人工神經網(wǎng)絡在超、微濾膜過濾行為研究中的應用.pdf

1、本文首先在容積為800ml，有效過濾面積為24.0cm2的死端過濾裝置上，使用平均孔徑為0.1μm的聚丙烯腈(PAN)微濾膜對活性污泥混合液進行了過濾研究，以實驗數(shù)據(jù)為樣本數(shù)據(jù)，借助人工神經網(wǎng)絡對膜通量進行了預測研究，在此過程中以平均相對誤差絕對值和相關系數(shù)作為人工神經網(wǎng)絡性能的評價標準來優(yōu)化網(wǎng)絡模型。主要研究結果為：以膜生物反應器的操作條件(污泥濃度，溫度，溶解氧，水力停留時間，跨膜壓力差)和時間作為輸入節(jié)點，優(yōu)化得到的對膜通量動態(tài)預

2、測的BP神經網(wǎng)絡模型的拓樸結構為3-13-1，隱層神經元個數(shù)為13，學習率為0.05，學習函數(shù)為traingdx，傳遞函數(shù)分別為logsig和tansig；采用此神經網(wǎng)絡模型對死端微濾活性污泥懸浮液膜通量預測的平均相對誤差絕對值為4.1％，預測值與實驗值的相關系數(shù)為0.9952。 其次，在相同的死端過濾裝置上使用平均孔徑0.1μm的聚醚砜(PES)微濾膜和截留分子量為5kDa的聚醚砜(PES)超濾膜在不同的操作條件下對活性污泥上

3、清液進行了過濾實驗，根據(jù)實驗所得數(shù)據(jù)以同樣的方法借助人工神經網(wǎng)絡對膜通量及膜滲透液中COD濃度進行了預測研究。主要研究結果為：(1)以膜生物反應器的操作條件(污泥濃度，溫度，溶解氧，水力停留時間，跨膜壓力差)和時間為輸入節(jié)點，采用優(yōu)化后的拓樸結構為3-13-1，學習率為0.05，學習函數(shù)為traingdx，傳遞函數(shù)分別為logsig和tansig的BP神經網(wǎng)絡模型有效地實現(xiàn)了對死端超、微濾活性污泥上清液的膜通量的預測，平均相對誤差絕對值

4、分別為4.8％和5.0％，相關系數(shù)分別為0.9879和0.9852；(2)選用操作條件(污泥濃度，溫度，溶解氧，水力停留時間，跨膜壓力差)作為預測膜滲透液中COD濃度的輸入節(jié)點，采用優(yōu)化得到的拓樸結構為3-11-1，學習率為0.05，學習函數(shù)為traingdx，傳遞函數(shù)分別為logsig和tansig的BP神經網(wǎng)絡模型有效地實現(xiàn)了對死端超、微濾活性污泥上清液的膜滲透液中COD濃度的預測，所得的平均相對誤差絕對值分別為1.9％和4.9％，

5、相關系數(shù)為0.9912和0.9950； 最后，在有效過濾面積為78.66cm2的錯流微濾裝置下，使用孔徑為O.1μm的聚偏氟乙烯(PVDF)微濾膜對酵母懸浮液進行錯流過濾實驗研究，采用多元線性回歸方法分析了酵母懸浮液比阻隨操作條件的影響規(guī)律，并得出回歸模型，同時采用人工神經網(wǎng)絡對酵母懸浮液比阻進行了預測研究，在此基礎上建立了回歸模型與BP神經網(wǎng)絡模型的聯(lián)合模型。主要研究結果為：(1)錯流微濾酵母懸浮液比阻隨著錯流速率、壓力的增加

6、而增加，隨著溫度的增加而減小，在1.0-3.0g/L范圍內隨濃度的增加而增加，在3.0-5.0g/L范圍內則隨之而減??；其影響程度為：錯流速率(30.43％)>濃度(30.17％)>壓力(22.51％)>溫度(16.89％)；錯流微濾酵母懸浮液比阻隨壓力、濃度、錯流速率和溫度變化的定量的關系式為：αc=4.3652×1014U+1.2256×1015P+1.8224×1013C-2.9467×1012T+1.4704×1014(2)較優(yōu)