当前位置：文档之家 › 基于BP算法污水处理报告

基于BP算法污水处理报告

  • 格式：doc
  • 大小：622.00 KB
  • 文档页数：9

模式识别期末作业—基于BP算法分类器 ROC曲线Abstract：With the development of the industry, the lack of water resources, environmental protection and energy saving requirements, sewage recycling has become increasingly conspicuous. The characteristics of the wastewater treatment process is a multivariable, nonlinear, time-varying and randomness, so it is difficult to establish precise mathematical model. At the same time, the control of sewage treatment system and belongs to the multi-objective control, the need to control several water indicators, and also needs to restrain the change of external environment. Artificial neural network (ANN) is the biggest advantage is can approximate any complex nonlinear relations, fully has the strong learning ability and fault tolerance, able to handle the quantitative and qualitative data at the same time, can use the connection structure combined with other control methods and artificial intelligence, has become a research focus in the sewage treatment process. The purpose of this paper is to adopt the BP model of artificial neural network of a sewage treatment plant of wastewater treatment system was simulated, in order to provide theoretical basis for water quality evaluation. 摘要:随着工业的发展、水资源的缺乏、环保及节能的需求,污水循环利用已经变得日益引人注目。

污水处理过程的特点是多变量、非线性、时变性与随机性,故建立精确的数学模型比较困难。

同时,污水处理系统的控制又属于多目标控制,需要控制几种出水指标,也需要抑制外部环境的变化。

人工神经网络(ANN)的最大优点是可以充分逼近任意复杂的非线性关系,有较强的学习能力和容错性,同时能够处理定量、定性数据,能够利用连接的结构与其他控制方法及人工智能相结合,已成为污水处理过程的研究热点。

本文旨在采用人工神经网络的BP模型对某污水处理厂的污水处理系统进行模拟,以便对出水水质评价提供理论依据。

简介人工神经网络方法是建立在现代神经科学研究，成果基础上的一种抽象的数学模型,它反映了大脑功能的若干基本特征,如抽象和模拟。

使机器具有人脑那样的感知、学习和推理能力,能够更好地适应环境和系统特性的变化,适合于复杂系统的建模和控制。

它具有大规模并行、分布式存储与处理、自组织、自适应与自学习的能力,特别适用于处理需要同时考虑许多因素和条件的、不精确的和模糊的信息处理问题。

这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。

近年来,人工神经网络在水资源系统、饮用水及污水处理系统、环境治理系统等水处理系统中广泛应用,主要应用于臭氧生物活性炭系统的建模;废水处理中出水水质评价。

BP人工神经网络通常是指基于误差反向传播算法的多层前向神经网络。

BP网络在某些方面显示出独特的优越性和广泛的推广性,已成为日前研究应用最为广泛的神经网络学习算法,据统计近90%的神经网络应用是基于BP网络算法的。

与感知器和线性神经网络等其他网络不同的是,BP 网络的神经元采用的传递函数通常是Sigmoid型可微函数,所以可以实现输入和输出间的任意非线性映射,这使得它在诸如函数逼近、模式识别、数据压缩等领域有着更加广泛的应用。

由于污水处理厂在不同时刻进水水质、水量、运行参数变化较大，各种参数呈现复杂的非线性关系，经常超负荷运行，这使得污水处理厂的出水水质难以保证．要实现污水处理厂高效、稳定运行，就需要对污水处理厂的运行情况进行模拟，根据不同进水水质和运行参数，准确预测出不同条件下的出水水质，并根据预测结果，反过来调整设备运行参数，保证出水水质。

智能建模方法在不能用规则或公式处理大量原始数据时表现出极大的灵活性和自适应性。

由于活性污泥法污水处理过程具有高度的复杂性和非线性的特点，使得神经网络可以在建模过程中发挥巨大的作用。

总框架1、模型设计为了更好地选择准确的预测模型，BP神经网络模型由输入层、输出层和隐含层构成。

对于网络的隐含层数量，有研究表明，一个隐含层就可以得到很高的精度，而过多的隐含层会导致 BP 网络训练时间增长，模型的预测精度下降。

污水处理厂出水 COD 浓度受多种因素影响。

总的来说，污水处理厂处理效率主要受进水水量、pH 值、温度、进水 COD 浓度、进水硫化物浓度、生物接触氧化池内MLSS 的影响，因此 BP神经网络模型的输入单元选择7个神经元，输出神经元只有1个，即出水COD 浓度。

