史亞威+李春青

摘 要：曝氣是MBR膜污染的操作條件影響因子中的一個重要參數(shù)，曝氣強(qiáng)度過大易造成膜絲斷裂，過小又不能減緩膜污染。針對該問題，本研究首先運(yùn)用灰色模型對中空纖維膜不同使用階段中的最佳曝氣強(qiáng)度值進(jìn)行粗略預(yù)測。再將影響膜過濾性能的三個因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入，不同膜清洗次數(shù)后的最佳曝氣強(qiáng)度作為輸出，進(jìn)行曝氣的BP網(wǎng)絡(luò)模型預(yù)測。最后將灰色模型的預(yù)測值及影響膜過濾性能的三個因素作為灰色神經(jīng)網(wǎng)絡(luò)的輸入，最佳曝氣強(qiáng)度作為輸出，進(jìn)行曝氣的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測。通過對兩個神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果對比分析，得出結(jié)論灰色神經(jīng)網(wǎng)絡(luò)模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

關(guān)鍵詞：MBR：膜污染：曝氣強(qiáng)度：灰色系統(tǒng)：灰色神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP389.1 文獻(xiàn)標(biāo)識碼：A

1 引言（Introduction）

MBR污水處理技術(shù)問世以來，膜污染問題一直是其發(fā)展的瓶頸，其導(dǎo)致膜通量下降，增加組件更換和清洗的頻率，從而增加運(yùn)行費(fèi)用[1，2]。在MBR處理廢水的實(shí)際生產(chǎn)過程中，膜組件的過濾性能會隨著膜清洗次數(shù)的增加而逐漸衰減，隨之也導(dǎo)致膜通量的下降。兼顧于膜通量與減緩膜污染的目的，在每次清洗之后的再使用過程中設(shè)置合適曝氣的強(qiáng)度有利于延緩膜污染[3]。

針對曝氣強(qiáng)度的預(yù)測研究，首先使用GM（1，1）灰色系統(tǒng)預(yù)測每個階段最佳曝氣強(qiáng)度的變化趨勢。GM（1，1）作為灰色系統(tǒng)理論的重要內(nèi)容，其突出特點(diǎn)是建模過程簡單，模型表達(dá)簡潔，便于求解，應(yīng)用廣泛[4]。BP神經(jīng)網(wǎng)絡(luò)在預(yù)測領(lǐng)域有著比較成熟的應(yīng)用[5]，因此再建立輸入為膜清洗的次數(shù)、膜清洗時長、膜清洗藥劑濃度，輸出為最佳曝氣強(qiáng)度的BP預(yù)測模型。最后建立灰色系統(tǒng)與BP結(jié)合的灰色神經(jīng)網(wǎng)絡(luò)模型，并經(jīng)過實(shí)驗(yàn)對比分析兩個神經(jīng)網(wǎng)絡(luò)模型的預(yù)測識別正確率。

2 最佳曝氣強(qiáng)度（Optimum aeration intensity）

浸沒式MBR運(yùn)行過程中，曝氣量過大，易導(dǎo)致污泥破碎，影響混合液過濾特性，進(jìn)而加劇膜污染，降低膜通量。曝氣量過小又會導(dǎo)致溶解氧不足，必將對物生物的降解產(chǎn)生不利影響，增加膜的負(fù)荷，易造成膜污染，從而影響污水處理的效果[6]。因此確定最佳的曝氣強(qiáng)度不僅利于減小膜污染還有利于保持較高的膜通量。

2.1 最佳曝氣強(qiáng)度影響因素

為有效的控制膜污染，最佳曝氣強(qiáng)度值會受到膜過濾性能的影響，而影響膜過濾性能的主要因素包括膜清洗的次數(shù)、每次膜清洗時長、膜清洗藥劑濃度。其中由于膜的不可避免的污染趨勢，其性能會隨著膜清洗次數(shù)的增大而衰減，從而清洗過后的再使用階段需要相應(yīng)的增加曝氣強(qiáng)度值。

