当前世界环境

介绍

保护水资源作为人类需求最重要的物质被不同的国际大会被认为是越来越多的。人口增长导致一方面过度利用稀缺水资源的稀缺水资源，另一方面，人类的各种生物，农业和工业活动导致的污染激活了未来几年水危机的报警。因此，保留水资源的物理，化学和生物质量是许多组织的正面，以某种方式处理这些资源。（Mogens Henze，2007）。

活性污泥是一种好氧悬浮生长处理系统，由Ardern和Lockett在1914年开发，并在同一时间变得非常流行，因为它的过程包括产生活性微生物，这些微生物能够在好氧条件下被激活。考虑到它们的碱基是相似的，这个过程的许多版本在各地都被使用(Tchobanglous和Burton, 1991)。

利用人工神经网络(ANN)的智能可视化和错误检测技术来实现污水处理厂的最佳性能是近年来一个非常活跃的研究领域。人工神经网络作为一种现代建模技术，近年来受到越来越多的关注。这些模型适用于统计经典方法因其局限性而无法使用的情况下的预测和分类。因此，本研究试图设计合适的城市污水处理厂绩效评价模型，识别影响城市污水处理厂绩效的因素。灵敏度分析用于确定模型参数和结构变化的灵敏度。由于敏感性分析代表了模型的行为及其参数的变化，它可能是建模和评估模型的有用工具。

在选择应该估计的值时，建模通常有轻微的不确定性(Forrester and Breierova and Choudhari, 2001)。

方法和材料

大不里士污水处理厂位于大不里士以西4公里处的Qaramalek村，位于Ajichay河南侧，占地72公顷，容量为76.5万立方米^3./ D通过活性的SLUG工艺纯化的废水。该污水处理计划已于2025年计划的六百万人口计划。

利用数据

关于鳕鱼的删除，预计塔里兹污水处理厂6个月（从2013年6月开始）。该系统的评估变量包括环境空气和废水的温度，流速，pH，不透明度，碱度，悬浮固体（SS），COD，BOD5，废水和SULLAGE流，以及过滤教育功能的各种单元。

神经网络建模

反向传播算法

预处理

预处理是对神经网络权值进行预处理的必要条件。选择权值影响使网络在减小误差或收敛方式上达到一般模式或区域。在神经网络中，数据的归一化是非常重要的。赫克特-尼尔森建议在训练过程中使用两组不同的数据。其中一组用于调整权重，另一组用于计算误差的时间间隔。如果第二个训练集中的误差继续下降，则训练是连续的。当训练集中的误差开始增加时，网络开始记忆训练模式(在MATLAB的神经网络工具箱中称为验证)。因此，训练部分将停止(科纳尔，1999年)。

在隐藏神经元和隐藏层的数量之前已经定义了网络的结构。选择了Hecht-Nielsen（1987）所定义的神经元和隐藏层数的局限性，以及Roger和Dowla（1994）作为本研究的基础。

编码和Matlab神经网络工具箱

神经网络工具箱和Gui

开发此模型由Matlab版本2013从Math Works公司完成。

神经网络工具箱主要用于本研究，从先前开发的神经网络使用书面码来自动产生人工神经网络，以便提取更准确的结果。

matlab编码

编写了MATLAB程序开发该模型，实现了污水处理厂人工神经网络的自动生成。这段代码的作用与人工神经网络GUI相同。

模拟处理过程

选择单污泥过程（SSP）的模拟，因为它是一种非常强大的模拟器，用于激活的SLUIT过程，如硝化和反硝化。此外，选择这种模拟器的其他原因之一是在许多模拟研究中成功实现（SIN，2000）。

处理模式由1到9个反应器组成，完全混合。SSSP软件中的动态解决方案可用于计算进气浓度和流量的质量平衡方程的解决方案，这在超过24小时的周期内会发生变化。SSSP软件自动计算出平均流速和流量质量的平均浓度，并用它们来比较普通数值积分的起点。然后计算机重复这个整合超过24小时的周期，直到浓度的变化从一个周期到另一个周期停止。换句话说，计算机计算每天24小时接收输入周期的系统的响应(Bidstrup和Grady, 1987)。

预测的准确性通常通过提供之前未引入网络的数据来评估，并且根均方误差（RMSE）的能力称为泛化（R）。在这方面，使用用于验证所设计的网络的相关系数，平均绝对百分比误差（MAPE）和平均误差（MAE）。

其中，n是预测的数量;y_行为为实际观测值;真正的观测值;y_美东时间为预测值;E²_行为是真正观察价值的平均值;和è²._美东时间是从模型中提取的预测值的平均值（Mehdipour和Shokouhiyan，2012）。

