标志”年代rc=

复杂性
PDF
复杂性/2019年/文章
特殊的问题

计算方法的建模、仿真和优化的复杂系统

把这个特殊的问题

研究文章|开放获取

体积 2019年 |文章的ID 2468189 | https://doi.org/10.1155/2019/2468189

吴Zehua黄,人人网,晓惠,王宏斌Liu Jiannan Cai,提供关于妞妞,黄Mingzhi Guangguo应, ”小说模型与遗传算法进化FWNN污水质量和沼气生产全面厌氧废水处理过程中预测”,复杂性, 卷。2019年, 文章的ID2468189, 13 页面, 2019年。 https://doi.org/10.1155/2019/2468189

小说模型与遗传算法进化FWNN污水质量和沼气生产全面厌氧废水处理过程中预测

Zehua黄,1,2,3,4 人人网吴,2 晓惠易,1 王宏斌刘,3 Jiannan蔡,5 提供关于妞妞,1 Mingzhi黄,1 和 Guangguo应1

1SCNU环境研究所、广东省重点实验室的化学污染和环境安全与理论化学的重点实验室环境,学校环境,华南师范大学,510006年广州,中国

2华南环境科学研究所,环境保护部,510650年广州,中国

3江苏Co-Innovation中心有效的处理和利用森林资源、南京林业大学、南京210037年,中国

4化学工程学院、华侨大学、厦门361021年,福建,中国

5528400年中山环境监测站,中山,中国

客座编辑:劳尔Banos
收到了 2019年5月24日
修改后的 05年8月2019年
接受 2019年8月29日
发表 2019年11月26日

文摘

厌氧处理过程是一个复杂的多变量非线性和时变的系统。此外,沼气的生产速度是一个重要的指标反映厌氧处理系统的操作性能。小说在这项工作中,基于遗传算法的模糊小波神经网络模型(GA-FWNN)结合了遗传算法的优点,模糊逻辑、神经网络和小波变换建立了预测污水质量和沼气生产利率全面厌氧废水处理过程。此外,数据集预处理通过self-adapted模糊c均值聚类之前培训网络和混合算法获得最优参数的多尺度GA-FWNN为提高网络精度。分析结果表明,FWNN与最优算法有较高的收敛速度和良好的质量预测和FWNN模型比传统的更有利的智能耦合算法,神经网络和模糊神经网络模型在预测精度和鲁棒性。确定系数R2FWNN模型预测污水质量和沼气生产率超过0.95。该模型可用于分析沼气(甲烷)生产速度和污水质量运营时期,扮演着一个重要的角色在节能和消除污染物排放的废水处理系统。

1。介绍

由于经济优势和低代剩余污泥厌氧生物处理工艺是一种有效的流程处理高浓度有机废水,如造纸厂废水,复杂的有机污染物可转化为清洁能源(沼气)在厌氧处理过程中1- - - - - -3]。然而,在厌氧处理过程是一个复杂的多变量系统,受到各种入渗特性和操作条件的影响,这是很难在很短的时间内得到解决(4,5]。因此,沼气(甲烷)生产速度也受到各种入渗特性和操作条件6]。

由于非线性、不确定性和后人的厌氧处理过程中,很难操作和控制这一过程。增加稳定性和可靠性的厌氧处理过程中,建模是一个重要的方法,它可以用于控制,操作,和优化的厌氧处理过程在一个合理的成本7]。近年来,许多研究已经开展和各种建模方法开发控制和模拟厌氧处理过程(8- - - - - -11]。然而,由于肤浅的理解的机制与厌氧处理过程中,很难分析和估计潜在的现象在厌氧消化利用传统的数学模型。因此,为了消除复杂性、难度和适用性,更加实用,安全,和简单的模型需要调查(4,12]。

因为人工智能逻辑思维、快速处置能力,和非线性特征,进行免费的任何连续的非线性函数逼近精度。常用的人工智能方法的神经网络(NN),模糊逻辑(FL),小波变换(WT)、遗传算法(GA)和metaheuristic算法(13,14]。因此,基于人工智能的模型可以实现精确的仿真结果在废水处理过程中。

