《厌氧消化论文：不同种类生物质废物混合厌氧消化产气预测模型的研究》由会员分享，可在线阅读，更多相关《厌氧消化论文：不同种类生物质废物混合厌氧消化产气预测模型的研究（6页珍藏版）》请在金锄头文库上搜索。
1、 厌氧消化论文：不同种类生物质废物混合厌氧消化产气预厌氧消化论文：不同种类生物质废物混合厌氧消化产气预测模型的研究测模型的研究【中文摘要】随着我国城市发展速度的加快,人民生活水平的逐步提高,固体废弃物的产生量也在高速地增长,特别是生物质废弃物所占的比重很大。而如果对生物质废弃物进行回收利用,不仅缓解了环境压力,也能够节约能源。本文对餐厨垃圾、畜禽养殖废物等生物质废弃物与城市污水厂剩余污泥混合,在不同试验参数条件下进行混合厌氧消化试验；以产生的大量实验室数据为原始数据,基于多元回归原理和 BP 人工神经网络原理,对其建立预测模型。在基于肥肉基质和剩余污泥混合厌氧试验的建模中,两个阶段多元回归模型
2、的预测平均准确率分别为 75.69%和 79.29%；BP 神经网络模型的预测平均准确率为 79.05%。总体看来,两种模型的预测准确率相近,都有较好的预测结果,BP 模型的结果较优。在基于高有机负荷的餐厨垃圾填料、餐厨垃圾与消化污泥混合厌氧试验的建模中,两个阶段多元回归模型的预测平均准确率分别为 60.05%和 22.21%；BP 神经网络模型的预测平均准确率为 72.40%。BP 模型的结果明显优于多元回归模型。在分别以黄豆和芹菜为基质,和剩余污泥混合的控制 pH 值的厌氧消化过程的试验数据的 BP 建模,预测平均准确率分别为52.19%、69.13%；基于低有机负荷的餐厨垃圾填料、餐厨垃
3、圾与消化污泥混合厌氧试验的建模中,预测平均准确率为 86.30%。可以看出,BP 模型的预测准确率一直处在一个较高的水平,并且比较稳定。对比所建立的两种模型的预测结果,BP 人工神经网络模型用于混合厌氧消化的产气预测是可行的,并且优于多元回归模型的预测。本文建立的基于 BP 人工神经网络的混合厌氧消化产气预测模型为今后的生产实践提供了一种具有操作性强,效率高的预测方法。【英文摘要】With the accelerated pace of urban development in China, the gradual improvement of living standards, solid
4、waste generation is also growing fast, especially in the proportion of biomass waste. Biomass waste recycling relieves pressure on the environment and conserves energy.In this paper, for the digestion of different biomass gas production forecast, established multiple regression model and BP-ANN mode
5、l.Based on fat matrix and mixed anaerobic sludge experiment, established multiple regression model,the average prediction accuracy is75.69%,79.29%; established BP-ANN models the average prediction accuracy is 79.05%. Prediction accuracy of two models are similar, the results of prediction is good.Ba
6、sed on high organic loading mixed food waste and anaerobic sludge, established multiple regression model,the average prediction accuracy is60.05%,22.21%; established BP-ANN models the average prediction accuracy is 72.40%. Obviously, BP-ANN models are better than multiple regression models.Based on
7、soybean matrix and mixed anaerobic sludge experiment, established BP-ANN model, the average prediction accuracy is52.19%; Based on celery matrix and mixed anaerobic sludge experiment, established BP-ANN model, the average prediction accuracy is69.13%; based on low organic loading mixed food waste an