神经网络输入层选取 BOD（生化需氧量）、COD（化学耗氧量）、SS（悬浮物）、pH 值（酸碱度）、 TP（总磷）、TN（总氮）、NH3－H（氨氮含量）7个神经元，隐含层的神经元定为12个，输出层只有 1个神经元 COD，神经网络的信号由输入层经过隐含层，一层一层地向前传递，直到传递到输出层，产生其输出信号。

每一层神经元的状态只影响下一层神经元的状态。

其中隐含层和输出层的激励函数分别为双曲正切 Sigmoid 函数和线性函数，神经网络的学习率（（１r）选择为0.8。

其中 BP 神经网络模型的动量因子（mc）选择为0.90，学习目标误差设为0.009，预测模型结构见图 1。

图1 基于神经网络构建的污水处理出水COD预测模型结构2、模型仿真结果分析数据选择及预处理本研究中建立活性污泥法污水处理过程模型的实验数据来源于污水处理厂水质化验日报表．输入向量为污水调节池进水水质指标，分别为BOD（生化需氧量）、COD（化学耗氧量），SS（悬浮物）、PH值（酸碱度）、TP（总磷）、TN（总氮）、NH3－H（氨氮含量）．输出向量为通过活性污泥系统处理后的出水COD值。

由于从工业现场采集的数据难免会含有随机误差甚至过失误差，而任何一个数据的错误都可能导致神经网络模型整体的性能下降，甚至完全失败，因此数据采集时要求检测仪器的精度要符合要求，同时必须对测量数据进行预处理，方可作为神经网络模型的输入。

数据归一化处理由于污水处理过程中所测量的数据有不同的工程单位，各变量的大小在数值上差异很大，直接使用原始测量数据进行计算可能丢失信息和引起数值计算的不稳定，因此对各参数作标准化处理，使输入数据均在（0，1）范围内．对样本数据采用零均值标准化方法进行归一化处理．所谓数据的归一化处理，是对数据同时进行中心化－压缩处理．本研究采用如下的数据归一化方法．设第ｉ输入向量为，总样本数为ｎ，样本数据中最大值记为，最小值记为，则数据按如下公式进行归一化处理：检测数据的输入向量也需要进行归一化处理．预测的结果需进行反向处理。

进行归一化处理后，不论原始数据在数量级上有多大的差别，可使得各变量的均值为0，标准差为1，进而消除由于不同特征因子量纲不同和数量级不同所带来的影响．经过处理后的数据都能反应出数据之间的规律。

3、仿真分析按照上述设计结构进行仿真实验，仿真结果如图所示。

ＢＰ神经网络检测仿真结果基于ＢＰ神经网络模型的应用根据上述讨论的结论，采用BP神经网络模型来设计污水处理厂出水BOD预测模型，模型主要包括输入层、隐层、输出层及各层之间的传输函数几个方面．其中输入层神经元数为7个，分别为BOD（生化需氧量）、COD（化学耗氧量），SS（悬浮物）、PH值（酸碱度）、TP（总磷）、TN（总氮）、NH3－H（氨氮含量）；隐含层神经元数为12个；输出层神经元数为1个，为出水COD浓度。

学习数据和检验数据进行归一化处理．依靠MATLAB7.1软件的神经网络工具箱构建的污水处理厂出水COD神经网络预测模型，采取批处理学习方式和自适应调整学习率的方法训练网络，加快收敛速度．基于BP神经网络的污水处理厂COD预测模型的学习数据及预测数据来自于污水处理厂的监测数据，同时剔除污水处理厂非正常状态下的监测数据．采用了62组数据，其中包括了一些超标数据。