近年来,各种各样的模型基于神经网络估算厌氧处理过程的性能已经进行了许多研究人员(15]。摘要利用反向传播神经网络模型集成附加动量法和自适应学习速率法是估算开发运营状态的上流式厌氧污泥床(UASB) [16]。结果表明,该模型可以预测和优化控制参数,提出策略的反应堆。此外,另一个摘要模型基于Levenberg-Marquardt算法是由Sridevi设计等。17成功],它可以用来预测生物降解和生物产量对UASB反应器处理酒厂废水混合。最重要的是,基于神经网络模型可以有效地模拟和预测的非线性特征厌氧污水处理系统。然而,神经网络有一些缺陷,比如慢慢收敛,沉浸在当地振动频率(18,19]。

因此,有许多神经网络耦合算法,如小波神经网络算法)和模糊神经网络(FNN),提出解决普通神经网络面临的问题(20.- - - - - -22]。基于模糊逻辑的模糊神经网络(FL)和神经网络可以实现神经网络的FL。同时,耦合算法能有效获取模糊规则,实现模糊推理的神经网络结构。如果应用模糊神经网络的污水处理系统,它将更有效地模拟污水处理系统。

许多关于建模研究厌氧废水处理过程中使用混合模糊神经网络近年来进行了(23- - - - - -25]。Erdirencelebi Yalpir集成FL和神经网络来开发一种混合模糊神经网络模型模拟厌氧废水处理过程(2]。结果说明了开发了混合模糊神经网络模型可用于预测污水质量准确在UASB系统。为了监控退化青霉素废水的厌氧混合反应器,建立了一种混合模糊神经网络模型由Mullai et al。26)使用自适应基于网络的模糊推理系统(简称ANFIS)。仿真结果显示,开发了混合模型是有效的和相关系数(R2)模型的化学需氧量(COD)值高。因此,澄清当前位置的主题方案的模糊神经网络方法可以被认为是一个特定领域的调查评估实时水质和沼气(甲烷)所需的生产速度控制厌氧过程和建立故障诊断。然而,模糊神经网络也有缺点,没有时频局部化特征,很容易导致低收敛速度和精度。这正是利用小波变换(WT)。Hanbay et al。27)已经成功地使用小波包分解和神经网络预测的厌氧污水处理厂。此外,核主成分分析和算法的基础上,软测量系统可以实现实时检测氧化还原电位、溶解氧、pH值、鳕鱼在废水处理过程中(28]。

因此,一个新系统的模糊小波神经网络(FWNN)建立了各种智能技术的整合优势。这个网络可以有效地提高检测率和可靠性的模型通过提高洞察力,泛化,和逼近能力3,29日,30.]。这样一个集成的智能系统可以克服上述缺点。因此,混合FWNN提供了一个更高效的方法建模,仿真、控制、操作复杂过程系统的优化,如污水处理过程。

厌氧处理过程非常复杂的性能,使显著变化根据不同入渗特性和操作条件,如有机加载率(olr)、pH值、水力停留时间(HRT)和有毒的有机化合物。各种潜在优势基于这样一种基于人工智能模型实时评价污水质量和沼气生产速度将全面展示,如承受各种冲击载荷引起的大幅波动的影响,优化过程的操作参数控制运营成本,提供一个在线评价和估计排放在一个充满活力的基础上,和建立一个连续预警策略不需要一个复杂的模型结构。然而,研究建模生物降解和沼气(甲烷)生产速度全面气层内循环厌氧反应器(IC)治疗造纸厂废水使用FWNN非常有限。

基于废水COD和沼气流量之间的关系在不同操作参数等影响COD(化学需氧量正),荷尔蒙替代疗法,OLR, pH值在反应堆(pH)和碱性反应堆(碱性),一个FWNN模型来预测和估计污水质量和沼气生产利率根据已有的历史数据。本研究的主要目标是开发一种新型混合遗传算法进化FWNN模型模拟功能的全面问题内循环(IC)厌氧污水处理厂。提出的混合模型可以用于分析沼气产量和污水质量运营时期,扮演着一个重要的角色在节能和消除污染物排放的废水处理系统。

2。材料和方法

2.1。反应堆系统

全面IC厌氧处理装置系统选择一个演示站点。该处理系统用于研究位于广东,中国。如图1,污水处理过程包括四个IC反应器操作治疗约3×104米3每天造纸厂废水流。每个IC反应器的直径9米和1100米的体积3。处理系统配备在线流,pH值,做,ORP、温度、鳕鱼、和气体流量计(哈希®)传感器。从上面传递参数的信号也被用来控制蠕动泵、搅拌器、风机。全面的数据顺序使用的模型系统,收集了150天。根据标准方法(其他化学指标测定31日,32]。


