顧 敏，朱越平，鄭堉鑫，張新超

（1. 江蘇科技大學(xué) 生物與化學(xué)工程學(xué)院，江蘇 鎮(zhèn)江 212000； 2. 廣東石油化工學(xué)院 環(huán)境與生物工程學(xué)院，廣東 茂名 525000）

BP神經(jīng)網(wǎng)絡(luò)在煉油污水回用于循環(huán)水系統(tǒng)中腐蝕率的預(yù)測

顧 敏1,2，朱越平2，鄭堉鑫2，張新超2

（1. 江蘇科技大學(xué) 生物與化學(xué)工程學(xué)院，江蘇 鎮(zhèn)江 212000； 2. 廣東石油化工學(xué)院 環(huán)境與生物工程學(xué)院，廣東 茂名 525000）

介紹了BP神經(jīng)網(wǎng)絡(luò)的構(gòu)造及基本原理，闡述了利用MATLAB的GUI建立BP模型的方法和步驟，并將其應(yīng)用于煉油污水回用于循環(huán)冷卻水系統(tǒng)腐蝕率的預(yù)測，建立一個(gè)以電導(dǎo)率和pH為輸入向量、腐蝕率為輸出向量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。結(jié)果表明，采用GUI建立的三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型，對煉油污水循環(huán)冷卻水系統(tǒng)的腐蝕率的預(yù)測具有較高的預(yù)測精度。說明人工神經(jīng)網(wǎng)絡(luò)在循環(huán)水腐蝕預(yù)測中的應(yīng)用是可行的，具有一定的應(yīng)用價(jià)值。

BP神經(jīng)網(wǎng)絡(luò)；圖形用戶界面；循環(huán)水腐蝕；腐蝕率預(yù)測

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）是一種應(yīng)用類似于大腦神經(jīng)突觸連接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，即以人工神經(jīng)元為節(jié)點(diǎn)，用有向加權(quán)弧連接起來的有向圖，是神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)及計(jì)算機(jī)科學(xué)等眾多學(xué)科相結(jié)合的產(chǎn)物[1]?？梢詫ξ粗成潢P(guān)系的數(shù)據(jù)進(jìn)行大規(guī)模非線性適應(yīng)性信息處理[2]，是一種新型的黑箱方法，已在通信、醫(yī)學(xué)、經(jīng)濟(jì)、控制、化工、交通、心理學(xué)等領(lǐng)域得到廣泛應(yīng)用，表現(xiàn)出良好的智能特性[3]。目前，人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最多的是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是由D.E.Rumelhart和J.L.McClelland于1986年提出的一種利用誤差反向傳播算法訓(xùn)練的含隱含層的多層前饋網(wǎng)絡(luò)。

本文簡單介紹 BP神經(jīng)網(wǎng)絡(luò)的基本原理，以MATLAB7.0為開發(fā)環(huán)境，論述采用神經(jīng)網(wǎng)絡(luò)工具箱提供的圖形用戶界面（Graph User Interface，GUI）的神經(jīng)網(wǎng)絡(luò)編輯器（Network/Data Manager）建立BP神經(jīng)網(wǎng)絡(luò)的方法和設(shè)計(jì)步驟，并對茂名某煉油循環(huán)回用水腐蝕率的預(yù)測進(jìn)行實(shí)例仿真實(shí)驗(yàn)，說明該方法的可行性和便利性。

1 BP人工神經(jīng)網(wǎng)絡(luò)簡介

BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，隱含層可以是一層，也可以是多層，圖1所示的具有單層隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)學(xué)習(xí)的基本原理是梯度最速下降法，通過調(diào)整權(quán)值和閾值使網(wǎng)絡(luò)的總誤差最小，包含了正向和反向傳播兩個(gè)階段。

1.1 正向傳播

由圖1可知，輸入信息首先向前傳遞到隱含層節(jié)點(diǎn)，經(jīng)過激活函數(shù)后，再將隱含層節(jié)點(diǎn)的輸出信息傳遞到輸出層節(jié)點(diǎn)，最終輸出結(jié)果，每層神經(jīng)元的狀態(tài)只影響下層神經(jīng)元狀態(tài)[4]。

設(shè)圖1所示的BP網(wǎng)絡(luò)的輸入層有m個(gè)節(jié)點(diǎn)，隱含層有q個(gè)節(jié)點(diǎn)，輸出層有h個(gè)節(jié)點(diǎn)，vij為輸入層神經(jīng)元j與隱含層神經(jīng)元i之間的權(quán)值，bi為隱含層神經(jīng)元i的閾值；wki為隱含層神經(jīng)元i與輸出層神經(jīng)元k之間的權(quán)值，bk為輸出層神經(jīng)元k的閾值。隱含層的傳遞函數(shù)為 g1(·)，輸出層的傳遞函數(shù)為g2(·)，則隱含層的第i個(gè)神經(jīng)元的輸入si為：

其中：X=[x1x2… xm]T，Vi=[vi1vi2… vim]，若令x0=1，vi1=bi，即可將閾值寫入求和項(xiàng)中，得到：

而隱含層的第i個(gè)神經(jīng)元的輸出zi為：

zi=g1(si)

同理，可得到輸出層的第k個(gè)神經(jīng)元輸入ok和輸出yk，分別為：

其中：Z=[z1z2… zq]T，Wk=[wk1wk2… wkq]，已將閾值寫入求和項(xiàng)中。

1.2 反向傳播

如果輸出層得不到期望輸出，則進(jìn)行反向傳播，將誤差信號沿原來連接通道返回，通過修改各層節(jié)點(diǎn)的權(quán)值和閾值，使誤差信號最小[5]。

