间歇曝气活性污泥系统神经网络水质模型

间歇曝气活性污泥系统神经网络水质模型郭劲松,龙腾锐,高旭,黄天寅(重庆建筑大学城市建设学院,重庆400045)摘要:根据人工神经网络理论和方法,针对活性污泥间歇曝气系统的特点,提出了活性污泥间歇曝气系统的BP人工神经网络水质模型。通过对模型预测结果与实测值的比较表明:其具有精度高,适应性强,使用方便的特点。这种模型的建立,为活性污泥工艺实现在线智能化控制提供了一条简便的途径。关键词:活性污泥法;间歇曝气;水质模型中图分类号:X703文献标识码:A文章编号:1000-4602(2000)11-0015-04ModelingStudyofActivatedSludgeProcesswithIntermittentAerationBasedonBPArtificialNeuralNetworkGUOJing2song,LONGTeng2rui,GAOXu,HUANGTian2yin(FacultyofUrbanConstruction,ChongqingJianzhuUniv.,Chongqing400045,China)Abstract:Aback2propagation(BP)artificialneuralnetworks(ANN)waterqualitymodelwasdevelopedforactivatedsludgesystemwithcontinuousflowandintermittentaerationinaccordancewiththetheoryandmethodofANNandthefeaturesoftheprocess.Bycomparingthepredictionre2sultsofthemodelwiththetestdata,thismodelwasaccurateandflexible.Themodelcanbeusedtore2alizeintelligentizedon2linecontroloftheprocess.Keywords:activatedsludgeprocess;intermittentaeration;waterqualitymodel基金项目:国家自然科学基金资助项目(59778021)活性污泥法是城市和工业污水二级处理广泛采用的工艺,对该工艺的有效控制,在一定程度上依赖于对系统中生物反应器和二沉池动力学的正确模拟。目前已经建立的众多动力学模型均是以分析各种影响因素的作用机理为基础的。然而,由于影响工艺过程的因素和生化反应的复杂性和高度非线性,以及污水处理生物化学的理论分析还很不深入等原因,使以机理分析为基础的动力学模型在进行系统模拟时,其预测数值的稳定性和精确性均不尽人意。有观点认为:如需更深刻地理解工艺的动力学过程就必须发展更细节化的机理模型,但这无疑将增加模型的复杂程度和所需参数的数目,同时为获得模型要求的可靠而足够多的生产性试验数据,以进行参数估计也并非易事。这些原因给机理模型的推广使用带来困难。人工神经网络的特点在于从输入到输出之间的映射关系是非线性的,无需深究各影响因素与结果之间的作用机理以及它们之间的相互作用关系等问题。因此,利用人工神经网络建模与利用模型进行模拟预测,在操作上就非常简便。1BP型人工神经网络BP(Back-propagation)网络,即反向传播人工·51·中国给水排水2000Vol.16CHINAWATER&WASTEWATERNo.11转载http://www.paper.edu.cn神经网络,是一种多层结构的映射网络。它能实现从输入到输出的任意非线性映射,其典型结构[1]如图1。由图1可知BP网络是由输入层、输出层和隐含层组成,各层节点之间由可自适调整的权值相连,而节点状态由节点函数进行描述,常用的节点函数为双弯曲函数:f(x)=11+e-x(1)利用最陡坡降法(thegradientsteepestdescentmethod)将误差函数最小化是BP网络的基本算法。其计算格式由正向传播和反向传播两个过程组成。在正向传播过程中,输入信息从输入层经隐含层神经元处理后,传向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出,则转向反向传播,即将误差讯号沿原来的连接通路返回,通过修改各层神经元间的权值,使误差讯号最小化,其详细的计算格式与步骤见参考文献[2]。图1BP网络典型结构图2间歇曝气活性污泥法BP网络的建构建立活性污泥间歇曝气系统水质模型的实质是确定输入层、输出层及隐含层的数量和按一定的计算格式对网络进行训练,训练的目的就是对网络的权值和阈值进行自适调整,从而建立起各种神经元之间以及从输入至输出的映射关系。输入层是人工神经网络与外部输入信息的接口,用户的输入数据是作为输入层神经元状态加到网络上的。网