当前的世界环境

介绍

工业发展一方面与工业和技术有直接关系，另一方面与破坏和污染有直接关系。随着工业社会的出现以及人类社会对工业和工业过程的日益依赖，危险废物的管理已成为当今世界最严重的问题之一，因此，为了确保地球生物的健康成长和现在和未来的发展，污染分析和减少其破坏性影响到合理的程度，并朝着可持续发展的方向发展是紧迫的(Mahnaz Pashazadeh, 2010)。工业单位的污水排放就是这些问题之一(Chalkesh Amiri, 2010)。污水处理厂的故障可能对环境和公共健康造成严重问题(Alireza Mehdipour Torghabeh, 2012年)。因此，一个工业污水处理厂的性能基本上与工艺工程师在当地的经验有关，他指定了处理厂的特殊位置(Mohammad Shokuhiyan, 2012)。对工业污水进行更全面的处理变得更加重要，因为工业废物的不当处理会对环境产生不利影响(Khosravi et al.， 2013)。由于有机物质和矿物的存在，工业污水在环境中处置时会耗尽地表水和地下水(Metcalf, 2003年);因此，优化和改善污水处理厂的现状在环境领域中占有重要的地位。这就是每一个改进都需要在当前情况和新情况下进行评估的地方(Khosravi et al.， 2013)。 However, the prediction of efficiency and performance of the system is not possible by the normal methods because of the complexities in the industrial units. Thus, using artificial intelligence methods such as fuzzy logic and artificial neural networks could simplify this evaluation (Dogan, 2008) and even make the prediction of the system’s performance possible (Guclu & Dursun, 2010). Artificial Neural Networks (ANNs) have been under special consideration in recent years as one of the modern methods in modeling. ANNs could be utilized in modeling the treatment plant processes because of their accuracy and perfect applications and flawless engineering. Therefore, the present study tries to predict the pollutant removal amount of the sullage treatment plant at the Shahid Salimi industrial town using ANNs.

方法和材料

人工神经网络是一种处理信息的思想，它受到生物神经系统的启发，像大脑一样处理信息。这一思想的核心是信息处理系统的新结构。该系统由大量超紧凑的加工元件组成，它们相互配合，共同解决问题。

神经网络具有从复杂或不精确的数据中获得意义的显著能力，可用于提取模式和识别方法，这些方法对人类或其他基于计算机的技术来说非常复杂或难以理解。经过训练的神经网络可以被认为是引入要分析的信息概念的专家。

神经网络的优点

适应性学习:根据训练或初步经验所引入的信息，学习完成任务的方法的能力。

自我组织：人工神经网络可以创建其组织或介绍在培训阶段期间收到的信息。

实时:人工神经网络的计算可以并行执行，专门设计了硬件来使用这种能力。

编码信息时不中断的容错能力:部分损坏会导致网络性能下降，但即使有巨大的损坏，网络的某些能力仍然可以保持。

神经网络的学习

监督学习-升级学习-没有监督的学习

神经网络建筑

单层Neywork

层中的两个或更多个神经元可以彼此相结合。可以建立一个或多个像这样的网络。

多层网络

两个或更多的神经元可以在一层内相互结合。一个特殊的网络可以由许多层组成。网络中的每一层都有自己的权值矩阵、偏置向量和输出。这种网络以两层形式在反向传播误差网络中有着广泛的应用。

Levenberg-Marquardt训练算法

Levenberg-Marquardt训练算法受益于高速融合，因为它不需要解决Hessian矩阵并由Jacobian矩阵替代。应当注意，当雅加诺矩阵的大小很大时，在计算时可能发生一些问题，当然存在不​​需要计算雅比亚矩阵的所有元素的方法。此处使用该算法是因为其学习能力和高效率（Russell和Norvig，2003）。预测的准确性通常通过提供网络之前未面临的数据来评估，这被称为网络的均方根误差（RMSE）的网络能力，泛化（R）。为此目的，相关系数的标准用于评估设计的网络平均值绝对百分比误差（MAPE）和平均误差（MAE）。

在这,N为预测次数;Y_行为为实际观测值;真正的观测值;Y_{美国东部时间}是预测的价值;²._行为是真正观察价值的平均值;和è²._{美国东部时间}是模型提取的预测值的平均值(Mehdipour和Shokouhiyan, 2012)。

结果

从位于大不里士Shahid Salimi工业城镇的Shahid Salimi处理厂接收的数据被用作一个黑箱模型，用于训练神经网络和建模处理过程。数据的统计分析将在第一节中解释。然后讨论MATLAB软件神经网络工具箱中需要用到的数据准备。这种准备包括选择适当的输入和对网络的输入输出进行预处理。建模的结果及其准确性将在下一节中提出。