结果

本研究采用人工神经网络对活性污泥处理单元进行建模。其中一个项目是使用SSSP模拟器开发的污水处理厂，第一版，另一个是在伊朗大不里士的真正的处理项目。

利用SSSP的默认参数和动态废水中细颗粒的默认数据，代表污水处理厂简单地构建了假定的污水处理厂，并得到了污水的因变量值。下面，以一个真实的污水处理厂为例，利用获得的数据建立神经网络模型。编写了基于误差面自动搜索过程的MATLAB代码，以确定训练模型预测中的最小误差。

处理过程模拟模型的研究

通过SSSP仿真数据程序开发神经网络模型

神经网络的开发首先通过一个隐藏层手工完成。在熟悉神经网络GUI工具箱后，使用所开发的模型自动生成代码。根据建模用户手册的研究，实现了两个培训功能(Trainbr和Trainb)。代码很简单，工作原理如下:

每个训练函数的隐藏神经元数量从2到10变为10（基于算法）。提供了第十三次训练功能，用于通过神经网络MATLAB工具箱实现反向传播算法。为每个训练功能的不同隐藏神经元的九个神经网络模型为2到10层，因此开发了每个完整的代码的117个模型。

使用工具箱Gui开发神经网络模型指南

人工性能表明，隐层有3个隐神经元的模型误差最小，与主数据的协调性最好。神经网络模型的所有其他特征在运行过程中保持不变。在此基础上，选取具有1个隐层和3个隐神经元的模型作为最优模型，在训练过程中训练速率会发生变化。epoch周期的大小在6000时显著减小，因为在这一点之后均方误差的显著减小不明显。因此，性能在纪元6000时停止(表1)。

表1:神经网络每次运行的试验说明 点击这里查看表格

大不里士污水处理厂神经网络模型的数据研究

大不里士污水处理厂数据准备

大不里士污水处理厂的神经网络模型使用了两个不同的数据集。在建模过程中，从系统中选取8个变量建立神经网络模型。在模型开发过程中使用不同的数据组合。模型中使用的系统变量包括固体保持时间(c)、细颗粒流速(Q_INF.)、细颗粒的pH值、细颗粒的水温(T_INF.)、COD细颗粒浓度、MLSS、污水COD、废水TSS及初沉池段塞产率。这些变量单独使用或相互结合，以预测处理厂纯净水的废水COD浓度。许多变量的组合被使用，数百个模型被开发和训练来评估预测的有效性。数据准备是通过从主数据集中消除空值来完成的。原始数据是由大约6个月的每日测量和150天的测试开始建立的，除了周五，其中包括约450个数据。

来自大不里士处理厂的数据的预处理是通过将输入和输出数据分配到[0,1]或[- 1,1]范围来开发模型。对所有数据点进行如下转换:

对于区间[0,1]:

每个数据变量应该使用具有非线性传递函数的输入数据的标准化进入神经网络模型，例如Logsig，Tansig和具有相等的权重。因此，数据应分别由间隔（5）和（6）中的等式（5）和（6）缩放，分别在[0,1]和[-1,1]中。

在执行区间[- 1,1]时没有得到好的结果。在这些运行中，脚本首先使用一个隐藏层进行测试。然后根据Hecht-Nielsen(1987)定义的准则改变隐藏神经元的数量。在这些运行中，最大相关系数达到0.4。隐藏层的数量，然后提高到2层。这logsig区间[1,0]使用变换函数tansig变换函数用于区间[- 1,1]，使用相同的数据。有可能在多层模型中使用转换函数的组合，在一层中使用特定的转换函数，在另一层中使用另一转换函数。在使用两个隐藏层(tansig-tansig, logsig-logsig, tansig-purelin等)的情况下，这个函数中的一些可能的组合如下。

为大不里士处理厂开发安

MATLAB软件用于自动创建神经网络模型，并使用Tabriz处理设备的数据。通过确定一起使用的变量的组合来启动执行脚本。使用许多可变组合，并且当通过视觉判断和考虑相关系数之间的实际数据之间存在良好的协调并考虑相关系数，r，r，r，试图继续，当存在可接受的拟合时。在Sullage Cod数据中观察到最佳配件，与MLSS，TSS_eff.和问：_INF.在组合25和r = 0.898的效率。基于观察结果，组合25中的指定变量单独使用，也可以作为配合使用，以在脚本中创建新子集，并进行测试以查找改进的结果。测试变量的组合在表（2）中提供。

表2：被测变量组合 点击这里查看表格

除了可变组合变化的手册外，脚本自动导致隐藏神经元数量的变化，以改善输出。这里的输出是预测Sullage Cod。所有这些运行都是针对不同的隐藏层执行的。在第一次运行中，只有一个隐藏的层和隐藏的神经元数量从1到9的变化。如前所述，如前所述，在方法和材料部分中解释，在神经网络的Matlab工具箱中有13个训练功能，用于基部背传播算法。此脚本使用这些连续功能产生神经网络模型（表1）。这tansig和logsig传输函数在不同的脚本中执行。然后，使用两个隐藏层的ANN的脚本使用相同的方法。通过具有两个隐藏图层的脚本中下一步运行的隐藏神经元的数量也是两个隐藏层的1到9。

