参考文献.docx

《参考文献.docx》由会员分享，可在线阅读，更多相关《参考文献.docx（8页珍藏版）》请在优知文库上搜索。

1、生化需氧量(BioChemiCalOxygenDemand,Be)D)反映了污水的污染程度，是保证污水系统正常运行，衡量水质是否合格的核心参数。传统测量方法检测时间久无法保证工程实时调控的需要，相比于常规方法，智能化预测在水质参数检测方面实用性更强。但是，目前污水参数预测的方法大部分基于单一神经网络，随着待处理问题复杂度的增加，往往效果欠佳，为污水参数的有效检测带来了挑战。因此本文以无法直接得到的关键污水参数出水BOD为研究对象，借鉴“分而治之”思想，提出了基于模块化神经网络的预测方法，对出水实时BoD准确测量。具体研究工作如下：模块化神经网络任务分区设计。将样数据本分区处理是“分而治之”的前

2、提，样本空间的合理划分依赖于性能好的聚类算法。针对传统密度峰值聚类对数据的局部结构识别不灵敏，当面对密度分布不均的数据无法准确聚类的问题，提出基于改进K近邻密度峰值聚类算法，通过对局部密度的定义进行替换，并加入信息燧优化距离公式，改善了因数据的局部结构不敏感所带来的误差。实验表明本文提出的算法较经典密度峰值聚类精确率提高了8.5%,体现出了算法有效性。模块化神经网络子网络层自组织设计。针对传统RBF网络动态性不高，隐含层神经元结构确定困难的问题,本文通过结合神经元的自身特性对RBF子网络进行改进，实现神经元的自组织动态调整，在保证准确性的基础上,又得到了精简的结构。为了提高网络精度，同时通过改

3、进遗传算法对关键参数进行确定。结果表明，改进后的预测精度较原有算法RMSE指标提升近63%o基于模块化神经网络的出水BOD预测研究。在污水处理过程中，针对主要参数BOD无法实时、准确测量的问题，提出基于模块化神经网络的预测策略方案。模仿人脑的“集思广益”的思想弥补单一神经网络处理复杂问题能力不足的缺陷。同时为了保证输入数据的有效性，增加模型实时校正方案，添加反馈处理回路，对新的数据集能够闭环处理。实验结果表明，与改进的单一神经网络方法相比具有较高的预测精度和精简结构。污水处理智能可视化平台设计。针对污水厂信息化不足的实际工业需要，设计出水Be)D智能可视化平台设计，实现了出水BoD的实时精确预

4、测与污水处理系统数据的信息化监测与管控。水是人类赖以生存的基本条件，世界上大部分(约78%)的工作来源于水,目前没有可替代品。如今，中国经济蓬勃发展的同时也带来生态污染和环境破坏等问题，尤其水资源已成为世界关注的关键问题。在2020中国生态环境状况公报中指出，我国淡水资源短缺且污染严重，我国是全球水资源最贫乏的13个国家之一，人均占有量仅为世界水平的四分之一，我国有400多个城市供水不足，缺水总量达60亿，我国63.3%的湖泊富营养化，三分之一水资源不可饮用。并且我国24%的人口饮用受污染的水，60%的地下水质差，90%的城市水域污染严重，城市及主要经济带水生态恶化问题十分突出，已成为制约经济

5、社会可持续发展的瓶颈问题。当前，我国污水处理过程中存在的主要问题是能耗大，运行成本高，排放超标现象严重，南北地域水资源分布及不平衡。国家统计局显示:2020年我国污水排放量高达965亿吨,污水治理建设达到2345亿元,可以看出，针对我国污水排放严重，虽然投资额巨大但治理效果还不能满足我国水资源的需要。因此，针对我国水资源短缺和污染严重的问题，首要任务是对污染采取有效治理方式和监管措施。污水排放标准是我国目前的污水排放的准则，其中污水所含有污染物的浓度的确立也需要考虑目前我国的污水处理能力，原生环境能力和处理后污水的资源化处理利用。2019年1月，我国开始实施农村生活垃圾处理设施水污染物排放标准

