基于反向傳播神經網絡的電化學強化厭氧膜生物反應器膜污染預測模型

＊程順健

（福州城建設計研究院有限公司 福建 350001）

水資源短缺與能源危機是人類社會發展面臨的重大挑戰。針對高濃度城市有機污水的處理，厭氧膜生物反應器（Anaerobic Membrane Bioreactor，AnMBR）將厭氧消化與膜過濾技術有機結合，在實現高質量出水的同時產出甲烷，極大降低運行成本[1]。

在將AnMBR 應用于市政污水處理的大規模工程中，膜污染問題是首要挑戰[2]。市政污水在低溫下黏度較高，因此，更易引發膜污染[3]，增加系統的運行成本，而胞外聚合物是造成膜污染的主要原因[4]。傳統的膜污染控制方法包括增加膜面水力剪切作用、優化系統運行模式及化學清洗等[5]，而發展膜污染原位控制技術則是重要的研究方向之一。其中，基于電化學調控方法，可實現原位控制膜污染問題[6-7]，有助于改善膜污染情況，提高系統的可持續性和效率。目前，關于AnMBR 膜污染的機理和控制方法研究已經有較多報道[8-12]，但在膜污染模擬預測，尤其是電化學強化AnMBR 膜污染方面的研究報道相對較少，且已報道的傳統方法與數學模型[13-14]往往難以處理龐大的數據量，也無法從中挖掘出膜污染變化的潛在特征，因此預測精度始終有限。

反向傳播神經網絡（Back Propagation Neural Network，BPNN）是一種用于挖掘數據內在關聯的算法模型。BPNN 在多層前饋人工神經網絡的基礎上，增加了誤差反向傳播算法，允許其根據目標問題的復雜需求進行建模[15]。BPNN 已被部分研究應用于常見膜污染的預測[16-18]，但是尚未將BPNN 模型應用于針對城市污水處理AnMBR 膜污染電化學原位控制的研究報道。

數據集的預處理是訓練BPNN 模型的關鍵步驟。由于數據在收集過程中不可避免地存在缺失、重復等情況，若不進行預處理，將直接影響到模型的訓練[19]。膜污染的形成涉及許多變量，但并非所有變量都對預測結果具有顯著影響，因此，需要在預處理階段對數據進行分析和重構[20]。

本文構建了電化學強化AnMBR 反應體系，施加1 V 電壓構建外電場，進行原位電場驅動AnMBR 抗膜污染性能研究。反應器內消化液的pH 值、氧化還原電位（Oxidation-Reduction Potential，ORP），以及膜組件的跨膜壓差（Transmembrane Pressure，TMP）等數據，基于BPNN 構建單層多節點隱含層的膜污染預測模型。同時，通過不同數據集分割方式進行實驗測試和模型評估，討論如何通過優化數據集提高模型的預測準確性和實用性，為膜污染的預測和控制提供新的思路和方法。

1.實驗設計與數據處理

本文實驗的主要目的是利用BPNN 算法對AnMBR中的膜污染情況進行預測。此外，還包含通過對數據的可視化，進行pH 值和ORP 對TMP 變化的影響分析。

(1)電化學強化AnMBR反應體系的構建

如圖1 所示，采用浸沒式AnMBR 處理市政污水，實驗裝置主要包括直流電源、極板、厭氧顆粒污泥、Ni/Fe LDH@C 顆粒填料。同時啟用兩套電化學強化AnMBR 裝置，分別標記為R1#和R2#，對模擬城市污水進行連續實驗和數據采集，溫度維持在20～25 ℃。

圖1 電化學強化AnMBR 裝置

(2)數據收集

反應器的pH、ORP 和TMP 等數據通過將其連接到可編程邏輯控制器（PLC）設備的傳感器進行收集。其中，數據的采集過程以30 min 為一個周期，最終共收集7416 條數據。

(3)建模方法

本文采用單層多節點的BPNN 作為模型主體，通過數據預處理進行優化。

2.數據預處理

對TMP 列和ORP 列進行取反，以保證整體數據為正數，便于比對分析。

(1)數據清洗

如表1 所示，原始數據中存在部分的缺失值（指表中數值表示為“0.00”的數據記錄）及離群值（指表中ORP 數值顯著高于“-400.0”的數據記錄，如“-227.3”），需對其進行數據清洗。

