1、計(jì)劃類別 項(xiàng)目編號(hào) 項(xiàng)目技術(shù)報(bào)告課題名稱 項(xiàng)目主持人 承擔(dān)單位 題目：灰色神經(jīng)網(wǎng)絡(luò)在MBR曝氣強(qiáng)度中的應(yīng)用研究曝氣是MBR膜污染的操作條件影響因子中的一個(gè)重要參數(shù)，曝氣強(qiáng)度過大易造成膜絲斷裂，過小又不能減緩膜污染。針對(duì)該問題，本研究首先運(yùn)用灰色模型對(duì)中空纖維膜不同使用階段中的最佳曝氣強(qiáng)度值進(jìn)行粗略預(yù)測。再將影響膜過濾性能的三個(gè)因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入，不同膜清洗次數(shù)后的最佳曝氣強(qiáng)度作為輸出，進(jìn)行曝氣的BP網(wǎng)絡(luò)模型預(yù)測。最后將灰色模型的預(yù)測值及影響膜過濾性能的三個(gè)因素作為灰色神經(jīng)網(wǎng)絡(luò)的輸入，最佳曝氣強(qiáng)度作為輸出，進(jìn)行曝氣的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測。通過對(duì)兩個(gè)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果對(duì)比分析，得出結(jié)論灰色

2、神經(jīng)網(wǎng)絡(luò)模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。關(guān)鍵詞：MBR：膜污染：曝氣強(qiáng)度：灰色系統(tǒng)：灰色神經(jīng)網(wǎng)絡(luò)1 引言（Introduction）MBR污水處理技術(shù)問世以來，膜污染問題一直是其發(fā)展的瓶頸，其導(dǎo)致膜通量下降，增加組件更換和清洗的頻率，從而增加運(yùn)行費(fèi)用1，2。在MBR處理廢水的實(shí)際生產(chǎn)過程中，膜組件的過濾性能會(huì)隨著膜清洗次數(shù)的增加而逐漸衰減，隨之也導(dǎo)致膜通量的下降。兼顧于膜通量與減緩膜污染的目的，在每次清洗之后的再使用過程中設(shè)置合適曝氣的強(qiáng)度有利于延緩膜污染3。針對(duì)曝氣強(qiáng)度的預(yù)測研究，首先使用GM（1，1）灰色系統(tǒng)預(yù)測每個(gè)階段最佳曝氣強(qiáng)度的變化趨勢(shì)。GM（1，1）作為灰色系統(tǒng)理論的重要內(nèi)容，其突出特點(diǎn)

3、是建模過程簡單，模型表達(dá)簡潔，便于求解，應(yīng)用廣泛4。BP神經(jīng)網(wǎng)絡(luò)在預(yù)測領(lǐng)域有著比較成熟的應(yīng)用5，因此再建立輸入為膜清洗的次數(shù)、膜清洗時(shí)長、膜清洗藥劑濃度，輸出為最佳曝氣強(qiáng)度的BP預(yù)測模型。最后建立灰色系統(tǒng)與BP結(jié)合的灰色神經(jīng)網(wǎng)絡(luò)模型，并經(jīng)過實(shí)驗(yàn)對(duì)比分析兩個(gè)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測識(shí)別正確率。2 最佳曝氣強(qiáng)度（Optimum aeration intensity）浸沒式MBR運(yùn)行過程中，曝氣量過大，易導(dǎo)致污泥破碎，影響混合液過濾特性，進(jìn)而加劇膜污染，降低膜通量。曝氣量過小又會(huì)導(dǎo)致溶解氧不足，必將對(duì)物生物的降解產(chǎn)生不利影響，增加膜的負(fù)荷，易造成膜污染，從而影響污水處理的效果6。因此確定最佳的曝氣強(qiáng)度不僅