（1）誤差函數(shù)的定義

網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)階段，設(shè)有N個(gè)訓(xùn)練樣本，則第p個(gè)樣本輸入到網(wǎng)絡(luò)后得到輸出(k=1,2, …h(huán))，而是與樣本p相對應(yīng)的輸出節(jié)點(diǎn)k的目標(biāo)值。采用平方型誤差函數(shù)，則得到第p個(gè)樣本的誤差Ep：

則系統(tǒng)對所有N個(gè)訓(xùn)練樣本的總誤差函數(shù)為：

（2）輸出層、隱含層權(quán)值的調(diào)整

權(quán)值是按照Ep函數(shù)梯度變化的反方向調(diào)整，使網(wǎng)絡(luò)逐步收斂。根據(jù)梯度法，可得到輸出層的第k個(gè)神經(jīng)元的權(quán)值的修正公式：

式中η為學(xué)習(xí)效率，η＞0；其中：

因此，輸出層的第k個(gè)神經(jīng)元的權(quán)值的修正公式為：

同理，可得出隱含層的第i個(gè)神經(jīng)元的權(quán)值修正公式：

2 BP神經(jīng)網(wǎng)絡(luò)對煉油污水循環(huán)水系統(tǒng)腐蝕率的預(yù)測

隨著水資源短缺及工業(yè)水污染問題的加劇，回用水已逐漸成為石油化工行業(yè)重要的第二水源，主要用于循環(huán)冷卻水系統(tǒng)，而設(shè)備的腐蝕是外排水回用過程中的最主要問題。循環(huán)水腐蝕問題是一個(gè)復(fù)雜的電化學(xué)過程，影響因素較多且為非線性關(guān)系。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 The structure of BP Network

［1］朱凱, 王正林. 精通 MATLAB神經(jīng)網(wǎng)絡(luò)[M]. 北京：電子工業(yè)出版社, 2010:100-101.

［2］W. Wu, J. Wang, M. Cheng, et al. Convergence analysis of online gradient method for BP neural networks[J]. Neural Networks, 2011, 24(1): 91-98.

［3］劉敦文, 崔朋波. 基于BP神經(jīng)網(wǎng)絡(luò)的新澆筑混凝土爆破安全震動(dòng)速度預(yù)測[J]. 安全與環(huán)境學(xué)報(bào), 2014, 14(1): 43-45.

［4］曹生現(xiàn). 冷卻水污垢對策評價(jià)與預(yù)測方法及裝置研究[D]. 北京: 華北電力大學(xué)博士畢業(yè)論文. 2009: 85-88.

［5］李國勇. 智能預(yù)測控制及其MATLAB實(shí)現(xiàn)[M]. 北京:電子工業(yè)出版社, 2010:2-6.

［6］劉學(xué)慶, 唐曉, 王佳. 鋼腐蝕速度與海水環(huán)境參數(shù)關(guān)系的人工神經(jīng)網(wǎng)絡(luò)分析[J]. 中國腐蝕與防護(hù)學(xué)報(bào), 2005, 25(1): 11-14.

［7］任振甲, 張軍, 駱成雙, 等. 基于人工神經(jīng)網(wǎng)絡(luò)研究原油腐蝕的影響因素[J]. 腐蝕與防護(hù), 2011, 32(4): 293-295.

［8］肖彧星, 吳光海, 孫寧, 等. BP神經(jīng)網(wǎng)絡(luò)在碳鋼及低合金鋼大氣腐蝕數(shù)據(jù)預(yù)測中的應(yīng)用[J]. 腐蝕科學(xué)與防護(hù)技術(shù), 2011, 23(2): 171-174.

［9］劉萬雷, 常新龍, 張有宏, 等. 鋁合金應(yīng)力腐蝕機(jī)理及研究方法[J].腐蝕科學(xué)與防護(hù)技術(shù), 2013, 25(1): 71-73.

Prediction of the Corrosion Rate of Reused Refinery Wastewater in Circulating Cooling Water System by BP Neural Network

GU Min1,2，ZHU Yue-ping2，ZHENG Yu-xin2，ZHANG Xin-chao2
（1. School of Biology and Chemical Engineering, Jiangsu University of Science and Technology,Jiangsu Zhenjiang 212000，China；2. School of Environmental and Biological Engineering, Guangdong University of Petrochemical Technology, Guangdong Maoming 525000，China）

The structure and principle of Back-Propagation (BP) neural network were introduced. The method and steps for building the BP neural network by the Graph User Interface (GUI) of MATLAB were also discussed. The BP neural network prediction model was established by using conductivity and pH as input vectors and corrosion rate as output vector, and the model was utilized to predict the corrosion rate of refinery wastewater reused as circulating cooling water. The results indicate that the established prediction model with three-layer structure has the higher forecast accuracy to the corrosion rate of circulating water. So application of the artificial neural network in corrosion rate prediction of circulating cooling water is feasible, and also suggested that it has extensive practicability.

Back propagation neural network; Graph user interface; Circulating water corrosion; Prediction of corrosion

TQ 085

A

1671-0460（2014）11-2358-04

廣東省科技攻關(guān)項(xiàng)目，項(xiàng)目號：2011B010100045；茂名市教育部產(chǎn)學(xué)研結(jié)合項(xiàng)目，項(xiàng)目編號：2011B01047。

2014-04-28

顧敏（1988-），女，江蘇南通人，在讀碩士，研究方向：水污染控制技術(shù)。E-mail：bingxuexiaozhulei@163.com。

朱越平（1978-），男，講師，碩士，研究方向：高濃度有機(jī)廢水新型厭氧處理，石化廢水回用緩蝕阻垢技術(shù)，環(huán)境影響評價(jià)和企業(yè)清潔生產(chǎn)審核。E-mail：gdmmzyp@163.com。