亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于BP神經(jīng)網(wǎng)絡(luò)的臭氧精確投加控制系統(tǒng)

        2021-04-13 07:15:30沈愷樂李宗強
        凈水技術(shù) 2021年4期
        關(guān)鍵詞:渾濁度原水水廠

        沈愷樂,李宗強

        (上海市水利工程設(shè)計研究院有限公司,上海 200063)

        臭氧因其強氧化性,被廣泛應(yīng)用于水處理中。目前,國內(nèi)許多水廠采用臭氧-活性炭深度處理工藝,因此,臭氧投加直接影響著出水水質(zhì)。其中預(yù)臭氧化的主要作用是去除色度、藻類,改善臭味和混凝條件。后臭氧化工藝主要是將大分子有機物降解為小分子物質(zhì),易于后續(xù)生物活性炭濾池的吸附、降解,也為炭濾池提高溶解氧。

        在使用臭氧工藝時,應(yīng)注意進水中溴離子的濃度。有研究表明,當(dāng)原水溴離子濃度小于20 μg/L時,一般不會形成溴酸鹽,當(dāng)溴離子濃度在50~100 μg/L時有可能會形成溴酸鹽[1]。綜合考慮有機物的去除效果和溴酸鹽的因素,《室外給水設(shè)計標(biāo)準(zhǔn)》(GB 50013—2018)中給出預(yù)臭氧投加量0.5~1.0 mg/L及后臭氧投加量1.0~2.0 mg/L作為參考。

        目前,自來水廠臭氧的投加量,通常根據(jù)化驗室的水質(zhì)檢測結(jié)果和操作人員的生產(chǎn)經(jīng)驗確定,往往精度不高。采用人工控制方法,若臭氧投加量過低,無法保障處理效果,增加后續(xù)工藝的運行負(fù)荷,若投加量過高,則會增加運行費用,提高處理工藝的制水成本,同時可能引起溴酸鹽超標(biāo)。根據(jù)文獻和對部分水廠的調(diào)研發(fā)現(xiàn),目前采用臭氧工藝的水廠大多存在臭氧投加量偏高的問題,尤其是后臭氧投加,導(dǎo)致臭氧浪費,造成水廠生產(chǎn)運行成本增高[2]。因此,需要研究一種臭氧自動投加控制系統(tǒng),能根據(jù)進水相關(guān)參數(shù)自動調(diào)節(jié)臭氧投加量,降低水廠生產(chǎn)人員的工作量,提高制水效率,并進一步提高供水安全性。

        由于臭氧投加是一個多干擾、非線性、多變量、時變、大滯后的流程,針對臭氧投加建立一個精確可靠的控制模型存在一定難度,常規(guī)加藥控制系統(tǒng)對模型具有較強的依賴性,很難滿足較高精度的控制要求。BP神經(jīng)網(wǎng)絡(luò)是利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò),可以擬合出任意復(fù)雜的非線性關(guān)系,將其運用到水質(zhì)預(yù)測中,可以建立不同水質(zhì)參數(shù)間復(fù)雜的非線性關(guān)系,預(yù)測結(jié)果相對客觀,并能大大減少工作量[3-5]。

        神經(jīng)網(wǎng)絡(luò)模型在90年代被證明可以逼近任意非線性函數(shù),具有較好的自學(xué)習(xí)能力、自適應(yīng)能力、抗干擾能力和魯棒性,因此,基于神經(jīng)網(wǎng)絡(luò)的投藥模型一直受到學(xué)者們的廣泛關(guān)注。BP神經(jīng)網(wǎng)絡(luò)模型最早被應(yīng)用于混凝劑的投加預(yù)測中,Gagnon等[6]使用水廠運行的實際數(shù)據(jù),以進水pH、渾濁度、導(dǎo)電率、溫度為輸入量,混凝劑投加量為輸出量,模型得到的預(yù)測值與實際值的平均相對誤差在5%左右,達到了較好的效果,而采用簡單的多元線性回歸方法相對誤差在10%以上。此后,基于神經(jīng)網(wǎng)絡(luò)的投藥研究層出不窮。方榮業(yè)等[7]針對城鎮(zhèn)污水廠PAC投加系統(tǒng),建立了BP神經(jīng)網(wǎng)絡(luò)前饋預(yù)測-PID反饋控制的PAC自動投加控制統(tǒng),證明該系統(tǒng)具有較強的自適應(yīng)能力和較高的控制精度,出水CODMn達標(biāo)率較人工控制提高了8.88%,活性炭日均消耗量削減了16.61%,取得了較好的經(jīng)濟效益。神經(jīng)網(wǎng)絡(luò)算法有能力利用實際運行數(shù)據(jù)進行學(xué)習(xí),通過建立臭氧投加量預(yù)測模型,進一步探索基于數(shù)據(jù)驅(qū)動的、能夠進行在線學(xué)習(xí)的臭氧投加系統(tǒng),在智慧水務(wù)的背景下,該項研究對于探索大數(shù)據(jù)技術(shù)在水務(wù)行業(yè)的應(yīng)用是一項創(chuàng)新的嘗試。