4、利于減小膜污染還有利于保持較高的膜通量。2.1 最佳曝氣強(qiáng)度影響因素為有效的控制膜污染，最佳曝氣強(qiáng)度值會(huì)受到膜過濾性能的影響，而影響膜過濾性能的主要因素包括膜清洗的次數(shù)、每次膜清洗時(shí)長、膜清洗藥劑濃度。其中由于膜的不可避免的污染趨勢(shì)，其性能會(huì)隨著膜清洗次數(shù)的增大而衰減，從而清洗過后的再使用階段需要相應(yīng)的增加曝氣強(qiáng)度值。2.2 最佳曝氣強(qiáng)度值的實(shí)驗(yàn)確定最佳曝氣強(qiáng)度值的確定需要從生物需要量和控制膜污染兩方面考慮，本研究主要從控制膜污染方面考慮。其中在保持MBR運(yùn)行中恒膜通量出水的前提下以跨膜壓差的變化率的大小反應(yīng)膜污染的程度7。如在維持最佳污泥濃度操作壓力為的條件下，采用中空纖維膜管式組件，首先檢

5、測放入MBR池中的新膜組件在不同的曝氣量下，跨膜壓差（TMP）的變化來確定最佳曝氣量，曝氣量試驗(yàn)分別選擇90、110、120、130、140、150、160，以每平方米膜投影面積每小時(shí)需要的氣量計(jì)算曝氣量。對(duì)上述七組實(shí)驗(yàn)每天記錄膜組件跨膜壓差的值，當(dāng)跨膜壓差達(dá)到0.04MPa時(shí)停止試驗(yàn)，因?yàn)榇藭r(shí)膜堵塞非常嚴(yán)重。在膜通量恒定的情況下，跨膜壓差（TMP）的變化可以反映出膜污染的情況8。曝氣量與跨膜壓差上升速率的關(guān)系，如圖1所示。由圖可見，曝氣量強(qiáng)度過低或過高都會(huì)加速膜污染。因此實(shí)驗(yàn)中膜組件在第一個(gè)階段最佳的曝氣量強(qiáng)度應(yīng)選擇。相同的方法記錄下清洗次數(shù)為0-10次后的最佳曝氣強(qiáng)度值依次為：120、12

6、1、122、125、127、129、132、133、135、138、142 。3 灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)理論（Grey system and neural network theory）3.1 GM（1，1）灰色系統(tǒng)的基本原理GM（1，1）算法已廣泛應(yīng)用于社會(huì)、經(jīng)濟(jì)、生態(tài)、工程預(yù)測控制等領(lǐng)域。因適應(yīng)貧信息，抗噪聲能力強(qiáng)。顯示出比傳統(tǒng)預(yù)測方法更大的優(yōu)越性。該算法的基本思想是：將原始信息數(shù)據(jù)序列通過一定的數(shù)學(xué)方法進(jìn)行處理，通常采用累加或累減生成方法，轉(zhuǎn)化為微分方程來描述系統(tǒng)的客觀規(guī)律。灰色系統(tǒng)預(yù)測是一種通過原始數(shù)據(jù)的處理和灰色模型的建立，發(fā)現(xiàn)、掌握系統(tǒng)發(fā)展規(guī)律，對(duì)系統(tǒng)的未來狀態(tài)做出科學(xué)的定量預(yù)測。能夠

7、較好的預(yù)測變化的總體趨勢(shì)。傳統(tǒng)的灰預(yù)測模型GM（1，1）為等間距灰序列的預(yù)測算法。其反映了一個(gè)變量對(duì)時(shí)間的一階微分函數(shù)，其相應(yīng)的微分方程為3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型原理BP網(wǎng)絡(luò)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。能夠?qū)W習(xí)和存儲(chǔ)大量的輸入輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)狀態(tài)是有導(dǎo)師的學(xué)習(xí)，其算法是將一組訓(xùn)練集（training set）送入網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出間的差別來調(diào)整連接權(quán)。有導(dǎo)師學(xué)習(xí)算法的主要步驟包括：（1）從樣本集合中取一個(gè)樣本（Ai，Bi）。（2）計(jì)算網(wǎng)絡(luò)的實(shí)際輸出O。（3）求D