2.2 最佳曝氣強(qiáng)度值的實(shí)驗(yàn)確定

最佳曝氣強(qiáng)度值的確定需要從生物需要量和控制膜污染兩方面考慮，本研究主要從控制膜污染方面考慮。其中在保持MBR運(yùn)行中恒膜通量出水的前提下以跨膜壓差的變化率的大小反應(yīng)膜污染的程度[7]。如在維持最佳污泥濃度操作壓力為的條件下，采用中空纖維膜管式組件，首先檢測放入MBR池中的新膜組件在不同的曝氣量下，跨膜壓差（TMP）的變化來確定最佳曝氣量，曝氣量試驗(yàn)分別選擇90、110、120、130、140、150、160，以每平方米膜投影面積每小時需要的氣量計算曝氣量。對上述七組實(shí)驗(yàn)每天記錄膜組件跨膜壓差的值，當(dāng)跨膜壓差達(dá)到0.04MPa時停止試驗(yàn)，因?yàn)榇藭r膜堵塞非常嚴(yán)重。在膜通量恒定的情況下，跨膜壓差（TMP）的變化可以反映出膜污染的情況[8]。曝氣量與跨膜壓差上升速率的關(guān)系，如圖1所示。

由圖可見，曝氣量強(qiáng)度過低或過高都會加速膜污染。因此實(shí)驗(yàn)中膜組件在第一個階段最佳的曝氣量強(qiáng)度應(yīng)選擇。相同的方法記錄下清洗次數(shù)為0-10次后的最佳曝氣強(qiáng)度值依次為：120、121、122、125、127、129、132、133、135、138、142 。

3 灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)理論（Grey system and neural network theory）

3.1 GM（1，1）灰色系統(tǒng)的基本原理

GM（1，1）算法已廣泛應(yīng)用于社會、經(jīng)濟(jì)、生態(tài)、工程預(yù)測控制等領(lǐng)域。因適應(yīng)貧信息，抗噪聲能力強(qiáng)。顯示出比傳統(tǒng)預(yù)測方法更大的優(yōu)越性。該算法的基本思想是：將原始信息數(shù)據(jù)序列通過一定的數(shù)學(xué)方法進(jìn)行處理，通常采用累加或累減生成方法，轉(zhuǎn)化為微分方程來描述系統(tǒng)的客觀規(guī)律?；疑到y(tǒng)預(yù)測是一種通過原始數(shù)據(jù)的處理和灰色模型的建立，發(fā)現(xiàn)、掌握系統(tǒng)發(fā)展規(guī)律，對系統(tǒng)的未來狀態(tài)做出科學(xué)的定量預(yù)測。能夠較好的預(yù)測變化的總體趨勢。

傳統(tǒng)的灰預(yù)測模型GM（1，1）為等間距灰序列的預(yù)測算法。其反映了一個變量對時間的一階微分函數(shù)，其相應(yīng)的微分方程為

3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型原理

BP網(wǎng)絡(luò)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。能夠?qū)W習(xí)和存儲大量的輸入—輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)狀態(tài)是有導(dǎo)師的學(xué)習(xí)，其算法是將一組訓(xùn)練集（training set）送入網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出間的差別來調(diào)整連接權(quán)。有導(dǎo)師學(xué)習(xí)算法的主要步驟包括：

（1）從樣本集合中取一個樣本（Ai，Bi）。

（2）計算網(wǎng)絡(luò)的實(shí)際輸出O。

（3）求D=Bi-O。

（4）根據(jù)D調(diào)整權(quán)矩陣W。

（5）每個樣本重復(fù)上述過程，直到對整個樣本集來說，誤差不超過規(guī)定范圍。

BP網(wǎng)絡(luò)算法的流程圖，如圖2所示。

3.3 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型原理

灰色神經(jīng)網(wǎng)絡(luò)既是灰色理論與神經(jīng)網(wǎng)絡(luò)的組合，其組合方法有并聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)和串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)兩種模型。并聯(lián)灰色神經(jīng)網(wǎng)絡(luò)是單項(xiàng)模型的線性加權(quán)和，沒有考慮到單項(xiàng)模型預(yù)測結(jié)果之間的非線性關(guān)系。串聯(lián)型灰色神經(jīng)網(wǎng)絡(luò)只將灰色預(yù)測模型的預(yù)測結(jié)果作為輸入，忽略了其他影響因素對預(yù)測結(jié)果的影響。基于此，采用改進(jìn)的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)，如圖3所示。將灰色模型的預(yù)測結(jié)果和影響曝氣量的其他因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)預(yù)測值與實(shí)測值的最佳擬合。