在相关系数最高的情况下，计算出神经网络模型的最佳拟合。

图1:神经网络模型中的回归输出 点击这里查看图

均线误差在图2中的训练会话中获得了最佳运行。（4）。在验证过程完成后，培训课程停止了48期。停止培训会议的三个规则：1）实现将平均方误差减少为零，2）从特定金额的故障数量越来越高，3）达到给定时期的最大数量（2000期这里）。2的停止标准在此处使用以停止培训课程。表3中提供了基于隐藏层中的神经元数的不同迭代以及隐藏和输出层的刺激功能，用于模拟定性参数鳕鱼的变化。所有模型都在培训和评估阶段。

表3:网络不同模型在训练和评估阶段的性能 点击这里查看表格

因为它从表(3)可以看出,尽管Trial3导致的网络训练最好的训练阶段,但Trial2的网络培训提供了更好的结果相比与其他培训评估阶段和进一步推广力量对其他培训。

表4:大不里士污水处理厂投入产出特性的相关系数

特征			输入
			生化需氧量	鳕鱼	TS	TSS	T	pH值
大不里士处理厂的产量	生化需氧量	R	0.383**	0.212	0.314**	-0.079.	-0.211	-0.156
		团体。	0.001	0.062	0.005	0.493	0.063	0.172
	鳕鱼	R	0.428	0.259**	0.271＊	-0.149	0.075	0.223＊
		团体。	0．000	0.020	0.015	0.191	0.511	0.047
	TS	R	-0.054	-0.202	0.350**	-0.042	0.361**	-0.092
		团体。	0.641	0.073	0.001	0.713	0.001	0.418
	TSS	R	0.491**	0.391**	-0.325**	0.876**	0.022	0.428**
		团体。	0．000	0．000	0.003	0．000	0.846	0．000
	T	R	0.116	-0.081	0.232＊	0.158	0.938**	0.347**
		团体。	0.312	0.478	0.039	0.165	0．000	0．002
	pH值	R	0.474**	0.333**	0.121	0.323**	0.172	0.769**
		团体。	0．000	0.003	0.283	0.004	0.128	0．000
＊有意义的0.05和**在0.01级有意义

下表显示了最大效率的消除处理厂等于94%,TSS污染物有关,和最小= 38%,TS参数有关,因此上述污染物的清除效率估计的神经网络在95年和37%,分别这些值与观测值非常接近，表明神经网络具有良好的性能。

表5:处理厂和神经网络输出的定性特征的消除效率的比较

定性的特点		T (oC)	鳕鱼(毫克/升)	BOD（MG / L）	TS(毫克/升)	TSS（MG / L）	pH值
塔博尔治疗厂	输入	23.77	258.01	159.62	644.84	243.63	7.90
	观察	21.00	24.06	11.19	439.48	7.29	7.35
	消除效率	11.63	90.67	92.99	37.85	94.01	6.89
神经网络	输入	23.77	258.01	159.62	644.84	243.63	7.90
	估计	20.94	22.07	11.98	454.22	7.35	7.35
	消除效率	11.92	91.45	92.50	36.97	95.11.	6.95

通过为Tabriz处理设备运行脚本25而获得神经网络模型。在此脚本中使用并执行的系统变量包括：流量子速度，TSS SULLAGE和MLSS。日常数据等于99用于开发模型。数据分为培训，验证和测试的三个部分。50％的数据（天1至49）被视为培训数据，25％（第50至74天）作为验证集，其余的数据（天75到99）作为测试数据。