8、=Bi-O。（4）根據(jù)D調(diào)整權(quán)矩陣W。（5）每個(gè)樣本重復(fù)上述過程，直到對(duì)整個(gè)樣本集來說，誤差不超過規(guī)定范圍。BP網(wǎng)絡(luò)算法的流程圖，如圖2所示。3.3 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型原理灰色神經(jīng)網(wǎng)絡(luò)既是灰色理論與神經(jīng)網(wǎng)絡(luò)的組合，其組合方法有并聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)和串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)兩種模型。并聯(lián)灰色神經(jīng)網(wǎng)絡(luò)是單項(xiàng)模型的線性加權(quán)和，沒有考慮到單項(xiàng)模型預(yù)測結(jié)果之間的非線性關(guān)系。串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)只將灰色預(yù)測模型的預(yù)測結(jié)果作為輸入，忽略了其他影響因素對(duì)預(yù)測結(jié)果的影響。基于此，采用改進(jìn)的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)，如圖3所示。將灰色模型的預(yù)測結(jié)果和影響曝氣量的其他因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)預(yù)測值與實(shí)測值

9、的最佳擬合。 4 最佳曝氣預(yù)測模型的建立把實(shí)驗(yàn)測得的最佳曝氣強(qiáng)度值作為預(yù)測模型的初始數(shù)據(jù)輸入，分別進(jìn)行灰色系統(tǒng)預(yù)測和灰色神經(jīng)網(wǎng)絡(luò)預(yù)測。4.1 最佳曝氣GM（1，1）灰色預(yù)測的建立灰色系統(tǒng)理論在建模過程中利用較少的數(shù)據(jù)就能得到一定精度的模擬數(shù)據(jù)，將膜清洗次數(shù)分別為02次所對(duì)應(yīng)的最佳曝氣強(qiáng)度的值作為GM（1，1）模型的初始輸入值，進(jìn)行預(yù)測膜清洗310次所對(duì)應(yīng)的最佳曝氣強(qiáng)度的值。如圖4所示。4.2 最佳曝氣BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立由于BP神經(jīng)網(wǎng)絡(luò)能夠使得多元函數(shù)進(jìn)行非線性的擬合并預(yù)測，本模型將影響膜過濾性能的因素膜清洗的次數(shù)、膜清洗時(shí)長、膜清洗藥劑濃度作為輸入，輸出為最佳曝氣強(qiáng)度值。簡單的BP神經(jīng)

10、網(wǎng)絡(luò)預(yù)測曝氣強(qiáng)度值模型圖，如圖5所示。4.3 最佳曝氣灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立將實(shí)驗(yàn)獲得的膜清洗次數(shù)大于兩次的實(shí)驗(yàn)數(shù)據(jù)作為最佳曝氣強(qiáng)度灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的輸入，其中數(shù)據(jù)包括灰色系統(tǒng)預(yù)測的結(jié)果值和影響膜過濾狀態(tài)再而導(dǎo)致曝氣強(qiáng)度值的膜清洗次數(shù)、膜清洗時(shí)長、膜清洗藥劑濃度。此模型的結(jié)果輸出為最佳曝氣強(qiáng)度值。圖6為最佳曝氣強(qiáng)度灰色神經(jīng)網(wǎng)絡(luò)組合模型圖。5 結(jié)果分析（Result analysis）我們將MBR實(shí)驗(yàn)獲得的膜清洗次數(shù)、膜清洗時(shí)長、膜清洗藥劑濃度、最佳曝氣強(qiáng)度等數(shù)據(jù)用于上述灰色系統(tǒng)、BP神經(jīng)網(wǎng)絡(luò)模型、灰色神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算機(jī)仿真預(yù)測。5.1 GM（1，1）灰色預(yù)測結(jié)果分析將MBR實(shí)驗(yàn)