4 最佳曝氣預(yù)測模型的建立

把實(shí)驗(yàn)測得的最佳曝氣強(qiáng)度值作為預(yù)測模型的初始數(shù)據(jù)輸入，分別進(jìn)行灰色系統(tǒng)預(yù)測和灰色神經(jīng)網(wǎng)絡(luò)預(yù)測。

4.1 最佳曝氣GM（1，1）灰色預(yù)測的建立

灰色系統(tǒng)理論在建模過程中利用較少的數(shù)據(jù)就能得到一定精度的模擬數(shù)據(jù)，將膜清洗次數(shù)分別為0—2次所對應(yīng)的最佳曝氣強(qiáng)度的值作為GM（1，1）模型的初始輸入值，進(jìn)行預(yù)測膜清洗3—10次所對應(yīng)的最佳曝氣強(qiáng)度的值。如圖4所示。

4.2 最佳曝氣BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

由于BP神經(jīng)網(wǎng)絡(luò)能夠使得多元函數(shù)進(jìn)行非線性的擬合并預(yù)測，本模型將影響膜過濾性能的因素膜清洗的次數(shù)、膜清洗時長、膜清洗藥劑濃度作為輸入，輸出為最佳曝氣強(qiáng)度值。簡單的BP神經(jīng)網(wǎng)絡(luò)預(yù)測曝氣強(qiáng)度值模型圖，如圖5所示。

4.3 最佳曝氣灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

將實(shí)驗(yàn)獲得的膜清洗次數(shù)大于兩次的實(shí)驗(yàn)數(shù)據(jù)作為最佳曝氣強(qiáng)度灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的輸入，其中數(shù)據(jù)包括灰色系統(tǒng)預(yù)測的結(jié)果值和影響膜過濾狀態(tài)再而導(dǎo)致曝氣強(qiáng)度值的膜清洗次數(shù)、膜清洗時長、膜清洗藥劑濃度。此模型的結(jié)果輸出為最佳曝氣強(qiáng)度值。圖6為最佳曝氣強(qiáng)度灰色神經(jīng)網(wǎng)絡(luò)組合模型圖。

5 結(jié)果分析（Result analysis）

我們將MBR實(shí)驗(yàn)獲得的膜清洗次數(shù)、膜清洗時長、膜清洗藥劑濃度、最佳曝氣強(qiáng)度等數(shù)據(jù)用于上述灰色系統(tǒng)、BP神經(jīng)網(wǎng)絡(luò)模型、灰色神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計算機(jī)仿真預(yù)測。

5.1 GM（1，1）灰色預(yù)測結(jié)果分析

將MBR實(shí)驗(yàn)獲得膜清洗0—2次所對應(yīng)的最佳曝氣強(qiáng)度值作為灰色系統(tǒng)的輸入，通過MATLAB程序?qū)崿F(xiàn)對膜清洗3—10次后所對應(yīng)最佳曝氣強(qiáng)度值。預(yù)測的結(jié)果，如圖7所示。

通過此灰色系統(tǒng)模型預(yù)測的結(jié)果分析，可以看出預(yù)測的膜清洗3—10次后所對應(yīng)的最佳曝氣量的結(jié)果與實(shí)測結(jié)果存在較大的誤差。主要原因是因?yàn)榛疑到y(tǒng)預(yù)測模型的輸入比較單一，沒有考慮到膜的過濾性能恢復(fù)程度受到多種因素的影響。因此，GM（1，1）灰色系統(tǒng)預(yù)測模型只能是預(yù)測最佳曝氣強(qiáng)度值隨膜清洗次數(shù)的一個總的變化趨勢。對于精準(zhǔn)預(yù)測各個階段的最佳曝氣強(qiáng)度值存在較大的誤差。

