＊程順健

（福州城建設(shè)計(jì)研究院有限公司 福建 350001）

水資源短缺與能源危機(jī)是人類社會發(fā)展面臨的重大挑戰(zhàn)。針對高濃度城市有機(jī)污水的處理，厭氧膜生物反應(yīng)器（Anaerobic Membrane Bioreactor，AnMBR）將厭氧消化與膜過濾技術(shù)有機(jī)結(jié)合，在實(shí)現(xiàn)高質(zhì)量出水的同時(shí)產(chǎn)出甲烷，極大降低運(yùn)行成本[1]。

在將AnMBR 應(yīng)用于市政污水處理的大規(guī)模工程中，膜污染問題是首要挑戰(zhàn)[2]。市政污水在低溫下黏度較高，因此，更易引發(fā)膜污染[3]，增加系統(tǒng)的運(yùn)行成本，而胞外聚合物是造成膜污染的主要原因[4]。傳統(tǒng)的膜污染控制方法包括增加膜面水力剪切作用、優(yōu)化系統(tǒng)運(yùn)行模式及化學(xué)清洗等[5]，而發(fā)展膜污染原位控制技術(shù)則是重要的研究方向之一。其中，基于電化學(xué)調(diào)控方法，可實(shí)現(xiàn)原位控制膜污染問題[6-7]，有助于改善膜污染情況，提高系統(tǒng)的可持續(xù)性和效率。目前，關(guān)于AnMBR 膜污染的機(jī)理和控制方法研究已經(jīng)有較多報(bào)道[8-12]，但在膜污染模擬預(yù)測，尤其是電化學(xué)強(qiáng)化AnMBR 膜污染方面的研究報(bào)道相對較少，且已報(bào)道的傳統(tǒng)方法與數(shù)學(xué)模型[13-14]往往難以處理龐大的數(shù)據(jù)量，也無法從中挖掘出膜污染變化的潛在特征，因此預(yù)測精度始終有限。

反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）是一種用于挖掘數(shù)據(jù)內(nèi)在關(guān)聯(lián)的算法模型。BPNN 在多層前饋人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增加了誤差反向傳播算法，允許其根據(jù)目標(biāo)問題的復(fù)雜需求進(jìn)行建模[15]。BPNN 已被部分研究應(yīng)用于常見膜污染的預(yù)測[16-18]，但是尚未將BPNN 模型應(yīng)用于針對城市污水處理AnMBR 膜污染電化學(xué)原位控制的研究報(bào)道。

數(shù)據(jù)集的預(yù)處理是訓(xùn)練BPNN 模型的關(guān)鍵步驟。由于數(shù)據(jù)在收集過程中不可避免地存在缺失、重復(fù)等情況，若不進(jìn)行預(yù)處理，將直接影響到模型的訓(xùn)練[19]。膜污染的形成涉及許多變量，但并非所有變量都對預(yù)測結(jié)果具有顯著影響，因此，需要在預(yù)處理階段對數(shù)據(jù)進(jìn)行分析和重構(gòu)[20]。

本文構(gòu)建了電化學(xué)強(qiáng)化AnMBR 反應(yīng)體系，施加1 V 電壓構(gòu)建外電場，進(jìn)行原位電場驅(qū)動AnMBR 抗膜污染性能研究。反應(yīng)器內(nèi)消化液的pH 值、氧化還原電位（Oxidation-Reduction Potential，ORP），以及膜組件的跨膜壓差（Transmembrane Pressure，TMP）等數(shù)據(jù)，基于BPNN 構(gòu)建單層多節(jié)點(diǎn)隱含層的膜污染預(yù)測模型。同時(shí)，通過不同數(shù)據(jù)集分割方式進(jìn)行實(shí)驗(yàn)測試和模型評估，討論如何通過優(yōu)化數(shù)據(jù)集提高模型的預(yù)測準(zhǔn)確性和實(shí)用性，為膜污染的預(yù)測和控制提供新的思路和方法。

1.實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)處理

本文實(shí)驗(yàn)的主要目的是利用BPNN 算法對AnMBR中的膜污染情況進(jìn)行預(yù)測。此外，還包含通過對數(shù)據(jù)的可視化，進(jìn)行pH 值和ORP 對TMP 變化的影響分析。

