人工神经网络在污水处理中的应用

Posted 2021-04-26 现代田园循环

李傲 博士研究生

沉默的第一观点

中国科学院生态环境研究中心

乡村环境卫生研究组

神经网络的概述

人工神经网络，是在模拟人脑神经网络的基础上所构建的一种信息处理网络。

人脑是由大量的神经细胞组成，神经细胞由细胞体、树突和轴突组成。细胞体是神经细胞的中心，包含细胞核和细胞膜；树突是神经细胞的信息接收器；轴突的作用是将树突接受的信息从轴突起点传到轴突末梢，并与另一个神经元的树突相连，形成信息传递与处理的复杂网络。

图1 神经细胞

基于生物神经网络的基本特征，人工神经网络试图通过计算机来模拟神经细胞，以实现信息处理技术的新发展.

神经网络的特点

       神经网络的特点包括并行性、分布性和自适应性。

       并行性，是指神经网络的输入和信息在网络间的传输是以并行的方式进行的。虽然计算机CPU处理单个信息的速度比人脑的处理速度快约10⁶倍，但是人脑在识别、决断等智能方面的处理速度要远高于计算机，就是因为人脑是以并行的方式处理信息。人工神经网络效仿了这一特点，形成了计算机信息处理的并行功能。

      分布性，是指神经网络所模拟的变量间关系等实际过程信息分布在整个神经网络的连线中。对于相对简单的过程，如自变量与因变量间可以通过简单的数学模型来表示的过程，使用神经网络的优势尚不明显。对于过程具有高度复杂性或高度不确定性，神经网络的优势便有所突显。神经网络可以将这种复杂的因果关系分布式地储存在整个网络中，实现建立模型的目的。

       自适性，是指神经网络具有学习功能。对于高度非线性的过程，可以通过采集过程的输入与输出数据，使用这些数据对神经网络进行训练，实现建立模型的目的。训练完成后，该神经网络则具有描述过程因果关系的能力，即已知输入数值时，便可给出正确的输出数值。对于不确定性很高的过程，可以通过对网络进行定时训练，使网络适应变化过程。

 神经网络的应用

      神经网络模型是一种应用最普遍的统计模型，尤其是应用在对非线性对象静态或动态识别中。

      在污水处理工艺的好氧与缺氧单元，利用在线ORP、DO、pH参数信息通过人工神经网络模型对单元中氨氮浓度、硝态氮浓度和正磷酸浓度进行预测。

       图2为利用ORP与pH曲线上可以指示硝化、反硝化过程的特征点作为实时控制点的神经网络运用。

图2 神经网络控制策略流程图

控制过程包括好氧与缺氧两个阶段。

实时信息控制单元计算并检测出特征点（指示硝化反应结束的点）。

同时，人工神经网络单元读取所需的信息，预测出ORP和pH的设定点及设定时间，然后定义特征点。

      如果检测的拐点处于设定点和设定时间允许的范围内，则此拐点可作为实时控制点。控制程序将转化为缺氧阶段。当停留时间超过设定时间的120%时，操作程序也将转化为缺氧阶段，否则程序将返回检测拐点。

THE END

扫码关注

文l李傲

编辑l冒茸茸

校对l徐明杰