基于ANN的SBBR-CRI處理模擬生活污水及其仿真研究

孫紅松,楊朝暉,曾光明,劉水清,徐崢勇,鄧久華,季麗麗,陳 穎 (湖南大學環境科學與工程學院,環境生物與控制教育部重點實驗室,湖南 長沙 410082)

序批式生物膜反應器(SBBR)兼具生物膜反應器和SBR反應器的優點,生物量多,剩余污泥量少,周期性的供氧豐富了系統中的微生物種類,提高了系統對水質水量的應變能力[1].人工快速滲濾系統(CRI)水力負荷高,系統單位面積處理能力強[2-3],對COD及氨氮有很好的去除效果.將兩工藝結合用于處理生活污水,不僅可以降低各工段的有機負荷,而且能夠有效的去除污水中的COD和氮磷.SBBR-CRI工藝采用間歇式運行,有機負荷高,抗沖擊負荷能力強,適用于處理城鎮居民小區和農村生活污水.

人工神經網絡是由大量的稱為神經處理單元的自律要素以及這些自律要素相互作用形成的[4-6].它力圖模擬人腦的一些基本特征,如自適性、自組織性、容錯性等,已在生物傳感器檢測有機物、污水處理等領域[7-9]得到廣泛應用.

本研究采用 SBBR-CRI工藝處理生活污水,通過調控不同的影響因素(進水 NH4+-N、進水COD、進水TP、DO、淹沒時間/落干時間(濕干比)、曝氣時間/停曝時間(曝停比)),得到不同的處理效果.針對反應器運行期間得到的數據,建立ANN預測模型,以確定最優反應條件.實驗利用ANN預測SBBR-CRI處理模擬生活污水的能力,為SBBRCRI處理實際生活污水并應用于實際奠定理論基礎;同時,由于ANN的學習能力和非線性逼近能力,可用于不同水質水量運行系統的建模,為復雜的非線性映射系統的建模與SBBR- CRI等污水處理工藝在線監控的實現提供了一條可行的途徑.

1 材料與方法

1.1 實驗裝置

圖1 SBBR-CRI裝置Fig.1 Schematic diagram of the SBBR-CRI

實驗采用的SBBR-CRI工藝裝置由一個SBBR裝置和一個CRI快滲裝置組成,SBBR反應裝置有效容積為6L,內部填充軟性填料,填充比為30%左右,工作容積為4L,底部配備微孔曝氣頭,曝氣量通過轉子流量計進行控制,溫度通過加熱裝置實時控制(30±2)℃.CRI快滲裝置工作容積為6L,內部填料層由下至上為承托層、粗砂與細砂混合層、天然斜發沸石層.實驗裝置見圖1.

1.2 模擬生活污水

葡萄糖0.1700g,可溶性淀粉0.1600g,CH3COONa 0.2330g, NH4Cl 0.0255g,蛋白胨0.1580g,牛肉膏0.0400g, (NH4)2SO40.4149g, KH2PO30.0700g,Na2CO30.060g,自來水1L,調節pH=8.0.

1.3 實驗方法

將新鮮污泥沉淀且排出上清液后加入到懸掛填料的反應器內,同時加入原水連續悶曝2d.悶曝結束后,利用實驗配水馴化生物膜,大約持續30d之后,生物膜逐漸成熟,顏色呈黃褐色,鏡檢能觀察到菌膠團、絲狀菌和輪蟲等,同時獲得較穩定的出水水質.

采用3組反應裝置進行實驗,分別在6種參數組合下處理生活污水,SBBR每個實驗周期為12h,單周期采用瞬時進水-好氧-缺氧-排水的運行方式.其中好氧段與缺氧段的時間比根據各自運行條件的不同進行分配,CRI周期為12h,通過控制布水器的水流速度來調控CRI的濕干比.工藝參數的具體數值確定如下.1#裝置 SBBR反應器的DO1.5mg/L,前半階段曝停比為2/1,后半階段為3/1,CRI快滲裝置的濕干比為1:2;2#裝置的SBBR反應器的DO2.0mg/L,前半階段曝停比為2/2,后半階段為2/1,CRI快滲裝置的濕干比為1:3;3#裝置的SBBR反應器DO2.5mg/L,前半階段曝停比為2/2,后半階段為3/1,CRI快滲裝置的濕干比為1:4.