5.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析

通過MBR實(shí)驗(yàn)獲得90組關(guān)于膜清洗次數(shù)、膜清洗時長、膜清洗藥劑濃度、最佳曝氣量的數(shù)據(jù)，隨機(jī)選其中80組作為BP神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，建立網(wǎng)絡(luò)模型，再將剩下的10組作為該模型的測試數(shù)據(jù)輸入進(jìn)行測試。通過MATALB程序?qū)崿F(xiàn)結(jié)果，如圖8所示。

通過BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析，可知BP神經(jīng)網(wǎng)絡(luò)識別的正確率為80%。

5.3 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析

將MBR中獲得的90組數(shù)據(jù)中，對應(yīng)相應(yīng)的膜清洗次數(shù)添加灰色系統(tǒng)預(yù)測的結(jié)果，從而也將灰色系統(tǒng)預(yù)測的結(jié)果作為灰色神經(jīng)網(wǎng)絡(luò)的輸入，接著進(jìn)行網(wǎng)絡(luò)訓(xùn)練，建立灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型。使用同樣的10組添加了灰色系統(tǒng)預(yù)測結(jié)果的數(shù)據(jù)作為該模型的測試數(shù)據(jù)，進(jìn)行該灰色神經(jīng)網(wǎng)絡(luò)的測試。通過MATALB程序?qū)崿F(xiàn)結(jié)果，如圖9所示。

通過灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析，可知灰色神經(jīng)網(wǎng)絡(luò)模型識別正確率為90%。

6 結(jié)論（Conclusion）

本文在查閱了大量的關(guān)于MBR中膜污染相關(guān)的國內(nèi)外文獻(xiàn)后，先得出最佳曝氣強(qiáng)度值受到膜清洗次數(shù)、膜清洗時長、膜清洗藥劑等影響的理論知識，并進(jìn)行相應(yīng)的MBR實(shí)驗(yàn)研究得出相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)。再結(jié)合數(shù)學(xué)模型和計算機(jī)中的神經(jīng)網(wǎng)絡(luò)算法對求得的最佳曝氣強(qiáng)度值進(jìn)行模擬仿真。通過簡單的BP神經(jīng)預(yù)測模型和灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的正確識別率進(jìn)行對比分析，可知組合的灰色神經(jīng)網(wǎng)絡(luò)模型能夠更加精確的預(yù)測出膜清洗后的下一使用階段的最佳曝氣強(qiáng)度值。

參考文獻(xiàn)（References）

[1] Shibam Mitra，Naphtali Claude Daltrophe，Jack Gilron. A Novel Eductor-Based MBR for the Treatment of Domestic Wastewater[J].Water Research，2016，100：65-79.

[2] Shamim Ahmed Deowan，F(xiàn)rancesco Galiano，Jan Hoinkis，Daniel Johnson，Sacide Alsoy Altinkaya，Bartolo Gabriele，Nidal Hilal，Enrico Drioli，Alberto Figoli.Novel Low-Fouling Membrane Bioreactor （MBR） for Industrial Wastewater Treatment[J].Journal of Membrane Science，2016，510：524-532.

[3] Young Suk Kim，Byoung Ho Lee.Fouling Reduction Effect in MBR System by Ozone Injection[J].KSCE Journal of Civil Engineering，2014，18（2）：462-469.

[4] 李朝陽，魏毅.基于MATLAB灰色GM（1，1）模型的大氣污染物濃度預(yù)測[J].環(huán)境科學(xué)與管理，2012，01：48-53.

[5] 黃麗.BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[D].重慶師范大學(xué)，2008.

[6] 王運(yùn)超，等.MBR動態(tài)曝氣及其在膜污染控制中的應(yīng)用研究[J].水處理技術(shù)，2016，02：92-95；99.

[7] 孟凡剛.膜生物反應(yīng)器膜污染行為的識別與表征[D].大連理工大學(xué)，2007.

[8] 劉晨光.膜生物反應(yīng)器運(yùn)行中膜污染控制對策的研究[D].天津大學(xué)，2005.

作者簡介：

史亞威（1991-）， 男， 碩士生.研究領(lǐng)域：MBR計算機(jī)模擬仿真，大數(shù)據(jù)與云計算

李春青（1962-）， 男，博士， 教授.研究領(lǐng)域：MBR計算機(jī)模擬仿真，大數(shù)據(jù)與云計算.