發(fā)布時(shí)間：2018-07-27 19:25

【摘要】：水污染問(wèn)題隨著世界經(jīng)濟(jì)的快速發(fā)展變得日益嚴(yán)重,如何預(yù)防和治理污水的問(wèn)題成為許多學(xué)者的研究焦點(diǎn)。膜生物反應(yīng)器(MBR)是一種新型高效的污水處理技術(shù),它很好的結(jié)合了膜分離技術(shù)和生物反應(yīng)技術(shù),現(xiàn)在已廣泛應(yīng)用于生活污水,有機(jī)廢水和工業(yè)廢水等污水治理領(lǐng)域。膜污染會(huì)影響MBR膜分離裝置的性能,嚴(yán)重的膜污染會(huì)導(dǎo)致膜通量的降低和膜使用壽命的縮短,這將增加MBR系統(tǒng)的運(yùn)行成本。因此,對(duì)膜污染機(jī)理和預(yù)測(cè)控制方法的研究就是要確保膜生物反應(yīng)器能夠在穩(wěn)定的低能耗條件下實(shí)現(xiàn)較大通量的運(yùn)行。本文對(duì)膜生物反應(yīng)器的工作機(jī)理、膜污染形成過(guò)程、膜污染影響及控制因素等基本問(wèn)題進(jìn)行了分析討論。針對(duì)膜污染涉及的影響因素較為復(fù)雜的問(wèn)題,首先通過(guò)主成分分析(PCA)方法選取出三種貢獻(xiàn)率在95%以上的膜污染因子:混合液懸浮固體(MLSS)、操作壓力(△P)和溫度T。設(shè)定這三個(gè)影響因子為MBR膜污染仿真的三大輸入?yún)?shù),以膜通量作為輸出參數(shù),建立基于RBF神經(jīng)網(wǎng)絡(luò)的的膜污染智能仿真預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)膜污染的預(yù)測(cè)控制。引入遺傳算法,利用其突出的尋優(yōu)特點(diǎn)對(duì)RBF預(yù)測(cè)模型的誤差、訓(xùn)練速度、最大神經(jīng)元數(shù)目以及神經(jīng)元的間隔四個(gè)參數(shù)進(jìn)行優(yōu)化,提高RBF網(wǎng)絡(luò)的仿真性能。整個(gè)實(shí)驗(yàn)過(guò)程采用MATLAB編程實(shí)現(xiàn),結(jié)果表明,通過(guò)遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)精度有明顯提升,達(dá)到了預(yù)期效果。整個(gè)實(shí)驗(yàn)過(guò)程具有一定的理論價(jià)值和實(shí)踐意義,對(duì)MBR實(shí)際工程應(yīng)該可以起到積極的指導(dǎo)作用。由于膜污染的過(guò)程會(huì)產(chǎn)生大量數(shù)據(jù),對(duì)污染數(shù)據(jù)進(jìn)行存儲(chǔ)和處理,能夠更加便利的了解MBR系統(tǒng)不同時(shí)間段的膜污染狀態(tài),再結(jié)合膜污染預(yù)測(cè)模型的高精度預(yù)測(cè)功能,可以整體提高對(duì)膜污染的應(yīng)對(duì)能力。Hadoop是目前應(yīng)用最廣泛的大數(shù)據(jù)處理平臺(tái),具有分布式處理信息的能力,將其引入MBR工藝中,利用Hive的批處理特性以及Impala的實(shí)時(shí)查詢功能存儲(chǔ)并處理龐雜的海量數(shù)據(jù),構(gòu)建分布式MBR膜污染數(shù)據(jù)存儲(chǔ)分析平臺(tái),為控制膜污染進(jìn)程提供了便利的信息化處理平臺(tái)。
[Abstract]:With the rapid development of the world economy, the problem of water pollution becomes more and more serious. Membrane bioreactor (MBR) is a new and efficient wastewater treatment technology, which combines membrane separation technology and biological reaction technology. It has been widely used in sewage treatment fields such as domestic sewage, organic wastewater and industrial wastewater. Membrane fouling will affect the performance of MBR membrane separation device, and serious membrane fouling will lead to the decrease of membrane flux and the shortening of membrane service life, which will increase the running cost of MBR system. Therefore, the study of membrane fouling mechanism and predictive control method is to ensure that the membrane bioreactor can achieve large flux operation under stable and low energy consumption conditions. In this paper, the working mechanism of membrane bioreactor, the formation process of membrane fouling, the influence of membrane fouling and the control factors are analyzed and discussed. In view of the complex factors involved in membrane fouling, three kinds of membrane fouling factors, which contribute more than 95%, were selected by principal component analysis (PCA) method: the operating pressure (P) and temperature (T) of suspension solid (MLSS),. The three influence factors are set up as the three input parameters of MBR membrane fouling simulation. The membrane flux is taken as the output parameter, and the intelligent simulation prediction model of membrane fouling based on RBF neural network is established to realize the predictive control of membrane fouling. Genetic algorithm is introduced to optimize the four parameters of RBF prediction model, such as error, training speed, maximum number of neurons and the interval of neurons, so as to improve the simulation performance of RBF network. The whole experiment process is realized by MATLAB programming. The results show that the RBF neural network optimized by genetic algorithm can obviously improve the prediction accuracy and achieve the expected effect. The whole experiment process has certain theoretical value and practical significance, and should play a positive guiding role in the practical project of MBR. Because the process of membrane fouling will produce a large amount of data, the fouling data can be stored and processed, which can be more convenient to understand the membrane fouling status in different time periods of MBR system, and then combine the high precision prediction function of membrane fouling prediction model. Hadoop is the most widely used big data processing platform at present, which has the ability of distributed processing information. It is introduced into MBR process. Using the batch processing characteristic of Hive and the real-time query function of Impala to store and process massive data, a distributed MBR membrane fouling data storage and analysis platform is constructed, which provides a convenient information processing platform for controlling membrane fouling process.
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：X703;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 石樂(lè)明;唐宏志;周家駒;;神經(jīng)網(wǎng)絡(luò)及其在化學(xué)中的應(yīng)用[J];化學(xué)通報(bào);1992年11期