        1 材料與方法

        1.1 水廠工藝流程

        T水廠位于浙江省,設(shè)計供水能力為20萬m3/d,處理工藝流程包括預(yù)處理、常規(guī)處理和深度處理,其中,常規(guī)處理包括混凝、沉淀、砂濾和氯消毒,預(yù)處理為預(yù)臭氧化,深度處理為臭氧-活性炭工藝。工藝流程如圖1所示。

        圖1 水廠工藝流程圖Fig.1 Process of Water Treatment Plant

        1.2 試驗水質(zhì)

        試驗原水為東太湖水,試驗期間內(nèi)原水的水質(zhì)情況如表1所示。

        1.3 檢測方法

        渾濁度采用Hach 2100Q型便攜式濁度儀測定;CODMn采用酸性高錳酸鉀法測定;UV254采用T6新世紀(jì)紫外可見光分光光度計測定;DOC采用TOC-LCPH總有機碳分析儀測定;NH3-N采用納式試劑比色法測定。

        表1 原水水質(zhì)Tab.1 Water Quality Parameters

        1.4 模型建立

        BP神經(jīng)網(wǎng)絡(luò)的作用是在給定進水水質(zhì)條件下,對出水水質(zhì)或臭氧投加量進行預(yù)測。通過BP網(wǎng)絡(luò)的輸出值與實際出水水質(zhì)或?qū)嶋H臭氧投加量進行比較,不斷對網(wǎng)絡(luò)權(quán)值進行調(diào)整,使得誤差達到最小,盡可能逼近實際結(jié)果。利用神經(jīng)網(wǎng)絡(luò)的逼近能力及內(nèi)差和外推的良好特性,精確預(yù)測各種不同進水條件下的出水水質(zhì)和臭氧投加量。

        為了解決同一數(shù)據(jù)集中不同的變量數(shù)量級不統(tǒng)一的問題,對數(shù)據(jù)采取離差標(biāo)準(zhǔn)化處理,將所有的值均映射到0~1,削弱了異常值對整體樣本的影響。離差標(biāo)準(zhǔn)化采用式(1)。

        (1)

        其中:min(x)——樣本的最小值;

        max(x)——樣本的最大值;

        Y(x)——x的離差標(biāo)準(zhǔn)化值。

        隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果非常重要,最佳隱含層的節(jié)點數(shù)q參考式(2)進行計算。

        (2)

        其中:M——輸入節(jié)點數(shù);

        L——輸出節(jié)點數(shù);

        C——1~10的常數(shù)。

        本次神經(jīng)網(wǎng)絡(luò)模型建立試驗研究,針對預(yù)臭氧工藝分為預(yù)臭氧出水水質(zhì)預(yù)測和預(yù)臭氧投加量預(yù)測兩部分。出水水質(zhì)預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示,模型以預(yù)臭氧投加量、預(yù)臭氧進水流量、渾濁度、CODMn、UV254、DOC、NH3-N作為輸入?yún)?shù),以預(yù)臭氧出水渾濁度、CODMn、UV254、DOC作為輸出參數(shù),預(yù)測模型采用3層BP神經(jīng)網(wǎng)絡(luò),其中輸入層神經(jīng)元數(shù)為7個,隱含層神經(jīng)元數(shù)為10個,輸出層神經(jīng)元數(shù)為5個。

        圖2 預(yù)臭氧出水水質(zhì)預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Neural Network Structure of Pre-Ozonation Effluent Quality Prediction

        預(yù)臭氧投加量預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示,以預(yù)臭氧進水流量、渾濁度、CODMn、UV254、DOC、NH3-N以及預(yù)臭氧預(yù)期出水渾濁度、CODMn、UV254、DOC作為輸入?yún)?shù),以預(yù)臭氧投加量為輸出參數(shù),預(yù)測模型采用3層BP神經(jīng)網(wǎng)絡(luò),其中輸入層神經(jīng)元數(shù)為9個,隱含層神經(jīng)元數(shù)為11個,輸出層神經(jīng)元數(shù)為1個。