图1
全面的厌氧过程的示意图。
2.2。遗传算法进化模糊小波神经网络(FWNN)
2.2.1。确定模型参数

模型参数的识别是对建模的一个关键要求厌氧废水处理流程。模型组件的最合适的选择,它可以完全显示运行状态的厌氧处理过程中,有助于提高系统的管理效率,降低运作成本(6]。

OLR是用来测量的生物转化能力。这个参数是一个至关重要的因素,它可以显著影响微生物生态学和厌氧处理系统的性能特征。

荷尔蒙替代疗法在厌氧处理系统是一个重要的变量。它是用来测量废水的时间仍然在系统中。保留时间的饲料系统太短,要完成整个治疗过程,和沼气生产不会克制。

pH值是一个主要参数,显著影响厌氧处理系统的性能特征。pH值有一个实质性影响产甲烷细菌。

碱是反映在解决方案,来中和酸的等当点碳酸盐或碳酸氢盐在厌氧处理系统。为了控制pH值在厌氧处理系统中,它必须确保有足够的碱,这是有效预防pH值的戏剧性的变化。

鳕鱼是用来测量废水中的有机化合物。这个参数是指基质利用率水平和厌氧处理系统中微生物的代谢活动。

沼气产量通常是指厌氧处理系统的处理效率。在厌氧处理系统中,最重要的操作控制废水优势和沼气产量的最大化打破污染物。

因此,影响COD(化学需氧量正),荷尔蒙替代疗法,OLR, pH值在反应堆(pH)和碱性反应堆(碱性)被选为该FWNN模型的输入参数。沼气生产利率和废水COD(鳕鱼eff)被选为该FWNN模型的输出参数。

2.2.2。提出FWNN的结构

的体系结构建模的FWNN厌氧处理系统见图2。FWNN,小波被用于神经元的激活函数的基础上五层神经网络,和模糊推理可以实现33,34]。FWNN包括五层如下。


图2
FWNN模型的结构示意图。

第一层包括所有输入的因素作为输入层。层数据的输入因素x1;x2;…;xn输入模式。在这一层,有五种鳕鱼的输入参数正,荷尔蒙替代疗法,OLR, pH值,筛选n= 5。

第二层是模糊层。的模糊图层组理论来处理语言变量,并选中的隶属函数是高斯函数。输入特征变量在该层转化为模糊变量,它可以定义如下: 在哪里cij和σij隶属度函数的中心和宽度参数,分别和我和j是输入参数的数量和语言变量FWNN,分别。

self-adapted模糊c均值聚类被用于这项工作。它已被用于解决模糊因素,和18组建立了模糊控制规则,通过分析知识的实际数据库。第三层是模糊规则层。这一层由数字隐藏单位代表模糊逻辑规则和数字模糊分区。模糊规则库生成从给定的输入和输出数据,可以实现和逻辑推理,可以给出如下: 在哪里n模糊规则的数目。

第四层是小波网络。在这一层,小波网络的目的是使用小波函数作为神经细胞的激活函数,基于小波变换的局部性能好。算法是用于FWNN的后果。输出的算法jth小波神经元可以如下: 在哪里 ,一个ij的扩张算法,bij是翻译的算法, 是算法的重量。

第五层是输出层。的总输出FWNN (y)在这一层定义如下:

在这提出设计、监测厌氧处理系统的运行状态,废水COD和生产的沼气(甲烷)被选为网络输出。

2.2.3。训练算法来优化FWNN提议

混合学习算法应用于火车和优化网络参数,以进一步提高网络的预测能力。它综合遗传算法(GA)梯度下降算法(GDA)来提高网络的效率和鲁棒性。

遗传算法是一种全面的全局优化方法,拥有的特性具有较强的鲁棒性和广泛适用性35]。自从GDA容易落入最优地方和对初始值敏感,网络参数的初始值首先由实数编码遗传算法,然后GDA用于训练网络,从而大大加快其收敛。在这部作品中,制定的目标函数可以定义如下: 在哪里ydk所需的值,ykFWNN的输出值,n是样本数量。的输出FWNN根据年代th染色体与 可以定义如下: 在这