11、獲得膜清洗02次所對(duì)應(yīng)的最佳曝氣強(qiáng)度值作為灰色系統(tǒng)的輸入，通過MATLAB程序?qū)崿F(xiàn)對(duì)膜清洗310次后所對(duì)應(yīng)最佳曝氣強(qiáng)度值。預(yù)測的結(jié)果，如圖7所示。通過此灰色系統(tǒng)模型預(yù)測的結(jié)果分析，可以看出預(yù)測的膜清洗310次后所對(duì)應(yīng)的最佳曝氣量的結(jié)果與實(shí)測結(jié)果存在較大的誤差。主要原因是因?yàn)榛疑到y(tǒng)預(yù)測模型的輸入比較單一，沒有考慮到膜的過濾性能恢復(fù)程度受到多種因素的影響。因此，GM（1，1）灰色系統(tǒng)預(yù)測模型只能是預(yù)測最佳曝氣強(qiáng)度值隨膜清洗次數(shù)的一個(gè)總的變化趨勢(shì)。對(duì)于精準(zhǔn)預(yù)測各個(gè)階段的最佳曝氣強(qiáng)度值存在較大的誤差。5.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析通過MBR實(shí)驗(yàn)獲得90組關(guān)于膜清洗次數(shù)、膜清洗時(shí)長、膜清洗藥劑濃度、

12、最佳曝氣量的數(shù)據(jù)，隨機(jī)選其中80組作為BP神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，建立網(wǎng)絡(luò)模型，再將剩下的10組作為該模型的測試數(shù)據(jù)輸入進(jìn)行測試。通過MATALB程序?qū)崿F(xiàn)結(jié)果，如圖8所示。通過BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析，可知BP神經(jīng)網(wǎng)絡(luò)識(shí)別的正確率為80%。5.3 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析將MBR中獲得的90組數(shù)據(jù)中，對(duì)應(yīng)相應(yīng)的膜清洗次數(shù)添加灰色系統(tǒng)預(yù)測的結(jié)果，從而也將灰色系統(tǒng)預(yù)測的結(jié)果作為灰色神經(jīng)網(wǎng)絡(luò)的輸入，接著進(jìn)行網(wǎng)絡(luò)訓(xùn)練，建立灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型。使用同樣的10組添加了灰色系統(tǒng)預(yù)測結(jié)果的數(shù)據(jù)作為該模型的測試數(shù)據(jù)，進(jìn)行該灰色神經(jīng)網(wǎng)絡(luò)的測試。通過MATALB程序?qū)崿F(xiàn)結(jié)果，如圖9所示。通過灰色神經(jīng)網(wǎng)絡(luò)

13、模型預(yù)測結(jié)果分析，可知灰色神經(jīng)網(wǎng)絡(luò)模型識(shí)別正確率為90%。6 結(jié)論（Conclusion）本文在查閱了大量的關(guān)于MBR中膜污染相關(guān)的國內(nèi)外文獻(xiàn)后，先得出最佳曝氣強(qiáng)度值受到膜清洗次數(shù)、膜清洗時(shí)長、膜清洗藥劑等影響的理論知識(shí)，并進(jìn)行相應(yīng)的MBR實(shí)驗(yàn)研究得出相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)。再結(jié)合數(shù)學(xué)模型和計(jì)算機(jī)中的神經(jīng)網(wǎng)絡(luò)算法對(duì)求得的最佳曝氣強(qiáng)度值進(jìn)行模擬仿真。通過簡單的BP神經(jīng)預(yù)測模型和灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的正確識(shí)別率進(jìn)行對(duì)比分析，可知組合的灰色神經(jīng)網(wǎng)絡(luò)模型能夠更加精確的預(yù)測出膜清洗后的下一使用階段的最佳曝氣強(qiáng)度值。參考文獻(xiàn)（References）1 Shibam Mitra，Naphtali Claude

14、Daltrophe，Jack Gilron. A Novel Eductor-Based MBR for the Treatment of Domestic WastewaterJ.Water Research，2016，100：65-79.2 Shamim Ahmed Deowan，F(xiàn)rancesco Galiano，Jan Hoinkis，Daniel Johnson，Sacide Alsoy Altinkaya，Bartolo Gabriele，Nidal Hilal，Enrico Drioli，Alberto Figoli.Novel Low-Fouling Membrane Bioreactor （MBR） for Industrial Wastewater TreatmentJ.Journal of Membrane Science，2016，510：524-532.3 Young Suk Kim，Byoung Ho Lee.Fouling Reduction Effect in MBR System by Ozone InjectionJ.KSCE Journal of Civil Engineering，2014，18（2）