        圖3 預(yù)臭氧投加量預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Neural Network Structure of Pre-Ozone Dosage Prediction

        本次建模研究從T水廠實際生產(chǎn)運行中選擇150組數(shù)據(jù)作為樣本,從中隨機選取120組作為訓(xùn)練數(shù)據(jù)樣本,15組作為驗證數(shù)據(jù)樣本,15組作為測試數(shù)據(jù)樣本。

        2 結(jié)果與討論

        2.1 相關(guān)性分析

        分析各水質(zhì)變量與預(yù)臭氧投加量的關(guān)系,采用Pearson相關(guān)系數(shù)、Spearman秩相關(guān)系數(shù)和Kendall相關(guān)系數(shù)進行分析。

        Pearson相關(guān)系數(shù)是線性回歸中最常見的相關(guān)系數(shù),絕對值越大,說明兩個變量之間的線性相關(guān)性越大。Spearman秩相關(guān)系數(shù)不僅能衡量線性相關(guān)關(guān)系,還可以衡量兩個變量的遞增和遞減關(guān)系,且異常值對其的影響較小。Kendall相關(guān)系數(shù)與Spearman秩相關(guān)系數(shù)類似,表達兩個變量序列之間的排序關(guān)系。

        預(yù)臭氧投加量與進水水質(zhì)參數(shù)的相關(guān)系數(shù)如表2所示。由表2可知,同一參數(shù)使用3個不同的相關(guān)系數(shù)得到的變量相關(guān)性大小雖有不同,但很接近。預(yù)臭氧投加量與進水渾濁度、CODMn、DOC、UV254和NH3-N呈正相關(guān),其中進水渾濁度、CODMn和DOC對預(yù)臭氧投加量影響較大。這是由于這些水質(zhì)指標(biāo)代表著水中有機物的含量,而臭氧能夠改變水中有機物的官能團,對有機物中的不飽和鍵進行選擇性氧化,將大分子有機物的結(jié)構(gòu)破壞使其分解為小分子有機物[8]。預(yù)臭氧投加量與進水流量呈弱負(fù)相關(guān),這是由于夏季流量較大時,進水水質(zhì)較好,所需的預(yù)臭氧投加量較小,而冬季進水流量較小時,進水有機物含量較高,所需預(yù)臭氧投加量較大。

        表2 預(yù)臭氧投加量與進水水質(zhì)的相關(guān)系數(shù)Tab.2 Correlation Coefficient between Ozone Dosage and Influent Water Quality

        2.2 水質(zhì)預(yù)測模型

        建立1.4所述的T水廠預(yù)臭氧出水水質(zhì)參數(shù)預(yù)測的BP網(wǎng)絡(luò)模型,經(jīng)過仿真模擬,結(jié)果如圖4所示。擬合整體的相關(guān)系數(shù)為0.991 9,訓(xùn)練集的相關(guān)系數(shù)為0.995 2,測試集的相關(guān)系數(shù)為0.977 1,均方根誤差RMSE=0.014 9,可知,本模型能較好地根據(jù)預(yù)臭氧進水水質(zhì)和預(yù)臭氧投加量擬合預(yù)臭氧出水水質(zhì)情況。

        圖4 出水水質(zhì)預(yù)測模型訓(xùn)練情況Fig.4 Training Results of Effluent Water Quality Prediction Model

        樣本集中的15組數(shù)據(jù)經(jīng)過模擬后得到的水質(zhì)指標(biāo)的預(yù)測值與實際值的對比如圖5所示。

        圖5 水質(zhì)參數(shù)預(yù)測值與實際值的結(jié)果 (a)渾濁度; (b) CODMn; (c) DOC; (d) UV254; (e) NH3-NFig.5 Comparison of Water Quality Parameters Predictions and Real Values (a) Turbidity; (b) CODMn; (c) DOC; (d) UV254; (e) NH3-N

        由圖5可知,各水質(zhì)指標(biāo)的預(yù)測值和實際值呈現(xiàn)相同的變化趨勢,并且有著一定的預(yù)測精度。測試集的15組數(shù)據(jù)經(jīng)神經(jīng)網(wǎng)絡(luò)模型擬合后,渾濁度的擬合程度最好,預(yù)測值與實際值相對誤差的絕對值基本在10%以內(nèi)。代表有機物含量的CODMn、DOC以及UV254的擬合度也相對較好,基本在20%以內(nèi)。NH3-N的預(yù)測值和實際值的擬合程度相比另外4個水質(zhì)指標(biāo)較差,測試集中超過一般的樣本預(yù)測值相對誤差基本都在25%以上,誤差最大值為48.6%,主要是原水NH3-N濃度較低,且投加臭氧的主要目的并不是去除水中的NH3-N,因而導(dǎo)致擬合誤差偏大。

