灰色神經網絡在MBR曝氣強度中的應用研究

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，曝氣強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，本研究首先運用灰色模型對中空纖維膜不同使用階段中的最佳曝氣強度值進行粗略預測。再將影響膜過濾性能的三個因素作為BP神經網絡的輸入，不同膜清洗次數后的最佳曝氣強度作為輸出，進行曝氣的BP網絡模型預測。最后將灰色模型的預測值及影響膜過濾性能的三個因素作為灰色神經網絡的輸入，最佳曝氣強度作為輸出，進行曝氣的灰色神經網絡預測。通過對兩個神經網絡模型的預測結果對比分析，得出結論灰色神經網絡模型優于BP神經網絡模型。

關鍵詞：MBR：膜污染：曝氣強度：灰色系統：灰色神經網絡

中圖分類號：TP389.1 文獻標識碼：A

1 引言（Introduction）

MBR污水處理技術問世以來，膜污染問題一直是其發展的瓶頸，其導致膜通量下降，增加組件更換和清洗的頻率，從而增加運行費用[1，2]。在MBR處理廢水的實際生產過程中，膜組件的過濾性能會隨著膜清洗次數的增加而逐漸衰減，隨之也導致膜通量的下降。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置合適曝氣的強度有利于延緩膜污染[3]。

針對曝氣強度的預測研究，首先使用GM（1，1）灰色系統預測每個階段最佳曝氣強度的變化趨勢。GM（1，1）作為灰色系統理論的重要內容，其突出特點是建模過程簡單，模型表達簡潔，便于求解，應用廣泛[4]。BP神經網絡在預測領域有著比較成熟的應用[5]，因此再建立輸入為膜清洗的次數、膜清洗時長、膜清洗藥劑濃度，輸出為最佳曝氣強度的BP預測模型。最后建立灰色系統與BP結合的灰色神經網絡模型，并經過實驗對比分析兩個神經網絡模型的預測識別正確率。

2 最佳曝氣強度（Optimum aeration intensity）

浸沒式MBR運行過程中，曝氣量過大，易導致污泥破碎，影響混合液過濾特性，進而加劇膜污染，降低膜通量。曝氣量過小又會導致溶解氧不足，必將對物生物的降解產生不利影響，增加膜的負荷，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 最佳曝氣強度影響因素

為有效的控制膜污染，最佳曝氣強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、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的增大而衰減，從而清洗過后的再使用階段需要相應的增加曝氣強度值。

2.2 最佳曝氣強度值的實驗確定

最佳曝氣強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。對上述七組實驗每天記錄膜組件跨膜壓差的值，當跨膜壓差達到0.04MPa時停止試驗，因為此時膜堵塞非常嚴重。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系，如圖1所示。

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

3 灰色系統和神經網絡理論（Grey system and neural network theory）

3.1 GM（1，1）灰色系統的基本原理

GM（1，1）算法已廣泛應用于社會、經濟、生態、工程預測控制等領域。因適應貧信息，抗噪聲能力強。顯示出比傳統預測方法更大的優越性。該算法的基本思想是：將原始信息數據序列通過一定的數學方法進行處理，通常采用累加或累減生成方法，轉化為微分方程來描述系統的客觀規律。灰色系統預測是一種通過原始數據的處理和灰色模型的建立，發現、掌握系統發展規律，對系統的未來狀態做出科學的定量預測。能夠較好的預測變化的總體趨勢。

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

3.2 BP神經網絡預測模型原理

BP網絡是一種按誤差逆向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。能夠學習和存儲大量的輸入—輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。

BP神經網絡的學習狀態是有導師的學習，其算法是將一組訓練集（training set）送入網絡，根據網絡的實際輸出與期望輸出間的差別來調整連接權。有導師學習算法的主要步驟包括：

（1）從樣本集合中取一個樣本（Ai，Bi）。

（2）計算網絡的實際輸出O。

（3）求D=Bi-O。

（4）根據D調整權矩陣W。

（5）每個樣本重復上述過程，直到對整個樣本集來說，誤差不超過規定范圍。

BP網絡算法的流程圖，如圖2所示。

3.3 灰色神經網絡預測模型原理

灰色神經網絡既是灰色理論與神經網絡的組合，其組合方法有并聯型灰色神經網絡和串聯型灰色神經網絡兩種模型。并聯灰色神經網絡是單項模型的線性加權和，沒有考慮到單項模型預測結果之間的非線性關系。串聯型灰色神經網絡只將灰色預測模型的預測結果作為輸入，忽略了其他影響因素對預測結果的影響。基于此，采用改進的串聯灰色神經網絡，如圖3所示。將灰色模型的預測結果和影響曝氣量的其他因素作為BP神經網絡的輸入，通過訓練神經網絡，實現預測值與實測值的最佳擬合。