各反應裝置的進水參數均作為ANN的輸入變量,3組裝置在不同的進水條件下進行平行對比實驗,故其進水量不同, 1#,2#,3#裝置穩定運行后的進水量分別為2.0,2.2,2.4L.

1.4 分析項目及檢測方法

COD采用重鉻酸鉀滴定法測定;BOD5采用稀釋接種法測定;NH4+-N采用納氏試劑光度法測定;TN采用過硫酸鉀紫外分光光度法測定;TP采用鉬銻鈧分光光度法測定;DO采用溶解氧測定儀測定;pH值采用pH測定儀(德國Sartorius普及型pH計)測定.

2 神經網絡模型

2.1 BP神經網絡原理與算法

誤差反向傳播網絡[10-11]是目前使用廣泛、較為成熟的一種人工神經網絡,故本研究采用BP算法.BP網絡一般由輸入層、輸出層和隱含層組成.學習過程分為正向傳播和反向傳播兩部分,輸入信號從輸入層經過隱含層,然后傳到輸出層,每一層神經元的狀態只能影響到下一層神經元網絡.如果實際輸出與期望輸出之間有誤差,那么誤差信號將通過傳播通路反向折回,通過修改各層神經元的權值和閥值,逐層向輸入層傳播進行計算再經過正向傳播,如此反復進行,使得誤差達到期望的要求時,學習過程結束.

2.2 模擬仿真樣本數據

工藝穩定運行后,取中間連續運行的12d的數據作為仿真模擬樣本數據(表1).

表1 實驗樣本組數據(mg/L)Table 1 The sample data of experiment(mg/L)

2.3 網絡的拓撲關系

BP神經網絡一般具有一個或多個隱含層,隱含層通常采用對數或正切Sigmoid傳遞函數,而輸出層神經元則采用線性傳遞函數.一般認為,增加隱層數可以降低網絡誤差,提高精度,但也使網絡復雜化,從而增加了網絡的訓練時間和出現過擬合的傾向.一般 BP神經網絡的輸入變量為待分析系統的內生變量(影響因子或自變量數),輸出變量即為系統待分析的外生變量(系統性能指標或因變量),可以是一個,也可以是多個.當一個信號傳送給輸入層后,經中間層向輸出層傳播,在輸出層的各指標獲得輸入響應.隨后按照減少目標輸出與實際輸出之間誤差的方向,從輸出層反向經過各中間層回到輸入層,逐層修正各連接權重.本文采用3層(6-n-4)結構的神經網絡,輸入層包括6個控制因素,即DO、曝停比、滲濾系統濕干比、進水NH4+-N濃度、進水COD濃度和進水TP濃度.輸出層包括出水NH4+-N濃度、出水TN濃度、出水COD濃度和出水TP濃度4個輸出向量.n為隱含層節點數.

2.4 最優運行參數的確定

網絡運行的主要參數包括動量因子、學習率和學習次數.一般情況下,絕對平均誤差率[12-13]和均方根誤差[14]可用來評價網絡性能.

式中:yk為實際輸出值;y?k為網絡預測輸出值;n為樣本數據組數.

在網絡運行參數中,動量常數和學習率的取值直接影響到網絡的收斂速度.為提高學習速度,應采用大的學習率.但學習率太大卻可能導致在穩定點附近振蕩,乃至不收斂.針對具體的網絡結構模型和學習樣本,都存在一個最佳的學習率lr和動量因子mc,它們的取值范圍一般在0～1之間,視實際情況而定.在MATLAB中通過對不同的lr和mc的取值進行仿真模擬,確定本文神經網絡模型的參數為:lr＝0.13,mc＝0.6.學習次數是評價網絡學習效率的一項指標,通過調控網絡的訓練次數,得出不同訓練次數下的訓練精度和誤差取值,選取訓練精度最佳和誤差最小下的次數作為最佳訓練次數,本文最佳訓練次數為6000次.