        2.3 臭氧投加量預(yù)測模型

        建立1.4中所述的T水廠預(yù)臭氧投加量預(yù)測的BP網(wǎng)絡(luò)模型,經(jīng)仿真模擬,結(jié)果如圖6所示。擬合整體的相關(guān)系數(shù)為0.892 3,訓(xùn)練集的相關(guān)系數(shù)為0.919 4,測試集的相關(guān)系數(shù)為0.793 5,說明通過輸入水質(zhì)參數(shù)的現(xiàn)狀值和預(yù)期值,可以建立其與預(yù)臭氧投加量間的聯(lián)系,本預(yù)測模型測試集的相關(guān)系數(shù)相比訓(xùn)練集較低,但整體仍有較好的擬合效果和預(yù)測精度。在訓(xùn)練次數(shù)為132次時,校正均方根誤差RMSE達到最小,為0.013 9,此時,訓(xùn)練集和測試集的RMSE也已穩(wěn)定到了一定的低值,分別為0.012 0和0.014 9??梢姡珺P神經(jīng)網(wǎng)絡(luò)模型具有良好的自學(xué)習(xí)能力,而且模型的泛化性能高。

        圖6 臭氧投加量預(yù)測模型訓(xùn)練情況Fig.6 Training Results of Ozone Dosage Prediction Model

        樣本集中的15組數(shù)據(jù)經(jīng)過模擬后得到的預(yù)臭氧投加量的預(yù)測值,與實際值的對比如圖7所示。

        圖7 臭氧投加量預(yù)測值與實際值的結(jié)果Fig.7 Comparison of Ozone Dosage Predictions and Real Values

        由圖7可知,預(yù)測模型在給定的進水工藝條件和預(yù)期的出水水質(zhì)條件下,能夠較好地預(yù)測臭氧的投加量。測試集的15組數(shù)據(jù)經(jīng)神經(jīng)網(wǎng)絡(luò)模型擬合后,與實際值的相對誤差的絕對值最大為25.5%,最小為3.63%,其中8組預(yù)測值與實際值的偏差在10%以內(nèi)。預(yù)臭氧投加量較大時的預(yù)測精度大于投加量較小時,當(dāng)預(yù)臭氧投加量大于1 mg/L時,預(yù)測值與實際值的相對誤差均在6%以內(nèi)。因此,本模型對于預(yù)臭氧投加量的預(yù)測有著較好的精度,若基于更多數(shù)據(jù)進行預(yù)測,能有更好的預(yù)測準(zhǔn)確性。

        2.4 模型應(yīng)用

        T水廠采用東太湖水作為原水,2019年原水渾濁度平均值為44.1 NTU,CODMn平均值為3.98 mg/L,DO平均值為8.9 mg/L,BOD5平均值為2.84 mg/L,NH3-N平均值為0.25 mg/L。原水曾因上游養(yǎng)殖廢水的排放,原水中溴離子濃度較高?,F(xiàn)原水上游養(yǎng)殖場已關(guān)閉,溴離子濃度有了大幅下降,經(jīng)檢測,2019年T水廠原水平均溴離子濃度為41.7 μg/L,當(dāng)臭氧濃度較高時,依舊存在一定的溴酸鹽生成風(fēng)險。根據(jù)T水廠實際生產(chǎn)運行情況,對其臭氧投加系統(tǒng)進行優(yōu)化。根據(jù)原水溴離子濃度和高錳酸鹽指數(shù)情況,綜合考慮有機物去除和預(yù)防溴酸鹽生成,擬定T水廠總臭氧投加量為1.5 mg/L,其中預(yù)臭氧投加量通過BP神經(jīng)網(wǎng)絡(luò)模型確定,后臭氧投加量為總臭氧投加量減去預(yù)臭氧投加量??刂屏鞒倘鐖D8所示。

        圖8 臭氧投加控制系統(tǒng)圖Fig.8 Ozone Dosing Control System

        由于水廠在線檢測儀器僅能在線檢測渾濁度、CODMn,無法在線檢測UV254、DOC等指標(biāo),而CODMn與UV254、DOC都可以代表水中有機物的含量。由2.1節(jié)可知,臭氧投加量與該3項水質(zhì)指標(biāo)的相關(guān)系數(shù)接近,因此,在水廠運行控制中采用CODMn作為有機物指標(biāo)即可?;贐P神經(jīng)網(wǎng)絡(luò)的臭氧投加量模型,以進水流量、進水渾濁度和進水CODMn作為輸入,并設(shè)定預(yù)期的預(yù)臭氧出水渾濁度和CODMn,基于神經(jīng)網(wǎng)絡(luò)預(yù)測模型計算得到所需預(yù)臭氧投加量,將控制指令信號傳輸至臭氧制備車間的投加控制系統(tǒng)中,投加控制系統(tǒng)對預(yù)臭氧和后臭氧接觸池進行臭氧投加。