表1 部分原始數據

①缺失值處理

觀察數據整體的變化趨勢，可以發現pH 和ORP的變化具有隨機性。因此，采用隨機填充法對目標缺失值進行處理，在指定范圍內隨機生產浮點數。

②離群值處理

如圖2 所示，兩個反應器的TMP 數據都存在大量連續的離群值。針對這些離群值，采用刪除對應數據行向量的方式進行處理。

圖2 TMP 數據趨勢圖

對于表1 中R1#反應器的ORP 離群值，采取人工填寫方式，將數值統一修改為理論邊界值-400 mV。

(2)數據變換

各參數與TMP 的波動變化對比如圖3 所示，采用歸一化方法進行數據變換。其中，采用式（1）對TMP 和ORP 進行常規離差標準化；而pH 值則采用式（2）進行特殊歸一化處理。

圖3（A）pH 與TMP 波動變化對比；（B）ORP 與TMP 波動變化對比

(3)數據集劃分

經過數據清洗和數據變換處理后的數據，如圖4所示。為進行神經網絡的訓練，本文將整體數據以兩種不同方式分割為數據集1 和數據集2，供模型進行學習，并評估學習效果。第一種分割方式：單獨在R1#反應器產生的數據上進行，將數據的70%作為訓練集，30%作為測試集。第二種分割方式：同時在兩個反應器的數據上進行，將R1#反應器的數據作為訓練集，R2#反應器的數據作為測試集。

圖4 經過清洗和變換后的數據

3.數據分析

通過圖4 可見，TMP 與pH 和ORP 兩個參數并未表現出顯性關聯，但卻表現出典型的時間序列數據特性，與時間節點的變化呈強關聯性。因此，本文BPNN 模型的建立主要以單一條件TMP 時間序列數據作為輸入。

4.構建模型

（1）模型結構。BPNN 的網絡結構，如圖5 所示，主要由輸入層、隱含層和輸出層組成，其中有若干個神經元結構相互形成全連接。

圖5 BPNN 的拓撲結構

①激活函數。本文使用的激活函數是MATLAB 中的purelin 函數和tansig 函數，它們都是神經傳遞函數，負責單層神經元中由凈輸入值計算轉換出輸出值的過程。

②損失函數。本文使用MATLAB 的神經網絡構建函數net 中默認使用的均方誤差（MSE）作為目標模型的損失函數，見式（3）。

③梯度下降函數。本文使用的梯度下降函數是MATLAB 中的trainlm 函數，該函數是由Levenberg-Marquardt（L-M）算法實現的一個反向傳播神經網絡的訓練函數。

（2）參數設定。經過多次實驗并調整參數，本文在兩個數據集上的模型訓練分別設定目標誤差為1e-6和1e-10，同時設定學習率為0.01，分別設定Epoch個數為500 和1000。

5.結果分析與討論

訓練結果顯示（圖6）最終模型的預測誤差均能夠達到1e-4 以下，表現出良好的預測性能。

圖6 模型在不同結構的數據集上的訓練過程

對比圖6 中的訓練過程數據可以發現，不同數據集訓練的模型性能存在明顯差異。其中，數據集1 由于所使用的數據較為單一，模型并沒有充分地學習到TMP 數據的潛在特征，經過完整的6 次測試集迭代后，誤差仍只能降低至6.59e-5，遠達不到目標誤差的1e-6。數據集2 上的訓練則顯示出明顯的優越性，在經過732 個傳播周期、進行不到1 次完整測試集迭代的情況下，達到9.97e-11 的誤差，滿足了目標誤差1e-10 的要求。可見，通過兩個不同獨立反應器數據的相互驗證，能夠在擴充數據量的同時引入更多的潛在特征，訓練得到性能更好的模型。

6.總結

研究通過實驗收集并建立AnMBR 反應過程數據集，在數據分析過程中剔除pH 和ORP 等非強關聯數據，并以不同的方式劃分為兩個不同的數據集，將TIME_ID 和TMP 作為輸入，建立了基于數據驅動的BPNN 時間序列預測模型，實現對AnMBR 裝置的膜污染程度進行預測。

通過多次實驗及調整參數至最佳訓練條件，最終模型的預測誤差能夠達到1e-10 以下，精準度接近100%，可應用于膜污染程度預測。