1、污水处理厂监测数据处理根据研究表明，对数据进行聚类分析，剔除一些离群点，可以明显提高神经网络的预测效果。

因此在建模前对监测数据进行聚类分析。

目前常采用的聚类分析法有最短距离法、最长距离法、平均距离法、重心距离法等几种，在这几种方法中所使用的距离计算有欧氏距离、马氏距离、布洛克距离等几种。

根据比较分析，决定选用欧氏距离和平均距离法对监测数据进行聚类分析。

对数据进行聚类分析。

2、实证分析通过学习训练算法和数据的确定，建立污水处理厂出水ＣＯＤ模型的初始化权值、偏差矩阵为：W1=［0.0000 0.2622 0.5902 1.0000 0.9056 0.5128 0.0076 0.3333 0.0656 0.4800 0.2944 0.7624 1.0000 0.2121 1.0000 0.7213 0.5200 0.9778 0.4356 0.4274 0.4545 0.6429 0.0328 0.5200 0.6556 0.7822 0.9829 0.4621 0.3333 0.1148 0.2800 0.3500 0.5743 0.5385 0.5000 0.0714 0.9344 0.3600 0.0000 0.0891 0.0000 0.6061 0.3452 0.2295 0.6000 0.1833 0.8317 0.5385 0.6439 0.7143 0.7094 0.7200 0.2944 0.4554 0.4615 0.67420.0000 0.8361 0.7200 0.0056 0.1584 0.0598 0.7045 0.71431.0000 0.1600 1.0000 0.7228 0.4957 0.7197 0.7262 0.0000 0.4000 0.6167 1.0000 0.4957 0.7652 0.6310 0.2623 0.0000 0.2778 0.5050 0.4786 0.9621 0.6429 0.6721 0.2800 0.86670.7525 0.5214 0.9773 0.3452 0.2295 0.4400 0.4000 0.7525 0.41881.0000 0.5238 0.0328 0.3200 0.6556 0.7129 0.4615］ＴW2=［0.5244 0.3175 0.2952 0.5175 0.5270 0.0984 1.0000 0.5778 0.2254 0.3048 0.0000 0.4317 0.4063 0.9905 0.3397］B1＝［0.5814 0.2047 0.2008 0.1998 0.4363 0.4076 0.9916］其中：w1，B1分别代表输入层到隐含层的连接权矩阵与偏差矩阵；w2，B2分别代表隐含层到输出层的连接权矩阵和偏差矩阵．模型经过训练后，得到的最终结果连接权矩阵和偏差矩阵如下：W1=［0.000 0.0076 0.2121 0.4545 0.4621 0.5000 0.6061 0.64390.6742 0.7045 0.7197 0.7652 0.9621 0.9773 1.0000 0.2262 0.33331.0000 0.6429 0.3333 0.0714 0.3452 0.7143 0.0000 0.7143 0.7262 0.6310 0.6429 0.3452 0.5238 0.5902 0.0656 0.7213 0.0328 0.1148 0.9344 0.2295 0.7049 0.8361 1.0000 0.0000 0.2623 0.6721 0.2295 0.0328 1.0000 0.4800 0.5200 0.5200 0.2800 0.3600 0.6000 0.7200 0.7200 0.1600 0.4000 0.0000 0.2800 0.4400 0.3200 0.9056 0.2944 0.9778 0.6556 0.3500 0.0000 0.1833 0.2944 0.0056 1.0000 0.6167 0.2778 0.8667 0.4000 0.6556 0.0000 0.7624 0.4356 0.7822 0.5743 0.0891 0.8317 0.4554 0.1584 0.7228 1.0000 0.5050 0.7525 0.7525 0.7129 0.5128 1.0000 0.4274 0.9829 0.5385 0.0000 0.53850.4615 0.0598 0.4957 0.4957 0.4786 0.5214 0.4188 0.4615］ＴW2=［0.5524 0.3175 0.2952 0.5175 0.5270 0.0984 1.0000 0.5778 0.2254 0.3048 0.0000 0.4317 0.4063 0.9905 0.3397］B1=［0.4273 0.3403 0.1968 0.5125 0.4898 0.2082 0.9881］B2=［0.8473］输入检验数据，得到预测数据．如表图所示实测结果与ＢＰ网络模型预测值对照表结论从表中可以看出，基于BP神经网络的污水出水COD预测模型预测结果同实际监测出水COD浓度相对误差最高为2.3％，最低为0.2％，平均相对误差为1.0％，识别率达到99.15％，这表明基于ＢＰ神经网络模型构建的污水处理出水COD水质预测是可行的，具有较好的实际应用价值．神经网络控制特别适用于具有不确定性和高度非线性的多变量污水处理系统的控制。