6、o对农业生活污水的相关管理工作做出了明确的规定，限定了废水中污染物浓度的最高阈值。对不同规模和等级的排放水体环境设定不同的浓度限值，规模分为四个不同等级:高于500m3d50-500m3d5-50m3d和低于5m3d;排放水体的类别分为:II类、山类功能水体和其他水体两类。生化需氧量(BiOChemiCalOxygenDemand,BOD)体现了污水的污染情况,其原理是细菌等微生物把污水进行生物降解的有机物含量，数值越高说明污染程度越严重。为了使检查数据具有可靠性，通常提供在一定周期内，在特定温度下测量水样中微生物的基本数据，并确认水中氧气溶解的消耗量，多数情况下处理5天时间，称为5日有生化需

7、氧量，记为BOD5。我国在城乡污水处理厂污染物排放规范中，规范了出水BOD的国家标准:国家一级A国家标准lOmg/l、国家一级B国家标准20mgl,二类国家标准30mgl,三类国家标准规定60mgl。目前，BoD被广泛用于水体质量的监测和污水治理的管控。因而，实时准确的对出水BoD进行测量是确保污水处理系统常规运作和检验污水质量是否合格的一个关键条件。然而，由于污水处理方法的相对复杂性、生物有机物的存在以及高度的非线性，利用传统的实验技术来实时检测出水BOD很困难的。所以，为了对出水BoD进行更合理有效的预测，一些学者提出预测方法，这需要通过建模来尝试找出输入数据和待测数据之间某种内在关系。有

8、很多种方法会运用到预测建模当中，比如逻辑回归、神经网络、线性回归、最小二乘等。那么如何建立一个良好的模型来检测污水处理中的关键水质参数对污水治理有重要意义和研究价值。处理污水通常伴随着不平衡性、时变性、滞后性的一些特点，因此无疑给检测污水中的一些相关指标的工作带来了挑战，BOD做为污水处理过程中重要的评价指标，能够反应水被污染的程度以及是否达到污水排放标准。所以实时准确地预测出水BoD,不仅能够及时诊断出污水排放的情况以及管理目标，而且能够对污染系统中的组成部分进行预先控制，可以做到有效管理，这对于污水处理系统具有很大的价值。目前，水质参数的测量方式大致可分成三类:人工采样化验法，在线仪表检测

9、法，以及预测技术。但是，人工检测方法比较繁琐，从取样到检测需要较长的时间，一般需要5天的时间来检测出水BOD,严重的时滞可能会使水质再次污染，从而影响数据的精确度。与人工检测方法比较，快速检测仪器虽然可以提高检测速度和精确率，会解决因人工检测带来的误差，但其购置和维护价格非常昂贵。在应用预测技术中，人工神经网络的在城市污水参数预测中取得了明显的突破。并且其良好的预测效果在不同领域的有效应用得到了充分验证。综上，基于人工神经网络方法研究对污水处理治理过程中的参数的检测有深远影响。在预测应用领域中，大多数的建模方式还是采用是单一神经网络网。但是，在实际应用过程，系统过程的待测任务往往比较复杂，单一

10、神经网络效果通常不令人满意。这也说明选择一个综合性能强的神经网络对提高模型预的效率和准确性有关键作用。如果选择的神经网络数据处理能力薄弱，模型的准确性就无法保证;如果网络结构复杂，就会增加模型的质量，对训练效率产生影响。模块化神经网络借鉴了人脑“分而治之”的处理问题的思想原理，可以很好的拟合现实生活中的复杂难题。本文主要研究模块化神经网络，对BOD进行有效预测，对污水的处理以及环境的保护提供了模型方案，弥补了传统测量方法存在滞后性的特点,提升污水处理工作人员的工作效率，节省时间与资金的成本。BOD是测定水质污染程度的主要参数，能显示所测水域污染物的浓度，反应污水的污染程度，BOD的值越大，表明

11、水质的污染程度越深。该指标与其他指标相比，可以更加真实的反应水质的污染程度。因此对出水BOD的快速测量方法研究成为了研究热点。当前主要包括传统测量与模型预测两种方法。传统的常规检测方法也被称做直接方法，是指通过不同的策略方法测量污水中的溶解氧(DiSSolVedoXygen,DO)来确定BOD值，其中传统测量方法又称为直接测量法。其中压差法、燃料电池法、以及COO等方法是目前一些常规的通过稀释接种法检测的BOD值又叫5天生化需氧量,简称BOD$,以mg/L为单位。是在实际应用中最常见的一种测量方式。自1987年开始，我国将此方法确定为的BoD标准法。首先将水样放在充满氧气的密闭溶解瓶中，Oq和