遗传算法是一种人工智能方法,模拟自然进化使用三个主要操作:选择、交叉和变异,产生更好的健身,为个人。遗传算法的选择操作的目的是给人口成员(或方案)更多的繁殖机会有更好的健身价值。交叉和变异操作,产生新的个体在组合中包含的信息两个父母,他们可以确保新初始染色体总是可行的。比赛的选择使用的是新一代。为下一代,会员更好的健康选择。

因此,染色体可根据以下实数编码设置: 在哪里

因此,最优的初始变量FWNN将最终获得三个遗传操作的选择、交叉和变异。初始人口规模N流行100年的这个设计,交叉率Pc0.7,变异区间P米是0.01。

2.2.4。通过梯度下降算法参数升级

网络的参数初始化的GA, FWNN的参数和模型验证和修正GDA [36]。发达FWNN最后,所有的参数都是由高斯函数的中心和宽度参数,和扩张,翻译,和重量参数算法同时优化根据以下: 在哪里 所需的价值和吗 FWNN的输出值。因此,FWNN可以给定的参数值如下: 在哪里 和 是学习速率和FWNN发展动力因素,分别。

2.3。Self-Adapted模糊c均值聚类

在这个工作中,根据厌氧处理系统的特点,self-adapted模糊c均值(FCM)聚类算法来处理模糊因素,因此决定FWNN的模糊规则的数目。对象是严格分为集群基于模糊聚类的方法,最好的类数是通过有效的聚类分析37]。设计的计算方程如下: 在哪里 代表加权欧氏距离的总和, 是代表的平方和最小目标函数加权欧氏距离, 是集群的数量, 是对象的数量, 是观测值, 加权指数。

代表了欧几里得距离,可以设计如下:

隶属函数值,可以表示如下:

集群中心,为他们的特定的计算公式如下:

3所示。结果与讨论

3.1。数据收集和预处理

为了评估混合厌氧废水FWNN模型过程中,150数据集收集,与120年网络训练数据集,30集被证明。标准化,消除了数据冗余,并有效地组织数据,已被用于改善FWNN的性能。在这个工作中,所有数据被转换为通过扩展范围在0和1之间。

3.2。FWNN发展

使用所有这些数据,废水COD和沼气(甲烷)生产利率预测使用FWNN模型。此外,使用self-adapted模糊c均值聚类数据集进行分析,最优聚类数和18集被确认。在图所示的结构模型2确定基于技术和实验数据的分析以及预测目标。它包括三个模型FWNN (FWNNCOD、FWNNQ和FWNNCH4鳕鱼,问气体,CH4分别预测。对于每个模型中,有一个单独的规则基础上,但模型的输入参数是相同的。

混合学习算法应用后初始化模型结构和参数训练和优化网络参数。因为GDA容易陷入局部最优和对初始值敏感,网络参数的初始值是首先由实数编码遗传算法,然后GDA用于训练网络,从而大大加快其收敛。

3.3。FWNN模型的仿真

三个FWNN-based模型模拟和实验数据验证了使用MATLAB程序。初始人口规模N流行,交叉率Pc间隔的突变P米最大数量的后代学习速率 ,和动量因子 100,0.7,0.01,200,0.02,和0.5,分别。图3草图的训练过程开发FWNN(以FWNNCOD为例)。从图3,它可以很容易地明白这个网络有良好的记忆力的优点,快速收敛能力,和强烈的稳定能力。因此,新的FWNN模型参数通过反复训练和研究通过混合学习算法,如表所示1和2。