统计分析

该研究中使用的数据等于2012年和2013年的162年测量数据，从位于位于塔德里兹的Shahid Salimi工业镇的Shahid Salimi治疗厂实验室。处理设备的输入和输出中的测量变量的图表如图（1）所示。

图1:Shahid Salimi处理厂的输入(a)和输出(b)参数 点击此处查看数字

为了选择合适的输入来训练神经网络，使模型的复杂性尽可能的低，同时预测的准确性尽可能的高，有必要对可用的数据进行分析。在记录的输入输出数据数量较少的情况下，模型的复杂性需要尽可能地降低，因为没有足够的例子来发现所有输入和输出之间的复杂关系。因此，需要利用输入输出参数之间的相关性分析来选择识别模型的最佳参数。

相关分析

相关系数是一种统计工具，用于确定一个定量变量与另一个定量变量之间的关系的类型和程度。相关系数是确定两个变量之间相关性的标准之一。相关系数表明关系的强度和关系的类型(直接或反向)。这个系数在1和-1之间，在两个变量之间没有关系的情况下等于零。两个随机变量X和Y的相关性定义如下:

其中，E是期望值算子，cov表示协方差，corr是相关系数的一种广泛使用的替代符号。通过放置Corr (X, X)得到的结果值为1，通过放置Corr (X， -X)得到的结果值为-1。可以看出，在(X, X)处的最大相关性为1，对于相关性较小的变量，其值在0到1之间。这个方程在负相关的情况下是成立的，加上一个负号。

对输入和输出数据进行相关性分析的结果表明，BOD、COD、TSS的输出参数与BOD、COD、TSS的输入参数之间的相关性最大。也就是说，仅知道污水处理厂输入的这些参数，就可以预测出水参数BOD、COD、TSS。

箱线图

在分析我们想要建模的系统的输入和输出时，盒子图可能会使用很多。用于处理过程的建模中的所用输入的盒子图在图（2）中示出，其包括BOD，COD和TSS。

图2：Shahid Salimi治疗厂模型输入的箱图 点击此处查看数字

图(3)显示了处理厂模型输出的箱形图。从图中可以看出，输出数据的平均值比输入数据的平均值要小得多，这与处理厂的技术规格是一致的。另一方面，输出数据的离散度远远大于输入数据的离散度。这可以从箱形图的外部边界观察到，特别是COD。

图3:Shahid Salimi处理厂模型输出的箱形图 点击此处查看数字

数据预处理

在权值更新过程中进行处理，特别是在使用非线性传递函数时，根据所使用数据在神经网络中的分布情况，在准备数据后进行模型开发，分配等变量权值。数据的预处理是通过将输入和输出数据分配到范围[0,1]或[- 1,1]来完成的。对所有数据点进行如下转换:

对于区间[0,1]:

每个数据变量都应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中，例如logsig那tansig并且重量平等。因此，数据应分别由间隔[0,1]和[-1,1]中的等式（6）和（7）缩放。

模型开发

在Shahid Rajayi Industrial Town的治疗厂中记录的实验室数据用于对治疗厂的输入和输出进行建模。删除不完整和重复数据后，提取162条输入和输出记录。此数据量随机划分为三个集。传输神经网络的输入无关紧要，因为建模是静态的，并且使用的神经网络（馈送前向神经网络）只能做静态映射。因此，将数据划分为三组培训，验证和测试是合适的。培训集中的现有数据用于培训网络。60％的数据用于培训，验证的20％和20％的神经网络测试中的20％。

下面的建筑方法被认为是神经网络模型开发，其中输入是Shahid Salimi处理厂的BOD，COD和TSS。

网络架构

该体系结构中所有输出参数的预测均由一个神经网络完成。该神经网络获取污水处理厂的BOD、COD和TSS的输入，并预测BOD、COD和TSS的输出。为此，利用Levenberg-Marquardt训练算法和现有数据，在MATLAB软件及其工具箱中创建一个前馈神经网络。最初，这个神经网络由两个隐藏层的10个神经元训练。独立输出的回归分析结果如图(4)所示。

图4 a) BOD, b) COD, d) TSS测试状态下神经网络输出的回归分析 点击此处查看数字

在图（5），（6）和（7）中，不同输出与BOD，COD和TS的实际值之间的比较结果分别呈现。BOD和COD的预测具有高精度，但是真实数据和TSS预测输出的比较表示神经网络的平均精度。