合集下载

基于PSO-BP神经网络的隧道绿色建造污水处理预测模型

基于PSO-BP神经网络的隧道绿色建造污水处理预测模型

基于PSO-BP神经网络的隧道绿色建造污水处理预测模型基于PSO-BP神经网络的隧道绿色建造污水处理预测模型隧道建设是现代社会中的重要基础设施之一，尤其在城市交通建设中扮演着重要角色。

然而，隧道建设过程中产生的大量污水对环境造成了一定的负面影响。

因此，如何预测和有效处理隧道建设过程中的污水成为了一个亟待解决的问题。

针对这一问题，本文提出了一种基于PSO-BP神经网络的隧道绿色建造污水处理预测模型。

首先，介绍PSO算法。

粒子群优化算法（Particle Swarm Optimization, PSO）是一种模拟鸟群觅食行为的随机数学优化算法。

它的基本思想是通过模拟鸟群中个体的觅食过程，实现群体协作寻找最优解。

PSO算法中每个个体都有自己的位置和速度，并通过与周围个体的协作和学习，不断更新自身的位置和速度，最终找到全局最优解。

其次，介绍BP神经网络。

BP神经网络（Back Propagation, BP）是一种常见的人工神经网络模型，能够用于解决分类、回归和优化问题。

BP神经网络由输入层、隐藏层和输出层组成，通过不断调整连接权值和阈值来实现输入输出之间的映射关系。

随后，详细描述基于PSO-BP神经网络的隧道绿色建造污水处理预测模型。

首先，收集各种与隧道建造过程中污水处理相关的数据，包括建设环境、材料、工艺等方面的信息。

然后，利用PSO算法对数据进行优化处理，得到相应的权重和阈值。

接着，将优化后的数据输入到BP神经网络中进行训练和预测，得到隧道建造过程中的污水处理效果。

最后，通过实际案例验证了基于PSO-BP神经网络的隧道绿色建造污水处理预测模型的有效性。

通过对比预测结果和实际结果，验证了该模型在预测隧道绿色建造污水处理方面的准确性和可靠性。

该模型不仅能够提前预测污水处理效果，还能够为隧道绿色建造提供参考和指导。

总结起来，本文提出了一种基于PSO-BP神经网络的隧道绿色建造污水处理预测模型。

该模型通过PSO算法进行数据优化处理，并利用BP神经网络实现预测和训练，能够准确预测隧道建设过程中的污水处理效果。

基于BP人工神经网络的生化处理水水质预测

基于BP人工神经网络的生化处理水水质预测

基于BP人工神经网络的生化处理水水质预测
RI Son-il;侯德刚;张振家;周伟丽;迟莉娜;CHOE Won-il
【期刊名称】《现代化工》
【年(卷),期】2009()12
【摘要】神经网络具有强大的非线性映射能力和并行处理能力,近年来在水处理领域中被广泛地应用。

利用神经网络算法对某污水处理厂的污水处理系统进行了出水水质预测。

结果表明,基于BP神经网络的水质预测模型拟合效果较好,模拟出来的化学需氧量(COD)、pH、固体悬浮物(SS)及生物需氧量(BOD)的数值范围均较接近于实际值,其平均相对标准差分别为6.96%、1.31%、12.09%、15.18%。

【总页数】4页(P66-68)
【关键词】人工神经网络;生化处理;水质;预测
【作者】RI Son-il;侯德刚;张振家;周伟丽;迟莉娜;CHOE Won-il
【作者单位】上海交通大学环境科学与工程学院,上海200240;吉林燃料乙醇有限公司,吉林吉林132101;咸兴化工大学机械工程系,朝鲜咸兴
【正文语种】中文
【中图分类】TQ028.8
【相关文献】
1.基于BP神经网络模型的闽江流域地表水(福州段)水质变化趋势预测 [J], 陈文花
2.眉湖水质监测及基于BP人工神经网络的水质评价 [J], 许玻珲
3.基于BP人工神经网络的改进广义预测控制的电网负荷预测 [J], 陈晶; 周斌
4.基于人工神经网络的污水处理出水水质预测模型 [J], 陈威;陈会娟;戴凡翔;李忠
5.基于BP神经网络的污水处理厂进水水质预测模型 [J], 米莎;韦安磊;王小文;梁宝翠;冯护国
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的ROV水下清淤效率随下水班次的变化预测