12、分别是放入前后的氧气的浓度。并计算二者的差值，由此计算出BOD的最终值，水中微生物把有机物全部分解通常需要二十天以上的时间，在这个过程中PH值、余氯量等对测量过程等诸多因素起到了关键的作用。所以为了保证检测的准确性，在测定前要用盐酸溶液或氢氧化钠溶液调节PH值至68,应采样后放置l2h或加入适量亚硫酸钠溶液去除少量余氯。其检测装置示意图如图1.1所示，这种方法的独特优点是测量方法准确度高，原理简单清晰，但是在实际应用过程中操作相对复杂，不易重复操作，需要严格的管理方法对其进行操作，并且该方法耗时较久，为实际工程的实时调控带来了挑战。压差法”的基本原理是在5天的密闭培养瓶检测过程中，有机物的分解

13、会导致水中释放的二氧化碳被吸收，通过计算培养瓶里的压力变化量得到微生物消耗氧气的数量，由此得到BOD。经典BOD快速测定仪的原理就是利用压差法实现的。传统检测方法的主要缺陷是测量时间较长，5天到10天不等，事实上，在检测结果出来之前，超过标准值的污水早已被排出。所以，传统检测方法并不适用环境监测和实时管控的及时干预。为了克服上述检测方法的缺点，研发出了基于生物传感器等方法来实现BOD参数即时测定。生物传感器法也叫微生物电极法，其基本原理是将活的微生物作为敏感材料，将需要测量的物质含量和人体的各酶系统以及新陈代谢系统所形成的化学信息相结合。而BoD值的计算方法通过微生物和有机物的相互作用过程中消

14、使得溶解氧的含量降低，从而使得通过细菌膜的溶解氧相应地降低,通过溶解氧电极可以测量溶解氧含量的变化量。目前，对微生物电池的设计已成为快速检测BOD的热门方法。BoD微生物传感器结构示意图1.2所示。QianZhengrong等人的研究中表明，通过添加金属化学螯合剂EDTA或DDTC等可以使多种重金属电离生成金属液晶聚合物，进而降低了多种重金属电离对检测设备的危害。由于BoD微生物传感器的反应时间比较短，如果样本中存在大量难以生物降解的有机物将严重影响测量，因此建议要把难以快速生物降解的有机物进行分析，然后再加以微生物降解。使用AWW为标准溶液，以自来水为空白溶剂进行标定，有效减少了因磷酸缓冲液

15、所引起的二次污染，可进行对太湖水样BoD的快速测定。标准溶液的选择通常与测定方法以及污染物的种类直接相关，因此选择合适的标准溶液将有助于提升传感器测量的精度。Merlin等人Z将定位有各种细菌的BoD传感器构成阵列，使用所选细菌对某些化学物质的分解性，使用PLS(PartialIeaStSqUareS)的回归方式进行数据分析，从而完成了对具有各种难以分解有机物OECD污染物的BoD检测。微生物传感器法速度更快，操作方法也更简单，既减少了细菌膜培养时间，也提高了产品的测试准确度，微生物传感器法虽然精度高、速度快，但缺点是相应的仪器昂贵贵，在设备购买和后期维护会耗费很大的成本，为实际应用带来很大经

16、济压力。近些年来，过长的生化反应和环境的变化限制了对BOD快速方法研究。然而，用传感器设备和在线产品质量分析仪等测量方法通常需要高昂的成本，并且在人工后期维护上频繁且昂贵。为了解决以上缺点，国内外学者针对污水处理工艺的特性和水质参数的研究，产生了预测方法，通过利用所易检测的过程标量实现对难以测量的变量的估计。目前，常用的建模方式有回归分析法,状态估计法，机理分析法和人工神经网络等方法，其中，通过实践证明人工神经网络在预测方面已经运用到了多个领域并且取得了不错的效果“5-。赵颖慧教授设计出了微孔曝气氧化槽工艺，这将使污水处理系统效能得以显著提高，从而达到了节能降耗,7jo以BSM为基准，由俞方罡叫对硝态氮的浓度进行预测，经过仿真实验后证明，支持向量机在面对数据处理不完全的问题上有着较好的优越性，并且随着数据量的增加支持向量机对ELM的预测效果很非常好。然而，当下人们对处理污水机理的认知还不是很全面I，这些通过机理分析方法实现模型的方式通常无法提高建