图5：用于神经网络的BOD的预测输出（黑色）和实际数据（红色）的比较 点击此处查看数字

图6:神经网络COD预测输出(黑色)与真实数据(红色)对比 点击此处查看数字

图7：神经网络TSS的预测输出（黑色）和真实数据（红色）的比较 点击此处查看数字

图8：神经网络训练期间Levenberg-Marquardt算法参数 点击此处查看数字

每层20个神经元的结果更好。对神经网络的输出执行测试阶段的回归分析，其如下图所示。与两个隐藏层中有10个神经元的神经网络相比，TSS的R的值改善。

图9：测试状态下神经网络输出的回归分析）BOD，B）COD和D）TSS 点击此处查看数字

BOD、COD、TSS的不同输出值与实际值的对比结果如图(10)、(11)、(12)所示。BOD和COD的预测非常准确，与使用神经元的神经网络相比已经变得更加准确。

图10:BOD预测输出(黑色)与实际值(红色)的比较 点击此处查看数字

图11:COD预测输出(黑色)与实际值(红色)的对比 点击此处查看数字

图12：预测输出（黑色）和TSS的实际值（红色）的比较 点击此处查看数字

讨论与结论

该模型在本研究中由饲料前进神经网络和Levenberg-Marquardt培训算法开发，以预测Shahid Salimi工业镇的塔德里斯的治疗厂的输出。主要挑战是缺乏培训神经网络的数据。因此，本研究采用统计相关分析，以便在输入候选者之间选择适当的输入。在有氧过程中，在BOD，COD，TSS，温度，pH和溶解氧中选择三个输入，包括BOD，COD和TSS。这三个输入是唯一与处理厂的输出具有显着相关性的输入。

在该研究的架构中使用具有三个输入和三个输出的神经网络，以预测治疗厂（BOD，COD和TS）的输出参数，其显示治疗厂在去除污染物方面的效率。该网络在两个隐藏层中具有20个神经元的网络已经预测了处理厂的输出，具有非常好的精度。这种体系结构对隐藏层中的神经元数敏感，并且该研究中的神经网络与两个隐藏层中的10个神经元没有能够以预期的精度预测输出TSS。

参考文献

1. Arsi Vala，废水处理，翻译Ahmadreza Yazdanbkhsh，Kazem Nadafi，Fardabeh Bull。（1993）
2. Chalkesh Amiri, M.，《水处理原理》，Esfahan, Arkan出版社。(2010)
3. DOGON，E。e。一种。“人工神经网络在估算废水处理厂的应用”，“环境进步，27，（4），439-445，（2008）。
4. Farahani, l.m.，城市污水污泥管理计划(案例研究:Ghods镇处理厂)，《环境, 30岁。(2001)
5. Guclu D.和Drsun，S。“大规模废水处理的人工神经网络建模”，生物处理Biosyst英格，33,1051-1058,2010
6. Holubar, P。那et al .. Advanced controlling of anaerobic digestion by means of hierarchical neural水研处．36：2582-2588。2002年
7. Khosravi，S.Panjeshahi，M. H.和Ataei，A。“在废水处理厂中环境绩效的量化和优化的应用，”J. Afergy.， 12， (1)， 119-138, 2013
8. Shokuhiyan Mehdipour Torghabeh,,,,调查输入冗余的影响预测精度的工业污水处理厂的污水COD使用人工神经网络,第六届全国环境工程会议．（2012）
9. Mehdipour Torghabeh，A.，Shokuhiyan，M，，使用人工神经网络预测产业处理厂的产出TSS Sullage集中，第七届全国土木工程大会，锡斯坦和俾路支斯坦大学Zahedan．（2013）
10. Metcalf，E.废水工程处理和重用，4 ED。，McGraw Hill，（2003）
11. 化学和生物工艺废水处理，Ahmadreza Yazdanbakhsh, Mostafa Leili, Ali kulivand译，哈菲兹出版社。(2007)。
12. 蒙扎维，M.，《城市废水，第一卷:废水收集，第八版》，德黑兰，德黑兰大学出版社。(1998)
13. 蒙扎维，M.，《城市废水，第二卷:废水处理，第四版》，德黑兰，德黑兰大学出版社。（1993）
14. Pashazadeh, M.和Mehrdadi, N.，评估Salmanshar工业城镇废水处理在废水污染物去除方面的效率和废水再利用的可能性，第五届全国土木工程大会(2010)
15. Pasha Zanusi, S.， Abbasi, M.， Aboutorab, H.，和Ayati, B.，评价废水处理的改进方法(案例研究:Gheytariyeh污水处理厂)，第二次全国水和废水会议，操作方法．(2008)
16. 罗德里格斯,M.J.有机,Se´锚地。评估城市饮用水系统中余氯的线性和非线性经验模型。环境建模与软件．14(1): 93 - 102。1999
17. Rankovi, V。,等。塞尔维亚Gruˇza水库溶解氧的神经网络建模。生态建模．221：1239-1244 .2010
18. 基于自适应神经模糊推理系统的河流水质预测，环境研究，1， (53)， 1-(2010)