基于反向傳播神經網絡模型優化冶金廢水單級脫氮試驗研究

鄭小發，楊 麗，刁 月，王秀模

(重慶機電職業技術大學，重慶 402760)

生物廢水處理高度依賴于各種微生物之間復雜的生物化學反應[10]，通過控制生物反應影響因素可提高處理效率，但基本控制因素及具有穩定處理效率的優化參數尚未明確。目前，用于廢水處理過程控制和參數優化的常規建模方法主要基于單因素/正交試驗和物理-數學機制[11-13]。大多數現有模型(物理-數學模型)，包括厭氧消化模型(ADM1)、活性污泥模型(ASM1，ASM2)都是基于過程動力學和傳質學[14]；而當反應器、廢水或微生物工作環境發生變化時，這些模型都需要重新校準[15]。影響廢水中主要污染物質去除的因素主要有流體參數、微生物群落特性及反應器操作條件[16]。利用全面自適應模型，如機器學習和數據驅動模型，結合數學工具(如artificial neural network，ANN)和方差多變量逐步聚類分析[17]對生物過程進行建模，可以大大減少復雜生物過程建模中所面臨的挑戰。雖然ANN已用于需氧、厭氧系統和其他各種復雜的網絡應用模式識別，但ANN和試驗設計響應面法(response surface methodology，RSM)都還需進一步研究。

試驗提出優化2種反向傳播神經網絡模型，開發并應用網絡連接時間模型，用上流污泥床(upflow-sludge-bed，USB)反應器經由SNAP工藝處理富氮廢水去除其中的銨和總氮。ANN模型中，以主成分分析為基礎，選取一些參數作為輸入變量，通過優化隱層神經元數目建立優化的ANN結構，采用基準比較和多重非線性回歸(multiple nonlinear regression，MNR)模型的Box-Behnken設計模型的自適應值(初始值)和權重/偏差值(初始值)，預測所提出模型的效率，利用16S rRNA高通量基因測序微生物群落序列，評價USB-SNAP過程中的生物脫氮途徑和效率。

1 試驗部分

1.1 廢水及試劑

微量元素溶液(Ⅰ)(g/L)：EDTA 5，FeSO40.006 25；

微量元素溶液(Ⅱ)(g/L)：EDTA 15，H3BO40.014；ZnSO4·7H2O 0.43，CuSO4·5H2O 0.25，NiCl2·6H2O 0.19， MnCl2·4H2O 0.99，CoCl2·6H2O 0.24，NaMoO4·2H2O 0.22。

混合液懸浮固體溶液、混合液揮發性懸浮固體溶液采自市政污水處理廠；試驗用水為實驗室自制純水。

1.2 試驗裝置與儀器

蠕動泵(英國BT10032J Langer Instruments)，分光光度計(日本島津制作所，UV-1800 UV-VIS)，精密離子計(鄭州南北儀器設備有限公司，PXS450)，在線溶解氧探針(INESA：JPB-607A型)，Illumina Miseq測序平臺(上海桑根生物科技有限公司)。

1.3 分析方法

USB反應器的有效工作量和總工作量分別為0.9 L和1.1 L，頂部空間裝配一個三相分離裝置，可以促進操作過程中生物質、液體和氣體的分離。從市政污水處理廠獲得MLSS(混合液懸浮固體)和MLVSS(混合液揮發性懸浮固體)用于激活USB。采用熱水浴使USB熱敏電阻和數字溫度控制器在溫度32±1 ℃下運行，隨后用不透明材料覆蓋反應器，避免光滲透和微生物群落中的光養細菌生長[21]。蠕動泵用于將廢水輸送到反應器中，反應器運行階段分別是階段Ⅰ、階段Ⅱ和階段Ⅲ，水力停留時間(HRT)分別為36、24、18 h，氨負荷率(NLR)分別為120、170、220 g/(m3·d)。

采用分光光度計在420 nm波長處測定水樣中的銨離子質量濃度，在540 nm和220 nm處分別測定亞硝酸鹽和硝酸鹽質量濃度；用精密離子計和在線溶解氧探針分別測定pH和溶解氧水平。

1.4 高通量測序

對USB 3個操作階段結束時獲得的污泥進行微生物群落調查，以確定USB內的各種反應。分離DNA后，用瓊脂糖凝膠電泳和基因組對DNA進行定量聚合酶鏈反應，隨后在Illumina Miseq測序平臺進行DNA(僅質量DNA)測序[22]，對序列進行聚類分析。

1.5 ANN架構說明

采用MATLAB軟件2017 B版開發3層(輸入、隱藏和輸出層)反向傳播訓練算法ANN模型。ANN模型如圖1所示。圖1表示第i個權重輸入和第j個隱藏神經元，輸入層神經元數量，隱藏神經元和輸出神經元權重。

圖1 ANN模型示意

1.6 ANN訓練算法和網絡拓撲的優化

影響SNAP工藝性能的變量主要通過分析主成分進行選擇，通過將所有相關變量轉換為不相關變量來執行主成分分析。通過基準比較，選擇用于構建有效的ANN架構的訓練算法。選擇MATLAB平臺訓練算法，對每種訓練算法，在隱藏層分配2～18個神經元，并記錄和比較最小均方差[23]。每種訓練算法都是在隱藏層指定2個神經元情況下啟動，然后逐步增加至估計出最小均方差(MSE)。通過將整個數據集隨機分為3個子集，即訓練(70%)、驗證(15%)和測試集(15%)進行檢查，隨后采用訓練子集來評估梯度及形成權重因子和偏差。訓練集開始學習數據集之后采用驗證集。從驗證集獲得的誤差被連續用于監視訓練過程，基于3級因子完成Box-Behnken設計[24-25]。

2 試驗結果與討論

2.1 USB脫氮效率與微生物群落演替

去除率；b—總氮去除率；c—氮氧化物。圖2 USB內的脫氮效率

2.2 ANN模型的優化

2.2.1 基于基準比較的最優訓練函數識別

2.2.2 基于ANN模型的性能評估

圖3 基于ANN的去除模型

圖4 基于ANN的總氮去除模型

ANN模型能夠學習輸入和輸出變量之間的復雜和非線性相互關系，而不需要復雜的狀態方程和動力學變量[27]，所以，通過模擬和預測，利用基于ANN的模型對污水生物處理工藝進行優化和控制是可行的。此外，本研究也說明ANN可以用來評估遮蔽函數并進行近似估計，這表明ANN有能力處理非常復雜的數據，尤其在需要主觀判斷的領域更具有廣闊應用前景。

3 結論