        T水廠僅在原水進水端安裝渾濁度和CODMn在線檢測儀,未在后臭氧接觸池前安裝在線檢測裝置,因而,本BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型僅針對預(yù)臭氧工藝。后續(xù)若條件允許,將進行基于BP神經(jīng)網(wǎng)絡(luò)的后臭氧投加量的預(yù)測,進一步完善水廠臭氧投加量自動化控制系統(tǒng)。

        3 結(jié)論

        (1)根據(jù)相關(guān)性分析,進水流量與臭氧投加量呈負(fù)相關(guān),進水渾濁度、CODMn、DOC、UV254、NH3-N與臭氧投加量呈正相關(guān),其中CODMn、DOC、UV254的相關(guān)系數(shù)更大。

        (2)運用BP神經(jīng)網(wǎng)絡(luò)建立出水水質(zhì)系統(tǒng)預(yù)測模型和臭氧投加量預(yù)測模型,通過輸入臭氧投加量和進水水質(zhì)參數(shù),可以預(yù)測出水水質(zhì)情況,也可通過輸入進水水質(zhì)參數(shù)和預(yù)期出水參數(shù)來預(yù)測臭氧投加量。在給定的工藝參數(shù)條件下,都有著較高的預(yù)測精度,相關(guān)系數(shù)和均方誤差較好,說明該模型具有良好的泛化能力,能滿足水處理預(yù)測的實際要求,對在線控制有指導(dǎo)意義。

        (3)將來可應(yīng)用臭氧投加量預(yù)測模型建立臭氧投加控制系統(tǒng),為臭氧—活性炭深度處理運行的自動化控制提出了新的理論思路。

        猜你喜歡
        渾濁度原水水廠
        基于渾濁度的水廠工藝內(nèi)控指標(biāo)的精細化管理
        丙烯酰胺強化混凝去除黑河原水濁度的研究
        不同渾濁度潰壩流體流動特性研究
        人民長江(2021年10期)2021-12-09 02:52:08
        原水大陣
        超濾膜在再生水廠應(yīng)用工程實踐
        水廠自動化技術(shù)的應(yīng)用解析
        電子測試(2018年9期)2018-06-26 06:46:30
        原水臭氧氧化生成溴酸鹽的影響因素研究進展
        水廠環(huán)狀管網(wǎng)平差計算與分析
        原水加氯系統(tǒng)分析
        風(fēng)浪對淺水湖泊水質(zhì)的影響機制
        水資源保護(2016年3期)2016-06-21 09:23:57
        人妻体内射精一区二区三四| 亚洲精品午夜无码电影网| 疯狂撞击丝袜人妻| 欧美自拍视频在线| 在线你懂| 久久精品国产亚洲av蜜桃av| 能看不卡视频网站在线| 日本一区二区免费高清| 亚洲免费观看视频| 国产又大又黑又粗免费视频| 国产农村妇女精品一二区| 猫咪免费人成网站在线观看| 久草午夜视频| 成人无码网www在线观看| 大白屁股流白浆一区二区三区| 在线免费观看亚洲天堂av| 三级网站亚洲三级一区| 亚洲国产精品久久久av| 国产成+人+综合+亚洲欧美丁香花| 欧产日产国产精品精品| 亚洲人成网站在线播放观看| av无码电影一区二区三区| 青青草成人原视频在线播放视频| 91精品国产综合久久国产| 福利视频一区二区三区| 粗大的内捧猛烈进出小视频| 制服丝袜中文字幕在线| 精品亚洲成a人在线观看青青| 一出一进一爽一粗一大视频免费的| 国产亚洲日本人在线观看 | 亚洲天堂av黄色在线观看| 国产亚洲欧洲aⅴ综合一区| 丰满熟妇人妻av无码区| 色诱视频在线观看| 国产精品久久国产精麻豆99网站| 亚洲中文欧美日韩在线| 人妻av中文字幕精品久久| av在线一区二区三区不卡| 亚洲成av人片女在线观看| 一本色道无码道在线观看| 日本黄页网站免费大全|