图2:在最佳神经网络模型下预测COD, R=0.897 点击这里查看图

图3:回归分析最佳神经网络 点击这里查看图

使用MATLAB脚本，在表4-6中表示最佳结果。背部传播算法的名称，变量74，表（4）的组合数，隐藏神经元的数量以及整体相关系数的数量在这些表中表示。

图4:神经网络中COD的平均误差预测 点击这里查看图

神经网络模型可以作为两步过程培训。在第一步，FGF。在这种情况下，在表（6）的集合25中使用指定的变量，并由这些识别的变量使用新组合。

表6:在Matlab中的第25次代码中的最佳结果 点击这里查看表格

结果和讨论

在本研究中，通过多层神经网络模拟了塔里兹废水处理厂的性能，使用这种先进模型在六个月的时间内评估治疗厂的性能。Tabriz的污水处理厂是在使用神经网络模型的过程的方面建模，并通过研究推定发达的污水处理厂与单一激活的污泥工艺和SSSP软件以及系统的经验。分析了所发育的神经网络模型的模拟结果，用于推定治疗厂。具有SSSP的神经网络模型的推定污水处理设备建模中获得的最高相关系数为0.980。本研究中所考虑的输入变量包括：总溶解固体（TDS），原始污水温度（T），总悬浮固体（TSS），化学需氧量（COD），生物化学需氧量（BOD），混合液悬浮固体（MLSS）和混合液挥发性悬浮固体（MLVS）。COD的浓度也被认为是输出变量。使用来自Tabriz废物处理设备的真实数据，获得最佳和最合适的神经网络模型作为R等于0.898，表示考虑输入数据中的错误的相对高的准确性。完成工业污水处理厂的建模是非常困难的，因为这些复杂过程的非线性和流入特性的广泛变化，如组成，强度和流速的速度，以及生物处理的时间变化和性质。本研究的所得结果表明，多层设计的神经网络具有八个输入（MLS，COD，BOD，TSS，T，pH，TDS和MLVS），并且还在预测输出的浓度时做得很好SULLAGE COD和估计塔里兹污水处理厂的性能关于高相关系数和最小误差。 The network Trial2, which is selected as the best model, has the highest correlation coefficient (0.8846), minimum RMSE (10.827), and mean absolute error (7.373) at the evaluating stage. The results indicate that this model has further generalizing power than the others. Therefore, it can be said that ANNs could be used for estimating the performance of sewage treatment plants with an acceptable confidence. The ANN modeling technique has desirable properties such as performance, generalization and simplicity, which makes it to be an ideal choice for modeling complex systems like the sewage treatment processes.

参考

1. Al-Asheh, S.， Alfadala, H.E.，人工神经网络黑箱模型用于污水处理厂绩效预测，《环境管理学报》，83(3)，第329-338页。（2007）
2. Arsiwala，《废水处理》，Ahmad Reza Yazdanbakhsh和Kazem Nadaghi翻译，Fardabeh出版社。(1993)
3. 巴格里。阿德比廉，P.， Nabi 'ei, A.，和巴格里。阿德比廉，M.， 2008年污水处理厂效率评价，第十二届环境卫生会议。（2009）
4. Bidstrup，S.M.和Grady Jr.，C.P.L.SSSP ^单污泥工艺的仿真。J.浇水污染。控制美联储。60,351 ^ 361，（1988）
5. 神经网络入门:IØŒ AI ExpertØŒ DecemberØŒ 46-52。(1987)
6. Kermani，M.，效率提升和经济增强稳定池污水处理厂，第二届环境管理和规划会议。(2012)
7. Hamoda，M.F.，Al-Gusain，I.A.，Hassan，A.H.，使用人工神经网络，水科学和技术的综合废水处理厂绩效评估40øœ55-69。（1999）
8. Hecht-Nielsen，R。“Kolmogorov的映射神经网络存在定理。”第一个IEEE国际神经网络联席会议的诉讼程序，纽约11-14，（1987）：Mehdi倒
9. NASR，M.S.，Moustafa，A.E.和Seif，A.E.，，人工神经网络（ANN）在预测El-Agamy废水处理厂的性能 - 埃及，亚历山大工程杂志，51（1），37-43。(2012)
10. toorghabeh, A. & Shokuhian, M.;考虑输入参数对人工神经网络预测工业污水COD精度的影响，第六届全国环境工程学术会议。(2012)
11. Pasha Zanoosi，S.，Abbasi，M.，Devanorab，H和Ayati，B。，评估废水处理厂的方法：Gheytarieh废水处理厂案例研究，第二次国家水和废水与使用方法。（2008）
12. Ráduly, B., Gernaey, K.V., Capodaglio, A.G., Mikkelsend, P.S., and Henzed, M., artificial neural networks for rapid WWTP performance evaluation: Methodology and case study, Environmental Modelling & Software, 22(8), 1208–1216. (2007)
13. Roger, L.L.， Dowla, F.U.“利用并行溶质运移模型的人工神经网络优化地下水修复”。水资源研究30(2)457-481 (1994):
14. SIN，G.“ANM1敏感参数和抗ANKARA废水处理厂的敏感参数和仿真研究。”多发性硬化症。论文，Metu（2000）
15. ..斯托拉尼尼扎，A.，Afsahi，M.，Nakha'di Zadeh，G.，＆Chalkesh Amiri，M。，评估统计和人工智能模型，在污水处理过程中建模，全国水/废水工程科学会议。(2012)
16. 陈志强，陈志强，陈志强，等。基于神经网络模型的工业污水处理系统性能评价。环境工程学报，2014,31(4):559 - 564。(2012)
17. Tchobanoglous，G.，Burton，F. L.“废水工程：治疗，处置和重用。”McGraw-Hill系列在水资源和环境工程中，（1991）。