4 最佳曝氣預測模型的建立

把實驗測得的最佳曝氣強度值作為預測模型的初始數據輸入，分別進行灰色系統預測和灰色神經網絡預測。

4.1 最佳曝氣GM（1，1）灰色預測的建立

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

4.2 最佳曝氣BP神經網絡預測模型的建立

由于BP神經網絡能夠使得多元函數進行非線性的擬合并預測，本模型將影響膜過濾性能的因素膜清洗的次數、膜清洗時長、膜清洗藥劑濃度作為輸入，輸出為最佳曝氣強度值。簡單的BP神經網絡預測曝氣強度值模型圖，如圖5所示。

4.3 最佳曝氣灰色神經網絡預測模型的建立

將實驗獲得的膜清洗次數大于兩次的實驗數據作為最佳曝氣強度灰色神經網絡組合預測模型的輸入，其中數據包括灰色系統預測的結果值和影響膜過濾狀態再而導致曝氣強度值的膜清洗次數、膜清洗時長、膜清洗藥劑濃度。此模型的結果輸出為最佳曝氣強度值。圖6為最佳曝氣強度灰色神經網絡組合模型圖。

5 結果分析（Result analysis）

我們將MBR實驗獲得的膜清洗次數、膜清洗時長、膜清洗藥劑濃度、最佳曝氣強度等數據用于上述灰色系統、BP神經網絡模型、灰色神經網絡模型進行計算機仿真預測。

5.1 GM（1，1）灰色預測結果分析

將MBR實驗獲得膜清洗0—2次所對應的最佳曝氣強度值作為灰色系統的輸入，通過MATLAB程序實現對膜清洗3—10次后所對應最佳曝氣強度值。預測的結果，如圖7所示。

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

5.2 BP神經網絡預測結果分析

通過MBR實驗獲得90組關于膜清洗次數、膜清洗時長、膜清洗藥劑濃度、最佳曝氣量的數據，隨機選其中80組作為BP神經網絡的輸入，進行網絡訓練，建立網絡模型，再將剩下的10組作為該模型的測試數據輸入進行測試。通過MATALB程序實現結果，如圖8所示。

通過BP神經網絡模型預測結果分析，可知BP神經網絡識別的正確率為80%。

5.3 灰色神經網絡預測結果分析

將MBR中獲得的90組數據中，對應相應的膜清洗次數添加灰色系統預測的結果，從而也將灰色系統預測的結果作為灰色神經網絡的輸入，接著進行網絡訓練，建立灰色神經網絡預測模型。使用同樣的10組添加了灰色系統預測結果的數據作為該模型的測試數據，進行該灰色神經網絡的測試。通過MATALB程序實現結果，如圖9所示。

通過灰色神經網絡模型預測結果分析，可知灰色神經網絡模型識別正確率為90%。

6 結論（Conclusion）

本文在查閱了大量的關于MBR中膜污染相關的國內外文獻后，先得出最佳曝氣強度值受到膜清洗次數、膜清洗時長、膜清洗藥劑等影響的理論知識，并進行相應的MBR實驗研究得出相應的實驗數據。再結合數學模型和計算機中的神經網絡算法對求得的最佳曝氣強度值進行模擬仿真。通過簡單的BP神經預測模型和灰色神經網絡組合預測模型的正確識別率進行對比分析，可知組合的灰色神經網絡模型能夠更加精確的預測出膜清洗后的下一使用階段的最佳曝氣強度值。

參考文獻（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，Francesco 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測[J].環境科學與管理，2012，01：48-53.

[5] 黃麗.BP神經網絡算法改進及應用研究[D].重慶師范大學，2008.

[6] 王運超，等.MBR動態曝氣及其在膜污染控制中的應用研究[J].水處理技術，2016，02：92-95；99.

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

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

作者簡介：

史亞威（1991-）， 男， 碩士生.研究領域：MBR計算機模擬仿真，大數據與云計算

李春青（1962-）， 男，博士， 教授.研究領域：MBR計算機模擬仿真，大數據與云計算.