王潔 鄒平 孫珮石 李傳寬

（云南大學工程技術(shù)研究院 云南昆明 610091）

營養(yǎng)液主要添加的營養(yǎng)成分為K+、Mg2+、PO43-等。生物膜上的微生物起著脫除SO2和NOX的作用。主要通過化學滴定法分別產(chǎn)生模擬煙氣中的SO2和NOX，然后通過氣泵將產(chǎn)生的氣體從第一個填料塔的底部從下至上鼓入并排出并進入下一個填料塔直至排出至大氣中。實驗裝置如圖1所示。

圖1 雙塔生物法煙氣同時脫硫脫氮裝置示意圖

裝置在運行的過程中，接通采樣口以便測量SO2和NOX濃度，經(jīng)過長時間的實際運行發(fā)現(xiàn)，一般SO2在前一個填料塔中即可得到處置，處置率可達100%[7]，進入后一個填料塔的主要為NOX，習慣稱該柱為脫氮柱，也是本研究主要針對的裝置。

氮柱內(nèi)的微生物主要通過硝化作用與反硝化作用處置NOx,處置后元素氮或成為菌體大分子的組成部分，或成為N2進入空氣，或成為NO3-存在于循環(huán)液，但仍然有一部分保持不變直接被排入空氣中。由于脫除機理比較復(fù)雜，塔內(nèi)諸多因素都能夠影響NOx的脫除率。

運用微生物廢氣凈化技術(shù)的裝置往往具有運行費用低、工藝設(shè)備簡單、易于維護、脫除效率高、二次污染小等優(yōu)勢[1][2]。NOx是一類常見的大氣污染物，可由大量化石燃料燃燒過程中產(chǎn)生，是目前關(guān)注較多的大氣污染物。研究表明：運用生物法在實驗室條件對NOx不能達到穩(wěn)定處理。一項技術(shù)能否得到推廣應(yīng)用的前提是在于該技術(shù)具有高效性、穩(wěn)定性、可控制性、可預(yù)測性以及經(jīng)濟性等。因此還需要對生物法同步脫硫脫氮的機理作進一步的研究。此外，人工智能及計算機技術(shù)的發(fā)展而產(chǎn)生了許多方法也為該實現(xiàn)該目標提供了其他思路。

人工神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)生物學與計算機技術(shù)結(jié)合下的智能算法，主要模仿人腦對于信息的加工處理與反饋的過程。因此可通過將裝置運行過程中的影響因素作為輸入信息，而將裝置最終脫除率作為反饋信息的方法對生物法NOx填料塔建立神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)具有極強的非線性逼近能力[3]，不用明確輸入輸出數(shù)據(jù)之間的函數(shù)關(guān)系，通過調(diào)整其連接權(quán)值和閾值即可對新的數(shù)據(jù)做出預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)在環(huán)境領(lǐng)域也具有廣泛的運用：張俊等將BP神經(jīng)網(wǎng)絡(luò)運用于醫(yī)療垃圾焚燒爐溫度自動控制當中，實現(xiàn)了控制系統(tǒng)對焚燒溫度的自動控制以達到更大焚燒效率[4]。陳作超等利用BP神經(jīng)網(wǎng)絡(luò)對生物滴濾塔對有機廢氣的處理過程進行建模，取得了較好預(yù)測效果[5]。韓偉等在對造紙廠廢水的處置研究當中，利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合NSGA-2等對處置過程進行優(yōu)化，為廢水處理多目標優(yōu)化方面提供了參考[6]。

1 研究對象

2 研究模型的建立

經(jīng)過前期的研究論證，主要采用的以下營養(yǎng)液pH值、循環(huán)量，通氣量，進出氣體NOx的濃度，溫度值，且這些影響因素都可以采取一定手段進行控制，比較符合自動控制實際，預(yù)測目標是通過測定出氣口NOx濃度得到的脫除率。同時為了減少其它難測量或量化因素影響，同時也考慮到工業(yè)運用的實際情況，測量主要在3天內(nèi)完成，最終以每日間隔30分鐘采集上述數(shù)據(jù)。最終完成60組的采集。每隔測定一定數(shù)量的數(shù)據(jù)后微調(diào)影響因素使之能覆蓋比較理想的范圍。最終結(jié)果如表1所示。

表1 各模型參數(shù)的取值范圍及采樣方法

本研究是基于雙塔式脫硫脫氮的工藝對實驗室產(chǎn)生的模擬煙氣進行處置的裝置的，實驗裝置的核心部分為兩個串聯(lián)的填料塔，每個單塔被分隔成上下兩段各段裝填有陶粒。通過一定方法使陶粒表面生長出生物膜并通過滴灌營養(yǎng)液維持其生長。實驗中