8、d anaerobic sludge, established BP-ANN model, the average prediction accuracy is 86.30%.It can be see, the average prediction accuracy of BP-ANN models always at a higher level,and stable.Conteasted two models, that it is feasible to use BP-ANN model in gas production forecast of mixed anaerobic dig
9、estion.BP-ANN model is superior to multiple regression model.In conclusion, the mixed anaerobic gas forecasting model based on BP-ANN built in this paper provided an operable and efficient method for production in the future.【关键词】厌氧消化 多元回归 BP 神经网络 预测【英文关键词】anaerobic digestion multiple regression BP
10、neural network forecast【目录】不同种类生物质废物混合厌氧消化产气预测模型的研究 摘要 6-7 Abstract 7 第一章 绪论 12-19 1.1 问题提出 12-14 1.1.1 课题研究背景 12-13 1.1.2 课题研究的意义 13-14 1.1.3 课题研究目标 14 1.2 国内外生物质废弃物混合厌氧消化技术现状 14-16 1.2.1 国内生物质废弃物混合厌氧消化技术现状 14-15 1.2.2 国外生物质垃圾混合厌氧消化技术现状 15-16 1.3 国内外环境领域人工神经网络(ANN)研究现状 16-19 1.3.1 国内的研究现状 16 1.3.2
11、国外的研究应用现状 16-19 第二章 厌氧消化原理 19-26 2.1 厌氧消化的机理 19-26 2.1.1 厌氧消化基本原理 19-20 2.1.2 厌氧发酵的微生物学 20 2.1.3 厌氧消化的动力学理论 20-23 2.1.4 厌氧消化的主要影响因素 23-26 第三章 建模基本理论 26-37 3.1 人工神经网络原理 26-30 3.1.1 人工神经网络概述 26-27 3.1.2 人工神经元模型 27-28 3.1.3 人工神经网络结构 28-29 3.1.4人工神经网络的训练 29-30 3.2 B-P 神经网络 30-34 3.2.1 B-P 神经网络模型结构 30-31
12、 3.2.2 B-P 神经网络的构建与算法 31-33 3.2.3 B-P神经网络的局限性及优化 33-34 3.3 多元回归分析原理 34-37 3.3.1 多元线性回归模型 34-35 3.3.2 多元线性回归方程的显著性检验 35-37 第四章 试验方案、试验装置及测量方法 37-47 4.1 系列试验方案 37-40 4.1.1 系列之一单基质生物质及混合单基质的试验 37-39 4.1.2 系列之二餐厨垃圾与厌氧污泥混合试验 39-40 4.2 试验装置 40-41 4.3 试验的指标测量 41 4.4 指标的分析方法 41-47 4.4.1 总固体的测定 41 4.4.2 挥发性固
13、体 41-42 4.4.3 总有机碳 42 4.4.4 总氮 42-44 4.4.5 氨氮 44-45 4.4.6 挥发性脂肪酸 45 4.4.7 pH 值 45 4.4.8 碱度 45-47 第五章 基于系列试验的多元回归模型研究 47-59 5.1 基于单基质生物质及混合单基质试验的多元回归建模 47-53 5.1.1 试验结果分析 47-48 5.1.2 多元回归建模与验证 48-53 5.2基于餐厨垃圾与厌氧污泥混合试验的多元回归建模 53-56 5.2.1 试验结果分析 53-54 5.2.2 多元回归建模与验证 54-56 5.3 小结 56-59 第六章 基于单基质生物质及混合单
14、基质试验的 BP 人工神经网络模型研究 59-77 6.1 建立 BP 人工神经网络的软件环境 59-62 6.1.1 太普数据挖掘套件简介 59 6.1.2 数据挖掘套件操作流程 59-62 6.2 基于肥肉基质和剩余污泥混合试验的 BP 网络建模 62-69 6.2.1 试验结果分析 62 6.2.2 网络拓扑结构确定 62-64 6.2.3 网络模型测试 64-69 6.2.4 模型验证分析 69 6.3 基于黄豆基质与剩余污泥混合试验的 BP 网络建模 69-73 6.3.1 试验结果分析 70-71 6.3.2 网络拓扑结构的确定 71 6.3.3 网络模型测试 71-72 6.3.
15、4 模型验证分析 72-73 6.4 基于芹菜基质与剩余污泥混合试验的 BP 网络建模 73-75 6.4.1 试验结果分析 73-74 6.4.2 网络拓扑结构的确定 74 6.4.3 网络模型测试 74-75 6.4.4 模型验证分析 75 6.5 小结 75-77 第七章 基于餐厨垃圾与厌氧污泥混合试验的 BP 网络建模 77-84 7.1 基于低有机负荷厌氧混合试验的 BP 网络建模 77-80 7.1.1 试验结果分析 77-78 7.1.2 网络拓扑结构的确定 78 7.1.3 网络模型测试 78-80 7.1.4 模型验证分析 80 7.2 基于高有机负荷厌氧混合试验的 BP网络建模 80-82
