基于BP神經(jīng)網(wǎng)絡(luò)的生物法煙氣NOx凈化的模擬與預(yù)測(cè)研究

王潔 鄒平 孫珮石 李傳寬

（云南大學(xué)工程技術(shù)研究院 云南昆明 610091）

營(yíng)養(yǎng)液主要添加的營(yíng)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(guò)化學(xué)滴定法分別產(chǎn)生模擬煙氣中的SO2和NOX，然后通過(guò)氣泵將產(chǎn)生的氣體從第一個(gè)填料塔的底部從下至上鼓入并排出并進(jìn)入下一個(gè)填料塔直至排出至大氣中。實(shí)驗(yàn)裝置如圖1所示。

圖1 雙塔生物法煙氣同時(shí)脫硫脫氮裝置示意圖

裝置在運(yùn)行的過(guò)程中，接通采樣口以便測(cè)量SO2和NOX濃度，經(jīng)過(guò)長(zhǎng)時(shí)間的實(shí)際運(yùn)行發(fā)現(xiàn)，一般SO2在前一個(gè)填料塔中即可得到處置，處置率可達(dá)100%[7]，進(jìn)入后一個(gè)填料塔的主要為NOX，習(xí)慣稱該柱為脫氮柱，也是本研究主要針對(duì)的裝置。

氮柱內(nèi)的微生物主要通過(guò)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(jìn)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(jī)理比較復(fù)雜，塔內(nèi)諸多因素都能夠影響NOx的脫除率。

運(yùn)用微生物廢氣凈化技術(shù)的裝置往往具有運(yùn)行費(fèi)用低、工藝設(shè)備簡(jiǎn)單、易于維護(hù)、脫除效率高、二次污染小等優(yōu)勢(shì)[1][2]。NOx是一類常見(jiàn)的大氣污染物，可由大量化石燃料燃燒過(guò)程中產(chǎn)生，是目前關(guān)注較多的大氣污染物。研究表明：運(yùn)用生物法在實(shí)驗(yàn)室條件對(duì)NOx不能達(dá)到穩(wěn)定處理。一項(xiàng)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(cè)性以及經(jīng)濟(jì)性等。因此還需要對(duì)生物法同步脫硫脫氮的機(jī)理作進(jìn)一步的研究。此外，人工智能及計(jì)算機(jī)技術(shù)的發(fā)展而產(chǎn)生了許多方法也為該實(shí)現(xiàn)該目標(biāo)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(xué)與計(jì)算機(jī)技術(shù)結(jié)合下的智能算法，主要模仿人腦對(duì)于信息的加工處理與反饋的過(guò)程。因此可通過(guò)將裝置運(yùn)行過(guò)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(duì)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(qiáng)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(guò)調(diào)整其連接權(quán)值和閾值即可對(duì)新的數(shù)據(jù)做出預(yù)測(cè)。

BP神經(jīng)網(wǎng)絡(luò)在環(huán)境領(lǐng)域也具有廣泛的運(yùn)用：張俊等將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于醫(yī)療垃圾焚燒爐溫度自動(dòng)控制當(dāng)中，實(shí)現(xiàn)了控制系統(tǒng)對(duì)焚燒溫度的自動(dòng)控制以達(dá)到更大焚燒效率[4]。陳作超等利用BP神經(jīng)網(wǎng)絡(luò)對(duì)生物滴濾塔對(duì)有機(jī)廢氣的處理過(guò)程進(jìn)行建模，取得了較好預(yù)測(cè)效果[5]。韓偉等在對(duì)造紙廠廢水的處置研究當(dāng)中，利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合NSGA-2等對(duì)處置過(guò)程進(jìn)行優(yōu)化，為廢水處理多目標(biāo)優(yōu)化方面提供了參考[6]。

1 研究對(duì)象

2 研究模型的建立

經(jīng)過(guò)前期的研究論證，主要采用的以下?tīng)I(yíng)養(yǎng)液pH值、循環(huán)量，通氣量，進(jìn)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(jìn)行控制，比較符合自動(dòng)控制實(shí)際，預(yù)測(cè)目標(biāo)是通過(guò)測(cè)定出氣口NOx濃度得到的脫除率。同時(shí)為了減少其它難測(cè)量或量化因素影響，同時(shí)也考慮到工業(yè)運(yùn)用的實(shí)際情況，測(cè)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(cè)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(duì)實(shí)驗(yàn)室產(chǎn)生的模擬煙氣進(jìn)行處置的裝置的，實(shí)驗(yàn)裝置的核心部分為兩個(gè)串聯(lián)的填料塔，每個(gè)單塔被分隔成上下兩段各段裝填有陶粒。通過(guò)一定方法使陶粒表面生長(zhǎng)出生物膜并通過(guò)滴灌營(yíng)養(yǎng)液維持其生長(zhǎng)。實(shí)驗(yàn)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(xiàng)數(shù)據(jù)輸入MATLAB并歸一化后，因本研究采用5個(gè)影響因素因此輸入層的神經(jīng)元為5個(gè)，預(yù)測(cè)的結(jié)果為脫除率故輸出層的神經(jīng)元數(shù)為1個(gè)。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(gè)神經(jīng)元，訓(xùn)練函數(shù)選擇“trainlm”、傳遞函數(shù)為“tansig”、學(xué)習(xí)函數(shù)采用“l(fā)earngdm”，性能函數(shù)為“mse”，隨機(jī)選取 60組數(shù)據(jù)中的70%作為訓(xùn)練數(shù)據(jù)。訓(xùn)練曲線如圖2所示

圖2 Matlab BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線

可以看出在經(jīng)過(guò)少量次數(shù)的迭代后均方差即可達(dá)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(jì)算時(shí)間短且訓(xùn)練周期短，這與所選取的Levenberg-Marquardt BP算法有關(guān)，該訓(xùn)練算法對(duì)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(yàn)證

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

圖4 NOX脫除率預(yù)測(cè)值與真實(shí)值的對(duì)比曲線

預(yù)測(cè)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(cè)作用，從實(shí)際的測(cè)量值看出，即使在較短的周期內(nèi)脫除率隨著時(shí)間呈毫無(wú)規(guī)律的變化，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)由于其本身特性可對(duì)該變化建立相關(guān)的模型并進(jìn)行預(yù)測(cè)。

4 結(jié)語(yǔ)

經(jīng)過(guò)研究論證，對(duì)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(cè)作用。

[1]毛永楊,鄒平,孫佩石.生物法煙氣脫硫脫氮研究進(jìn)展[C].中國(guó)環(huán)境科學(xué)學(xué)會(huì)學(xué)術(shù)年會(huì)論文集,2012:2136-2141.

[2]毛永楊,王海玉,孫珮石.生物法同時(shí)脫除高溫?zé)煔庵蠸O2和NOx的實(shí)驗(yàn)研究 [J].云南大學(xué)學(xué)報(bào)（自然科學(xué)版）,2012,34(2）:227-231.

[3]高平,劉志堅(jiān),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?jī)r(jià)預(yù)測(cè)[J].河北聯(lián)合大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）,2015,(2）:48-50

[4]張俊,熊桂林.基于BP算法的垃圾焚燒過(guò)程溫度控制研究[J].計(jì)算機(jī)測(cè)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(guò)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(guò)程多目標(biāo)優(yōu)化[J].造紙科學(xué)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(shí)用教程[M].浙江大學(xué)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(jiǎn)介王潔（1989—），男，江西人，碩士研究生，主要研究方向?yàn)榇髿馕廴局卫怼?/p>