3 結(jié)果與討論

3.1 基于BP神經(jīng)網(wǎng)絡(luò)的生物法煙氣NOX凈化裝置模型

將各項數(shù)據(jù)輸入MATLAB并歸一化后，因本研究采用5個影響因素因此輸入層的神經(jīng)元為5個，預(yù)測的結(jié)果為脫除率故輸出層的神經(jīng)元數(shù)為1個。根據(jù)精確度以及網(wǎng)絡(luò)性能考慮，隱層采用單層含10個神經(jīng)元，訓練函數(shù)選擇“trainlm”、傳遞函數(shù)為“tansig”、學習函數(shù)采用“l(fā)earngdm”，性能函數(shù)為“mse”，隨機選取 60組數(shù)據(jù)中的70%作為訓練數(shù)據(jù)。訓練曲線如圖2所示

圖2 Matlab BP神經(jīng)網(wǎng)絡(luò)訓練曲線

可以看出在經(jīng)過少量次數(shù)的迭代后均方差即可達到較小的范圍內(nèi)即6.36e-05，并且BP神經(jīng)網(wǎng)絡(luò)模型也得到了建立。計算時間短且訓練周期短，這與所選取的Levenberg-Marquardt BP算法有關(guān)，該訓練算法對于較大規(guī)模的神經(jīng)網(wǎng)絡(luò)具有良好的性能。調(diào)用BP神經(jīng)網(wǎng)絡(luò)工具箱的回歸分析顯示如圖3所示。

圖3 Matlab BP神經(jīng)網(wǎng)絡(luò)工具箱回歸分析

3.2 BP神經(jīng)網(wǎng)絡(luò)模型的驗證

在對剩下的30%即18組數(shù)據(jù)作驗證的結(jié)果如圖4所示。

圖4 NOX脫除率預(yù)測值與真實值的對比曲線

預(yù)測結(jié)果在MATLAB神經(jīng)網(wǎng)絡(luò)函數(shù)Perform值為0.000691338008632761，結(jié)合圖4表明BP神經(jīng)網(wǎng)絡(luò)可以為本研究的裝置提供預(yù)測作用，從實際的測量值看出，即使在較短的周期內(nèi)脫除率隨著時間呈毫無規(guī)律的變化，而BP神經(jīng)網(wǎng)絡(luò)由于其本身特性可對該變化建立相關(guān)的模型并進行預(yù)測。

4 結(jié)語

經(jīng)過研究論證，對于生物法煙氣脫硫脫氮技術(shù)裝置的BP神經(jīng)網(wǎng)絡(luò)模型的建立是可行的，該BP神經(jīng)網(wǎng)絡(luò)模型能夠提供預(yù)測作用。

[1]毛永楊,鄒平,孫佩石.生物法煙氣脫硫脫氮研究進展[C].中國環(huán)境科學學會學術(shù)年會論文集,2012:2136-2141.

[2]毛永楊,王海玉,孫珮石.生物法同時脫除高溫煙氣中SO2和NOx的實驗研究 [J].云南大學學報（自然科學版）,2012,34(2）:227-231.

[3]高平,劉志堅,袁立梅,GAO Ping,LIU Zhi-jian,YUAN Li-mei.基于BP神經(jīng)網(wǎng)絡(luò)的唐山房價預(yù)測[J].河北聯(lián)合大學學報（社會科學版）,2015,(2）:48-50

[4]張俊,熊桂林.基于BP算法的垃圾焚燒過程溫度控制研究[J].計算機測量與控制,2006,14(7）:918-920.

[5]陳作超,馬海芳.生物滴濾塔廢氣處理過程的神經(jīng)網(wǎng)絡(luò)建模[J].數(shù)字技術(shù)與應(yīng)用,2013,(8）:50-51.

[6]韓偉,黃明智.基于NSGA-2和BP網(wǎng)絡(luò)的造紙廢水厭氧消化過程多目標優(yōu)化[J].造紙科學與技術(shù),2014,(6）:145-147.

[7]曾二麗,孫珮石,王潔.生物膜填料塔SO2廢氣凈化性能研究[J].環(huán)境污染治理技術(shù)與設(shè)備,2006,7(10）:26-29.

[8]WangYing,Lu Cuijie,ZuoCuiping.Coal mine safetyproduction forewarning based on improved BP neural network.International Journal of MiningScience and Technology25(2015）:319-324

[9]楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程[M].浙江大學出版社,2001,(1）.

[10]Wei D,Lu XY.An improved BP Neural Networks applied to classification[J].EnergyProcedia 2011,13:7065-9.作者簡介王潔（1989—），男，江西人，碩士研究生，主要研究方向為大氣污染治理。