图3
培训FWNN基于混合GA-GDA算法的性能。
规则 鳕鱼(t) 荷尔蒙替代疗法(t) OLR (t) pH值(t) 碱(t)
c σ c σ c σ c σ c σ
1 0.0136 0.1607 0.5268 −0.7421 −0.3635 −0.5529 −0.3051 −0.9233 0.4253 0.1944
2 −0.7069 0.7358 −0.3188 −0.3580 0.3703 −0.2483 −0.3542 1.1877 −0.7381 0.6980
3 −0.7367 −0.6604 1.3965 0.2865 −0.6298 0.9426 −0.0589 1.0751 −0.5281 0.3233
4 −0.1518 1.7925 −0.5607 −1.2634 0.4315 9.6476 0.0743 0.0939 −0.5717 0.1826
5 −1.2089 0.2705 0.0115 −1.0385 0.6881 −1.9966 0.0109 30.2334 0.3907 −0.1104
6 0.6641 −0.2334 −0.4112 0.6708 0.0439 0.8663 −0.3301 −0.2831 0.4050 −0.5511
7 0.0064 0.9719 −0.7012 −4.8530 0.9405 −0.6621 0.7832 −0.0767 0.4281 0.7108
8 0.3419 0.1058 0.8441 1.1613 1.1604 −74.1843 −0.1981 0.8107 0.5553 0.4536
9 −0.5602 0.5057 1.1063 −26.4556 0.0843 −7.2215 −0.8100 −6.8183 −1.7993 0.3474
10 0.4907 −0.5534 −0.0703 −0.4569 −0.2704 0.9582 −0.3745 0.5942 −3.0162 1525.6060
11 −0.6621 −0.4266 0.5657 1.0340 0.1292 −0.1692 −0.2571 −2.6569 −0.4486 −8.9554
12 0.2888 −0.3405 −0.0953 −0.3502 0.5470 −83.4372 −0.6050 2.0040 0.3772 −13.0426
13 −0.2228 1.3588 0.3659 0.7005 −0.1630 −0.4162 0.4636 −0.6097 −1.0012 1.0308
14 −0.4807 −0.4252 −0.0355 −0.6217 0.1970 0.6718 0.0845 −0.5032 −0.1502 0.9260
15 −0.8972 −0.8169 0.1483 −1.4908 −0.1679 0.9453 0.4577 −0.8348 −0.1577 −0.7370
16 0.2736 −0.3070 0.3224 −0.5635 0.3254 7.5609 0.1766 0.6113 0.5786 −3.1036
17 −0.4311 3.5123 0.4850 −0.9749 0.3135 −0.6053 −1.1362 1.8104 −0.4111 −0.4197
18 0.1273 0.6391 −0.2829 4.1239 0.1948 0.6960 0.5902 0.2422 0.0614 0.0985
表1
FNNCOD的参数。
规则 鳕鱼(t) 荷尔蒙替代疗法(t) OLR (t) pH值(t) 碱(t)
一个 b 一个 b 一个 b 一个 b 一个 b
1 1.5886 −0.1273 −1.1428 1.6123 0.7959 2.1101 1.6534 1.7961 1.8034 −0.0412 −1.4770
2 −1.4397 −1.0635 0.3172 0.3292 1.8075 1.8048 1.9308 −0.5009 −3.3946 −0.1592 −1.6507
3 −3.2344 8.8674 8.2901 8.6132 8.6776 0.0000 −0.6094 0.4513 −3.3283 −0.0012 −1.2749
4 −2.8787 9.4875 8.8757 9.3742 9.3019 9.4737 8.7495 −0.5562 −3.8668 0.3150 −2.7147
5 −0.1198 −0.2082 −1.9909 −0.5800 −2.8096 −0.1405 −1.7493 −0.3507 −2.4843 −0.0722 −4.1235
6 0.5239 −1.1138 −0.4318 −2.4781 −36.4693 0.2082 −0.3899 −0.0686 −1.7075 −0.1363 −2.8063
7 −2.0347 −0.0948 −1.5617 −0.1529 −1.9035 −0.2736 −2.4728 6.3255 6.7699 −0.1353 −1.7480
8 0.1759 0.1584 −1.1703 1.0586 0.1860 −0.8765 −1.1716 −0.2192 −2.1848 0.4971 0.2769
9 −1.4778 5.4539 4.8521 −0.1985 −2.1011 5.4583 4.7566 −0.5334 −3.6407 −0.2719 −4.3257
10 −0.7646 −0.0413 1.3235 −1.3483 −3.2882 0.0383 3.1448 1.4188 0.8019 −1.3864 −1.4296
11 −2.4920 6.0096 5.4610 0.2843 −2.6436 0.2806 −2.5572 0.3079 −2.6510 5.5745 5.5132
12 −0.6872 −0.2137 −2.5483 0.0607 −2.2885 0.0257 −1.1678 0.3778 −2.3892 −0.4407 −1.8772
13 0.6707 1.4191 0.8041 −0.1416 −1.7496 0.0004 −1.3015 −0.1572 −2.8354 0.1461 2.4996
14 −2.5713 8.8880 8.2832 −0.0014 −2.1207 8.9002 8.1486 −0.3254 −5.0826 8.7261 8.5458
15 −1.2637 −0.9244 −12.2623 1.1685 0.0916 1.8175 0.6263 −0.4936 −3.2684 −0.3105 −2.5201
16 0.9024 −1.6801 −6.3276 0.9363 0.5837 1.7794 1.7951 −0.1902 −1.2803 0.9617 0.0144
17 0.0526 −0.5795 0.7473 −1.0763 −1.2789 −6.9178 −96.1241 0.7802 2.6923 0.7286 2.7465
18 −0.0466 −0.5801 −1.5784 −0.3502 −2.5046 −0.3109 −1.3356 0.9269 2.3812 1.0120 0.8650
表2
小波层FWNNCOD参数。