基于BP神经网络的ROV水下清淤效率随下水班次的变化预测

基于BP神经网络的ROV水下清淤效率随下水班次的变化预测发布时间：2022-11-30T02:48:40.414Z 来源：《科技新时代》2022年第15期第8月作者：莫和建1、孙健2、田功臣1、黄鑫2、文光旭1、陈家盛1、刘运峰1[导读] 随着水库高坝的不断增多以及目前大坝运行时间的不断加长，莫和建1、孙健2、田功臣1、黄鑫2、文光旭1、陈家盛1、刘运峰1[1]贵州乌江水电开发有限责任公司构皮滩发电厂，贵州余庆 564408 ;[2]上海交大海洋水下工程科学研究院有限公司，上海200231摘要：随着水库高坝的不断增多以及目前大坝运行时间的不断加长，未来我国面临着大量的水库高坝大深度的水下作业。

目前，我国没有适用于内陆高坝大库的小型化饱和装备，且混合气潜水作业效率比较低，探索利用重型ROV对高坝大库坝前淤积物进行清理具有重要意义。

本文将以构皮滩水电站工程实例为蓝本，利用BP神经网络分析ROV操作员在长期进行坝前清淤作业后效率的提升情况。

希望本文能够在高坝大库坝前清淤工程量预估、效率评估、报价预算等方面提供一定帮助。

关键词：高坝大库，清淤，重型ROV，BP神经网络，构皮滩水电站Abstract：With the increasing number of high dams in reservoirs and the increasing operation time of dams at present, China will face a large number of underwater operations with large depth of high dams in reservoirs in the future. At present, there is no miniaturized saturation equipment suitable for inland high dam and large reservoir in China, and the efficiency of mixed gas diving operation is relatively low. It is of great significance to explore the use of heavy ROV to clean up the sediment in front of high dam and large reservoir. Based on the example of Goupitan hydropower station, this paper uses BP neural network to analyze the improvement of ROV operator's efficiency after long-term desilting in front of the dam. It is hoped that this paper can provide some help in the estimation of dredging quantities, efficiency evaluation and quotation budget in front of high dam and large reservoir dam.Key words: high dam and large reservoir, desilting, heavy ROV, BP neural network, Goupitan Hydropower Station本文将以构皮滩水电站坝前放空底孔附近堆渣体清淤工程为试验样本，统计施工期间的下水班次、每班次的时间长度、每班次的清淤量以及每班次的清淤效率。

BP神经网络预测油田废水混凝处理效果

BP神经网络预测油田废水混凝处理效果


BP 神经网络预测油田废水混凝处理效果
王仁雷 林 衍
（重庆大学资源及环境科学学院，重庆 400044）
E-mail:wangrlcqu@
摘 要 采用均匀设计方法选择神经网络的训练样本，并建立了基于 BP 人工神经网络的油田 废水混凝处理系统的数学模型。利用该模型对实验数据进行预测，结果表明模型的预测值与 实测值的平均绝对误差仅为 0.74%。可见这种方法预测精度高，具有一定的实际应用价值。 关键词 均匀设计 BP 神经网络 混凝 油田废水
偏置为（0.6893），这样便确定了油田废水混凝处理系统的人工神经网络模型。
图 1 BP 神经网络模型 Fig.1 BP neural network model
4. 模型预测结果和分析
4.1 模型预测结果
所建立的 BP 神经网络对训练样本具有很高的逼近精度，但是人工神经网络模型的性能 主要不是看它对训练样本的拟合能力，而是看它对测试样本(非训练样本)的泛化预测能力。 因此利用剩余的 18 组数据作为测试样本．对模型进行性能检测评估，并将预测与实测结果
1

形式，把PAC(聚合氯化铝)分子连接起来，增加了分子量，从而增加PASC对粒子的吸附桥架 能力，故它比PAC具有更好的除油效果，在油田含油废水的净化中得到了广泛的应用[6]。
根据文献[6]中提供的实验数据，决定选用二因素六水平的均匀设计表。具体有U6（62）、 U12（62）、U18（62）、U24（62）[7]等，考虑到样本点数目不能太少，实验次数又不能太多， 故选用U18（62），其内容见表 1，试验因素与水平见表 2。根据表 1 和表 2 得到试验方案与 结果，见表 3。
废水含油量 (mg/L) 60 100 160 80 120 180 80 120 160