3 結果與討論

3.1 工藝運行效果

由圖2可見,3個裝置對NH4+-N和COD的去除率均較高,NH4+-N去除率在98%左右,COD去除率在93%～97%之間波動.3個裝置對TN和TP的去除率差距較大,1#裝置對TN和TP的去除率較高,TN平均去除率在90%左右,TP去除率在86%左右,2#和3#裝置對TN和TP的去除率相對較差.

圖2 SBBR-CRI工藝對NH4+-N、TN、COD和TP的去除率Fig.2 NH4+-N、TN、COD and TP removal efficiency of SBBR-CRI

3.2 BP神經網絡仿真結果

經過優化,得出最佳運行參數:隱含層節點數為7,動量因子為0.6,初始學習率為0.13,訓練次數為6000次,隨機取表1中的6組數據作為驗證樣本組,其余30組數據作為訓練樣本組,對樣本數據進行自適應學習仿真,仿真結果見表2.由表2可見,在第29組仿真分析中,TP的相對誤差最小,為0.68%,仿真結果較好.在第14組的仿真分析中,TP的相對誤差最大,為13.86%.在 6組因素的全部仿真數據中,NH4+-N、TN、COD和TP的絕對平均誤差率分別為7.29%、6.81%、6.59%和6.13%,可以看出,BP神經網絡對整個工藝系統有很好的仿真預測能力.

表2 人工神經網絡NH4+-N、TN、COD、TP仿真結果Table2 Simulation results of artificial neural network of NH4+-N,TN,COD and TP

3.3 權重分析

權重是表征各因素在整個工藝系統中所具有的重要程度,是影響神經網絡訓練結果的重要因素.通過BP神經網絡程序經訓練得出連接權值,根據式(3)[15]分析各輸入因素對輸出因素的重要程度.

式中:Inputx為輸入層的權重值; HiddenX為輸入層與隱節點間的連接權值; HiddenY為輸出層與隱節點間的連接權值.

圖3 進水影響因素對出水參數的權重大小Fig.3 The weights of the effect factors on the effluent parameters

由圖3可見,對于出水 NH4+-N和TN,進水NH4+-N濃度對2者的權重貢獻最大.這是因為游離氨(FA)對氨氧化細菌(AOB)和亞硝化細菌(NOB)均有較強的抑制作用,AOB以FA為基質進行氨氧化反應,當FA濃度達0.1～1.0mg/L,就會對AOB和NOB產生抑制作用,從而抑制硝化反應的進行[16-18],影響了 NH4+-N 的轉化率.由 FA濃度計算公式得知,FA濃度與進水NH4+-N濃度成正比,所以進水NH4+-N濃度對出水NH4+-N和TN影響較大.在對 COD濃度的仿真模擬預測中,DO是影響出水COD的最主要的因素,微生物降解有機物使得廢水中COD降低,DO作為好氧微生物的最終電子受體[19]對生物膜有一定的沖刷,微生物在不同的DO下對有機物的降解速度不同,所以DO在出水COD的權重分析中占主要影響.TP的權重分析中,進水 TP濃度權重最大,在生物膜中,雖然聚磷菌通過好氧吸磷和厭氧釋磷將磷去除,但由于進水 TP濃度變化較大,聚磷菌聚磷能力有限,所以,出水TP濃度變化也較大.

在出水各參數中,出水 TN受滲濾系統濕干比影響最大,這是由于濕干比與滲濾系統的復氧效果成負相關性,而硝化細菌是好氧性細菌,其生長代謝離不開氧氣,同時反硝化細菌的反硝化作用需要厭氧環境,濕干比的不同為滲濾系統提供了交替的好氧/厭氧環境,對TN的去除有重要作用.滲濾系統對TN有較好的去除效果,第一是由于濕干比的不同為微生物提供了交替的好氧/厭氧環境,有利于NH4+-N、NO3--N和NO2--N的轉化去除.第二是由于滲濾系統介質有部分的天然斜發沸石,對NH4+-N有很好的吸附效果.