(1)電化學(xué)強(qiáng)化AnMBR反應(yīng)體系的構(gòu)建

如圖1 所示，采用浸沒式AnMBR 處理市政污水，實(shí)驗(yàn)裝置主要包括直流電源、極板、厭氧顆粒污泥、Ni/Fe LDH@C 顆粒填料。同時(shí)啟用兩套電化學(xué)強(qiáng)化AnMBR 裝置，分別標(biāo)記為R1#和R2#，對模擬城市污水進(jìn)行連續(xù)實(shí)驗(yàn)和數(shù)據(jù)采集，溫度維持在20～25 ℃。

圖1 電化學(xué)強(qiáng)化AnMBR 裝置

(2)數(shù)據(jù)收集

反應(yīng)器的pH、ORP 和TMP 等數(shù)據(jù)通過將其連接到可編程邏輯控制器（PLC）設(shè)備的傳感器進(jìn)行收集。其中，數(shù)據(jù)的采集過程以30 min 為一個(gè)周期，最終共收集7416 條數(shù)據(jù)。

(3)建模方法

本文采用單層多節(jié)點(diǎn)的BPNN 作為模型主體，通過數(shù)據(jù)預(yù)處理進(jìn)行優(yōu)化。

2.數(shù)據(jù)預(yù)處理

對TMP 列和ORP 列進(jìn)行取反，以保證整體數(shù)據(jù)為正數(shù)，便于比對分析。

(1)數(shù)據(jù)清洗

如表1 所示，原始數(shù)據(jù)中存在部分的缺失值（指表中數(shù)值表示為“0.00”的數(shù)據(jù)記錄）及離群值（指表中ORP 數(shù)值顯著高于“-400.0”的數(shù)據(jù)記錄，如“-227.3”），需對其進(jìn)行數(shù)據(jù)清洗。

表1 部分原始數(shù)據(jù)

①缺失值處理

觀察數(shù)據(jù)整體的變化趨勢，可以發(fā)現(xiàn)pH 和ORP的變化具有隨機(jī)性。因此，采用隨機(jī)填充法對目標(biāo)缺失值進(jìn)行處理，在指定范圍內(nèi)隨機(jī)生產(chǎn)浮點(diǎn)數(shù)。

②離群值處理

如圖2 所示，兩個(gè)反應(yīng)器的TMP 數(shù)據(jù)都存在大量連續(xù)的離群值。針對這些離群值，采用刪除對應(yīng)數(shù)據(jù)行向量的方式進(jìn)行處理。

圖2 TMP 數(shù)據(jù)趨勢圖

對于表1 中R1#反應(yīng)器的ORP 離群值，采取人工填寫方式，將數(shù)值統(tǒng)一修改為理論邊界值-400 mV。

(2)數(shù)據(jù)變換

各參數(shù)與TMP 的波動變化對比如圖3 所示，采用歸一化方法進(jìn)行數(shù)據(jù)變換。其中，采用式（1）對TMP 和ORP 進(jìn)行常規(guī)離差標(biāo)準(zhǔn)化；而pH 值則采用式（2）進(jìn)行特殊歸一化處理。

圖3（A）pH 與TMP 波動變化對比；（B）ORP 與TMP 波動變化對比

(3)數(shù)據(jù)集劃分

經(jīng)過數(shù)據(jù)清洗和數(shù)據(jù)變換處理后的數(shù)據(jù)，如圖4所示。為進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，本文將整體數(shù)據(jù)以兩種不同方式分割為數(shù)據(jù)集1 和數(shù)據(jù)集2，供模型進(jìn)行學(xué)習(xí)，并評估學(xué)習(xí)效果。第一種分割方式：單獨(dú)在R1#反應(yīng)器產(chǎn)生的數(shù)據(jù)上進(jìn)行，將數(shù)據(jù)的70%作為訓(xùn)練集，30%作為測試集。第二種分割方式：同時(shí)在兩個(gè)反應(yīng)器的數(shù)據(jù)上進(jìn)行，將R1#反應(yīng)器的數(shù)據(jù)作為訓(xùn)練集，R2#反應(yīng)器的數(shù)據(jù)作為測試集。

圖4 經(jīng)過清洗和變換后的數(shù)據(jù)

3.數(shù)據(jù)分析

通過圖4 可見，TMP 與pH 和ORP 兩個(gè)參數(shù)并未表現(xiàn)出顯性關(guān)聯(lián)，但卻表現(xiàn)出典型的時(shí)間序列數(shù)據(jù)特性，與時(shí)間節(jié)點(diǎn)的變化呈強(qiáng)關(guān)聯(lián)性。因此，本文BPNN 模型的建立主要以單一條件TMP 時(shí)間序列數(shù)據(jù)作為輸入。