图4(一)显示了FWNN模型的预测值根据测试数据集。如图4(一),很容易发现预测值这些观测值符合良好。在这个工作中,为了评估模型的性能,各种指标被用来分析和估计发达FWNN模型,如确定系数(R2),相关系数(R),均方根误差(RMSE),均方误差(MSE)和平均绝对百分比误差(日军)。如表所示3的性能指标提出FWNN模型获得的预测结果与实际值进行比较。

(一)”n一个米e=
(一)
(b)”n一个米e=
(b)
(c)”n一个米e=
(c)
图4
FWNN废水浓度估计的性能和沼气(甲烷)的产量。
模型 鳕鱼eff CH4产率 沼气产率
FWNN 模糊神经网络 算法的 神经网络 FWNN 模糊神经网络 算法的 神经网络 FWNN 模糊神经网络 算法的 神经网络
R 0.9822 0.9645 0.9351 0.8222 0.9747 0.9068 0.8895 0.7885 0.9839 0.9405 0.9282 0.8027
R2 0.9647 0.9302 0.7697 0.6760 0.9501 0.8223 0.8399 0.6217 0.9681 0.8846 0.8789 0.6446
日军 2.9083 4.0770 4.4575 8.3163 4.0660 7.3867 7.5853 12.8657 3.3563 5.9532 5.1695 11.8740
RMSE 28.7439 41.1297 55.8223 88.2468 156.0499 298.0273 329.7642 730.9969 199.2556 366.6599 407.6466 681.9047
均方误差 826.2142 1.6917E+ 3 3.1161E+ 3 7.7875E+ 3 2.4352E+ 4 8.882E+ 4 1.0874E+ 5 5.3436E+ 5 3.9703E+ 4 1.3665E+ 5 1.6618E+ 5 4.6499E+ 5
表3
FWNN表演,模糊神经网络算法,神经网络建模IC厌氧系统。

表3清楚地显示了使用FWNN,日军值的2.9083%,3.3563%,4.0660%,鳕鱼,问气体,CH4可以实现。R2值分别为0.9647、0.9681和0.9501,分别对鳕鱼,问气体,CH4。R值的鳕鱼,问气体,CH4分别是0.9822,0.9839和0.9747。的RMSE值28.7439,199.2556,155.0499,鳕鱼,问气体,CH4也可以实现。在该模型模拟表明,该模型不仅能够迅速完成参数校准,准确找出参数的最优解也可以提高模型的收敛速度和稳定性。结果显示良好的一致性预测与实验值。如表所示3三个FWNN模型,提出FWNN模型的预测性能在废水沼气是令人满意的质量和生产速度非常高的决定系数(R2),这都超过0.95。换句话说,一个高R2显示,只有3.53%、3.19%和4.91%的总变异鳕鱼,问气体,CH4被提议FWNN模型无法解释。此外,高R三FWNN模型说明,有一个良好的预测与实验值的一致性。因此,基于其他小型评价指标(RMSE日军,MSE),它还表明,该预测模型具有较高的预测精度和满意的鲁棒性和适应性,使系统高度适应性。

3.4。比较与模糊神经网络算法和神经网络

发达FWNN模型与模糊神经网络相比,算法,和NN模型正确性证明,混合网络的效率和效益。根据比较结果,如表所示3模型,可以看出FWNN RMSE较低(或MSE)和日军和更高的值R2和R值。把鳕鱼eff例如,当预测,R,R2日军,RMSE和均方误差值分别为0.9822,0.9647,2.9083%,28.7439,和826.2142使用FWNN分别。然而,当使用模糊神经网络算法,神经网络模型,R值分别为0.9645、0.9351和0.8222,分别;R2值分别为0.9302、0.7697和0.6760,分别;日军值分别为4.077%、4.4575%和8.3163%,分别;RMSE值分别为41.1297、55.8223和88.2468,分别;和均方误差值是1.6917E+ 3,3.1161E7.7875 + 3,E分别为+ 3。