4 結論

4.1 SBBR-CRI工藝對分散式生活污水處理效果較好.在最優條件下,對NH4+-N、TN、COD和TP的去除率均可達到98%、85%、94%和85%以上.

4.2 在對樣本數據的仿真模擬中,人工神經網絡有較好的泛化能力,整個測試樣本絕對平均誤差率保持在7.5%之內,均方根誤差最大也只有0.082,對整個工藝有很好的仿真預測能力.

4.3 人工神經網絡模型通過非線性映射識別輸入與輸出的關系,具有良好的非線性逼近能力.在SBBR-CRI工藝中,針對不同的影響因素(DO、濕干比、曝停比、進水COD、進水NH4+-N、進水TP),根據各因素之間的非線性關系,確定動態網絡模型.

[1]Chiou Renjie, Yang Yirong. An evaluation of the Phosphorus storage capacity of an anaerobic/aerobic sequential batch biofilm reactor [J]. Bioresource Technology, 2008,99:4408-4413.

[2]何江濤,鐘佐燊,湯鳴皋,等.人工構建快速滲濾污水處理系統的試驗 [J]. 中國環境科學, 2002,22(3):239-243.

[3]馬鳴超,姜 昕,李 俊,等.人工快速滲濾系統中硝化菌群脫氮作用解析 [J]. 中國環境科學, 2008,28(4):350-354.

[4]揚建剛.人工神經網絡實用教程 [M]. 杭州:浙江大學出版社,2002:28-63.

[5]聞 新,周 露.MATLAB 神經網絡應用設計 [M]. 北京:科學出版社, 2003:207-271.

[6]Patel S U, Jeevan Kumar B, Badhe Y P, et al. Estimation of gross calorific value of coals using artificianeural networks [J]. Fuel,2007,86(3):334-344.

[7]Mjalli F S, Al-Asheh S, Alfadala H E. Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance [J]. Journal of Environment Management, 2007,83:329-338.

[8]蔡博峰,穆 彬,方 皓.基于自組織神經網絡的生態敏感性分區——以北京市房山區為例 [J]. 中國環境科學, 2008,28(4):375-379.

[9]Hamed M, Khalafallah M G, Hassanein E A. Prediction of wastewater treatment plant performance using artificial neural network [J]. Environmental Modeling and Software, 2004,19:919-928.

[10]Lee Tsung-Lin. Back-propagation neural network for the prediction of the short-term storm surge in Taichung harbor,Taiwan [J]. Engineering Applications of Artificial Intelligence,2008,21:63-72.

[11]Zeng Jun, Guo Huafang, Hu Yueming. Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission [J]. Journal of Environmental Science, 2007,19:427-431.

[12]曹 明,楊朝暉,曾光明,等.基于ANN的SBBR短程硝化過程仿真研究 [J]. 中國環境科學, 2008,28(8):694-698.

[13]張玉超,錢 新,錢 瑜,等.支持向量機在太湖葉綠素 a非線性反演中的應用 [J]. 中國環境科學, 2009,29(1):78-83.

[14]Lee Tsong-Lin. Back-propagation neural network for long-term tidal predictions [J]. Ocean Engineering, 2004,31:225-238.

[15]Olden J D, Joy M K, Death R G. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data [J]. Ecological Modelling, 2004,178(3):389-397.

[16]支霞輝,王 霞,李 朋,等.污水短程脫氮工藝中亞硝酸鹽積累的影響因素 [J]. 中國環境科學, 2009,29(5):486-492.

[17]Edgardo M, Fabricio R. Kinetic modeling of inhibition of ammo-nia oxidation by nitrite under low dissolved oxygen conditions [J]. Journal of Environmental Engineering, 2008,134(3):184-190.

[18]許 朕,楊朝暉,曾光明,等.供氧充足環境下 SBBR 實現短程硝化的控制研究 [J]. 環境科學, 2008,29(7):1860-1866.

[19]周群英,高廷耀.環境工程微生物學 [M]. 2版.北京:高等教育出版社, 2000:122-128.