2 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預(yù)報(bào)控制中的應(yīng)用[J];機(jī)床;1993年11期

3 楊自厚;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在鋼鐵工業(yè)中的應(yīng)用第8講人工神經(jīng)網(wǎng)絡(luò)在鋼鐵工業(yè)中的應(yīng)用(下)[J];冶金自動(dòng)化;1997年05期

4 李潤(rùn)生,李延輝,胡學(xué)軍,劉壯,王守儉;神經(jīng)網(wǎng)絡(luò)在冶金中的應(yīng)用[J];鋼鐵研究;1998年02期

5 劉海玲,劉樹深,尹情勝,夏之寧,易忠勝;線性神經(jīng)網(wǎng)絡(luò)及在多組分分析中的初步應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2000年Z1期

6 王繼宗,王西娟;用神經(jīng)網(wǎng)絡(luò)確定梁上裂紋位置的研究[J];煤炭學(xué)報(bào);2000年S1期

7 趙學(xué)慶,袁景淇,周又玲,賀松;生物發(fā)酵過(guò)程神經(jīng)網(wǎng)絡(luò)狀態(tài)預(yù)報(bào)器的驗(yàn)證[J];無(wú)錫輕工大學(xué)學(xué)報(bào);2000年06期

8 李智,姚駐斌,張望興,賀超武;基于神經(jīng)網(wǎng)絡(luò)的混勻配料優(yōu)化方法[J];鋼鐵研究;2000年04期

9 胡敏藝,馬榮駿;神經(jīng)網(wǎng)絡(luò)在冶金工業(yè)中的應(yīng)用[J];湖南有色金屬;2000年05期

10 倪建軍,邵琳;利用神經(jīng)網(wǎng)絡(luò)進(jìn)行觀測(cè)數(shù)據(jù)的分析與處理[J];連云港化工高等�？茖W(xué)校學(xué)報(bào);2000年04期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛(ài)克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過(guò)鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛(ài)民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：2148900