《aao污水处理工艺介绍》由会员分享，可在线阅读，更多相关《aao污水处理工艺介绍（48页珍藏版）》请在金锄头文库上搜索。
1、Tongji University环境科学与工程学院1.城市污水脱氮除磷工艺及模拟控制2.研究内容与技术路线 3.交互式反应器研究与中试装置设计 4.交互式反应器中试运行研究汇 报 内 容5.交互式反应器BP神经网络模型研究6.交互式反应器ANFIS仿真模型研究7.结论与建议Tongji University环境科学与工程学院1、城市污水生物脱氮理论与技术生物处理过程氮的转化 一、城市污水脱氮除磷工艺与模拟控制环境因素：1、水温2、pH3、DO 4、C/N5、Fm (3)隶属度函数（gaussmf)Tongji University环境科学与工程学院2、ANFIS网络模型设计2.1 输入输出六
2、、交互式反应器ANFIS仿真模型研究2.2 隶属度函数(1)与BP网络一致：4输入单输出(1)2个； (2) 3个 (3)3个隶属度函数在训练模拟精 度较高；预测误差较大 (4)确定用2个隶属度函数Tongji University环境科学与工程学院3、ANFIS网络模型模拟3.1 出水NH3-N预测六、交互式反应器ANFIS仿真模型研究输入进水：COD、SS、NH3-N、NO3-N(1) 训练误差、测试误差均优于BP网络 (2) 模拟数据稳定性好隶属度 函数个数相关系数标准均方差隶属度函数训练 数据测试 数据训练 数据测试 数据 20.7380.4695.21577.3403gaussmf;
3、 outmfType=constantTongji University环境科学与工程学院3、ANFIS网络模型模拟3.2 出水TN预测六、交互式反应器ANFIS仿真模型研究输入进水：COD、SS、NH3-N、TP(1) 预测效果优于BP网络 (2) 预测性误差小隶属度 函数个数相关系数标准均方差隶属度函数训练 数据测试 数据训练 数据测试 数据 20.8160.5283.95714.7765gaussmf; outmfType=constantTongji University环境科学与工程学院3、ANFIS网络模型模拟3.3 出水NO2-N预测六、交互式反应器ANFIS仿真模型研究输入进水
4、：COD、NO3-N、NO2-N、NH3-N(1) 训练误差测试误差均大于BP网络 (2) 预测效果差于BP网络 (3) 隶属度函数不适合隶属度 函数个数相关系数标准均方差隶属度函数训练 数据测试 数据训练 数据测试 数据 20.8780.8033.17366.6171gaussmf; outmfType=constantTongji University环境科学与工程学院3、ANFIS网络模型模拟3.4 出水NO3-N预测六、交互式反应器ANFIS仿真模型研究输入进水：COD、NO3-N、NO2-N、NH3-N(1) 训练误差测试误差均小于BP网络 (2) 预测效果好于BP网络 (3) 隶属
5、度函数调整可进一步提高精度隶属度 函数个数相关系数标准均方差隶属度函数训练 数据测试 数据训练 数据测试 数据 20.610.212.73332.2462gaussmf; outmfType=constantTongji University环境科学与工程学院3、ANFIS网络模型模拟3.5 出水TP预测六、交互式反应器ANFIS仿真模型研究输入进水：COD、SS、TP、TN(1) 训练误差测试误差均小于BP网络 (2) 预测效果好于BP网络 (3) 模拟相关系数较高隶属度 函数个数相关系数标准均方差隶属度函数训练 数据测试 数据训练 数据测试 数据 20.7840.7491.00152.58
6、60gaussmf; outmfType=constantTongji University环境科学与工程学院4、ANFIS与BP网络对比六、交互式反应器ANFIS仿真模型研究(1)在相同数据基础上，ANFIS系统的模拟误差更小 (2) ANFIS系统的模拟结果更稳定，多次模拟时其结果不会发生太大的变化 ，而神经网络的模拟结果每次都有很大的不同，造成使用者对最佳模拟精 度无法掌握。 究其原因：主要是因为ANFIS系统事先根据前人经验设置了初始隶属度函 数，可以避免训练过程中收敛于局部最小点；而神经网络在初始时刻给出 的权重矩阵是随机的，训练过程中很容易陷入局部最小点。 (3)通过两种网络对TP
7、的模拟可以看出，对于变化范围较小的数据用ANFIS 能更好的体现其走势 (4)两种网络的模拟误差均不是特别理想。主要是因为 1）数据测量不够准确，而且数据时间间隔不合理； 2）存在一部分超出平均值很多的非合理数据； 3）数据量太少； 4）从ANFIS模拟过程的各误差曲线可以看出，文中采用的模型结构还不是 太合理，还有很大的改进空间。 Tongji University环境科学与工程学院1、结论七、结论与建议(1)中试研究发现污泥驯化调试主要任务培养硝化菌； (2)交互式反应器AAO (厌氧缺氧好氧)运行模式在HRT=48h、污泥回 流比为0.51.0、混合液回流比为12时，COD的去除主要发生
8、在厌氧区 和缺氧区。TN去除率随进水COD及COD/TN的增加而增加。TN的去除 主要发生在厌氧区，增大混合液回流比对提高脱氮效率无益，但可提高 抗冲击负荷能力。 (3)在ALO运行模式中，通过在低氧区进水端设置缺氧区，使易生物降解碳 源优先用于短程反硝化，节省的碳源则用于聚磷菌的厌氧释磷以及后续 的短程反硝化，提高了氮、磷去除率，降低了空气消耗量。ALO运行模 式具有高效脱氮同时兼顾除磷，对低C/N城市污水的脱氮除磷具有实际 意义 。 (4)水温低于18，短程硝化现象逐步减弱直至消失。为提高系统的硝化效 果，可按AO脱氮模式运行。当反应水温在1012，污泥回流比和混合液回流比分别为1.5和2
9、，通 过延长HRT为12h，可使系统的NH4+-N和TN去除率达到35%以上。Tongji University环境科学与工程学院1、结论七、结论与建议(5)BP神经网络采用MISO模式较好；双隐含层的神经元数量一般为5或6；单隐含层的神经元数量在10左右较好。同一个神经网络结构随着神经元个数的增加，训练数据的精度越来 越高，但测试数据的精度一般是随着神经元个数的增加升高后再降 低。 (6)自适应神经网络（ANFIS）隶属度函数一般2个就可以满足基本要 求，函数的型式可采用gbellmf或gaussmf等。模拟效果和稳定性基 本优于BP网络。 Tongji University环境科学与工程学
10、院2、建议七、结论与建议(1)为了便于交互式反应器的应用与推广，应该进行基于不同水质的不 同工况运行的自动切换与控制系统研究。 (2) BP神经网络训练数据的数量决定了训练时间的长短，随数据量的 增加，训练时间越来越长，在线控制时可能造成控制不及时; 建议通过与其它算法如遗传算法等结合，以改进训练速度和效果， 获得较优的神经网络结构。对于不同的水质指标，采用不同的BP神经网络结构或ANFIS自适 应模糊神经网络系统进行模拟仿真，以获得较好的仿真效果。 (3)在模拟仿真参数中，增加处理工艺过程的运行参数，或设定出水水 质指标值，将运行参数作为网络的输出值，以便与PLC控制系统结 合，控制污水处理过程系统的自动运行，获得最佳的运行效果。 Tongji University环境科学与工程学院2008年12月欢迎批评指正！欢迎批评指正！ 谢谢谢谢! !
