基于神经网络的污水处理过程建模及仿真的研究
为了保护有限的水资源，保证国家可持续发展的战略，必须大力发展我国的污水处理事业。在污水处理工艺中，活性污泥法是一种比较先进的工艺，而且也比较适合我国国情。但是污水处理受到进水水质、水量、设备、工艺等诸多因素影响，过程复杂，水质变化具有非线性及非确定性特征。传统的污水处理出水水质预测ASM系列模型由于涉及的反应过程和参数较多，许多参数缺乏成熟的测定方法，实际应用效果并不十分理想。人工神经网络具有大规模并行运算、自适应、自学习、容错性的能力，特别适用于需要同时考虑许多因素和条件，不精确的、模糊的信息处理。因此，研究对污水处理过程的建模和仿真技术具有十分重要的现实意义。 本文就处理污水反应过程中，对降解有机物、硝化与反硝化、除磷过程反应有影响的工艺参数进行了分析，深入分析了现有的几种建模的方法，并且给出该过程建模和仿真技术的发展方向。研究了基于BP和RBF神经网络的活性污泥法污水处理系统建模方法，证明了神经网络建立污水处理过程模型是有效可行的。以MATLAB6.5为计算平台，采用BP神经网络结构:一个输入层、一个隐含层、一个输出层。通过工艺分析，确定6个进水水质指标即水量、PH值、温度、COD（化学含氧量）、硫化物、MLSS（指1升进水所含的挥发性悬浮固体）为输入神经元；出水COD浓度为输出神经元。通过对某污水处理站的监测数据进行学习，分析影响BP网络学习效率和预测精度的影响因素，主要从隐含层神经元数量、训练次数、隐含层激励函数、学习样本数量几个方面对该厂污水处理站出水COD浓度预测BP网络模型进行了优化，确定了污水处理站出水水质预测人工神经网络模型。然后运用聚类分析法、主成分分析法去除了监测数据中有离群趋势的5个点，将监测数据分为6类，从每类中选取2/3作为学习样本，其余数据作为检验样本。通过验证表明，BP人工神经网络模型预测结果同监测出水COD浓度相对误差最高为9.6％，最低为0.3%，平均相对误差为3.8%，识别率达到84.6%，具有较高的精度，能满足水质预测实际要求。最后采用LabVIEW软件平台开发了污水处理过程仿真软件，初步实现了曝气池和二沉池的反应机理。本文的研究对我国污水处理过程的模型发展和仿真技术的开发有一定借鉴意义，但由于条件和时间的限制，尚有许多方面有待改进和深入探讨。
神经网络;污水处理;过程建模;活性污泥法;仿真技术
山东科技大学
硕士
测试计量技术及仪器
戴文
2006
中文
TP183;X703.1
80
2013-05-16（万方平台首次上网日期，不代表论文的发表时间）