆功能,在预测精度上优于传统的BP神经网络。但是,由于Elman神经网络仍采用前馈网络的梯度下降法进行网络训练,因此存在网络训练速度慢、容易陷入局部极小值等缺陷,且有网络权值敏感和网络结构不易确定等问题。针对这些问题,引入基于浓度的自适应免疫遗传算法来优化Elman网络模型,实现了动态递归神经网络的自动构造和设计。实验结果表明,使用免疫遗传算法优化的Elman网络优于未优化的Elman网络,并且在与使用传统GA优化后的模型对比后发现,免疫遗传算法优化的Elman网络效果更好,预测精度有很大提升,且优化后的网络预测比较稳定。