4.構(gòu)建模型

（1）模型結(jié)構(gòu)。BPNN 的網(wǎng)絡(luò)結(jié)構(gòu)，如圖5 所示，主要由輸入層、隱含層和輸出層組成，其中有若干個(gè)神經(jīng)元結(jié)構(gòu)相互形成全連接。

圖5 BPNN 的拓?fù)浣Y(jié)構(gòu)

①激活函數(shù)。本文使用的激活函數(shù)是MATLAB 中的purelin 函數(shù)和tansig 函數(shù)，它們都是神經(jīng)傳遞函數(shù)，負(fù)責(zé)單層神經(jīng)元中由凈輸入值計(jì)算轉(zhuǎn)換出輸出值的過程。

②損失函數(shù)。本文使用MATLAB 的神經(jīng)網(wǎng)絡(luò)構(gòu)建函數(shù)net 中默認(rèn)使用的均方誤差（MSE）作為目標(biāo)模型的損失函數(shù)，見式（3）。

③梯度下降函數(shù)。本文使用的梯度下降函數(shù)是MATLAB 中的trainlm 函數(shù)，該函數(shù)是由Levenberg-Marquardt（L-M）算法實(shí)現(xiàn)的一個(gè)反向傳播神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。

（2）參數(shù)設(shè)定。經(jīng)過多次實(shí)驗(yàn)并調(diào)整參數(shù)，本文在兩個(gè)數(shù)據(jù)集上的模型訓(xùn)練分別設(shè)定目標(biāo)誤差為1e-6和1e-10，同時(shí)設(shè)定學(xué)習(xí)率為0.01，分別設(shè)定Epoch個(gè)數(shù)為500 和1000。

5.結(jié)果分析與討論

訓(xùn)練結(jié)果顯示（圖6）最終模型的預(yù)測誤差均能夠達(dá)到1e-4 以下，表現(xiàn)出良好的預(yù)測性能。

圖6 模型在不同結(jié)構(gòu)的數(shù)據(jù)集上的訓(xùn)練過程

對比圖6 中的訓(xùn)練過程數(shù)據(jù)可以發(fā)現(xiàn)，不同數(shù)據(jù)集訓(xùn)練的模型性能存在明顯差異。其中，數(shù)據(jù)集1 由于所使用的數(shù)據(jù)較為單一，模型并沒有充分地學(xué)習(xí)到TMP 數(shù)據(jù)的潛在特征，經(jīng)過完整的6 次測試集迭代后，誤差仍只能降低至6.59e-5，遠(yuǎn)達(dá)不到目標(biāo)誤差的1e-6。數(shù)據(jù)集2 上的訓(xùn)練則顯示出明顯的優(yōu)越性，在經(jīng)過732 個(gè)傳播周期、進(jìn)行不到1 次完整測試集迭代的情況下，達(dá)到9.97e-11 的誤差，滿足了目標(biāo)誤差1e-10 的要求?？梢?，通過兩個(gè)不同獨(dú)立反應(yīng)器數(shù)據(jù)的相互驗(yàn)證，能夠在擴(kuò)充數(shù)據(jù)量的同時(shí)引入更多的潛在特征，訓(xùn)練得到性能更好的模型。

6.總結(jié)

研究通過實(shí)驗(yàn)收集并建立AnMBR 反應(yīng)過程數(shù)據(jù)集，在數(shù)據(jù)分析過程中剔除pH 和ORP 等非強(qiáng)關(guān)聯(lián)數(shù)據(jù)，并以不同的方式劃分為兩個(gè)不同的數(shù)據(jù)集，將TIME_ID 和TMP 作為輸入，建立了基于數(shù)據(jù)驅(qū)動的BPNN 時(shí)間序列預(yù)測模型，實(shí)現(xiàn)對AnMBR 裝置的膜污染程度進(jìn)行預(yù)測。

通過多次實(shí)驗(yàn)及調(diào)整參數(shù)至最佳訓(xùn)練條件，最終模型的預(yù)測誤差能夠達(dá)到1e-10 以下，精準(zhǔn)度接近100%，可應(yīng)用于膜污染程度預(yù)測。