表3表明FWNN比模糊神经网络模型具有更高的估计精度和更好的鲁棒性,算法,和神经网络模型,表明FWNN比模糊神经网络模型更准确,算法和神经网络模型预测污水质量和沼气(甲烷)生产速度。这项研究的结果表明,FWNN模型高度能够提取动态集成电路系统的变化。考虑到非线性、复杂性和随机性的厌氧处理过程,这样一个良好的预测性能FWNN模型对污水处理过程建模尤为重要。FWNN是一个很好的选择建模IC厌氧处理过程。模拟模型基于FWNN模型可以有效地应用于大规模IC厌氧反应器处理影响的变化。结果表明,厌氧废水处理可以更好地描述与FWNN比模糊神经网络算法和神经网络。维护环境标准,FWNN模型可以有效地实现IC厌氧系统的环境和经济目标。在未来,为了优化厌氧处理系统,控制系统将开发监控系统基于FWNN模型。

3.5。多维图形集成电路的影响因素和调节策略

使用分区连接权重(PCW)方法,影响因素的重要性通常可以分析。在这项工作中,四维图有两个输出被用于分析输入参数,输出的重要性。

3.5.1。pH值和OLR对COD去除率的影响,CH4产率

图5(一个)显示了pH值的影响和OLR COD去除率和CH4生产速度。从图5(一个),当pH值和OLR值变化从6.8到7.4,从5到15公斤/ m的鳕鱼3⋅d, COD去除率和CH的生产速度4分别增加了。处理系统是特别敏感的OLR时高pH值的变化。然而,当OLR高于15公斤/ m的鳕鱼3⋅d, pH值的变化很少处理系统的性能的影响。当OLR超过15公斤/ m的鳕鱼3⋅d或pH值高于7.5,上有一个负面影响COD去除率和CH的生产速度4上的负面影响,COD去除率和CH的生产速度4增加造成的OLR低于造成的低博士因此,当处理系统的OLR增强通过缩短荷尔蒙替代疗法或增加入渗鳕鱼,它是有利于稳定的处理系统通过加碱改善pH值。

(一)”n一个米e=
(一)
(b)”n一个米e=
(b)
(c)”n一个米e=
(c)
图5
的影响参数(a) pH值和OLR, (b)碱性pH值和(c)筛选和OLR COD去除率和CH4生产速度。
3.5.2。pH值和碱对COD去除率的影响和CH4产率

图5 (b)显示了pH值的影响和影响鳕鱼COD去除率和CH4生产速度。无论pH值是系统中,碱性很低的时候,对COD去除率和CH的生产速度4。处理系统也成为固定在低博士当碱性超过2500 mg / L和处理系统中的pH值超过7.5,COD去除率和CH的生产4增加了。因此,当影响COD浓度高,pH值和碱值都高于7.5和2500 mg / L,分别。

3.5.3。OLR和碱对COD去除率的影响和CH4产率

图5 (c)显示OLR的影响和碱处理系统。当OLR低于15公斤/ m的鳕鱼3⋅d,处理系统是很少受碱性,CH4产率很低。碱性高于2500 mg / L时,特别是当它从3000 mg / L增加到3500 mg / L, CH4与碱性的变化产量大幅下降。COD去除率很低OLR结束后18公斤鳕鱼/ m3⋅d。如果OLR持续保持较高,处理系统不断恶化的趋势将会发生。如果OLR保持不变,COD去除率与碱性的变化规则了。此外,结果表明,最优影响OLR约15公斤/ m的鳕鱼3⋅d处理系统运行时的操作条件pH值为7.5和3000 mg / L的碱度。

4所示。结论

拟议的研究是建立一个基于人工智能模型建模全面厌氧污水处理系统。结合神经网络的好处、FL和WT, FWNN可以成功地预测污水质量和生产沼气的速度根据其输入和输出之间的强非线性船舶。FWNN模型显示更高的估计精度和更好的鲁棒性和模糊神经网络相比,算法和神经网络模型,取得了更好的性能在预测污水沼气的质量和生产速度高的确定系数R2超过0.95。与此同时,FWNN模型可以用于分析影响因素的重要性。该混合方法将提供一个非常有效的和高效的工具,用于建模的厌氧过程,帮助工程师监控操作参数以提高厌氧处理的性能。

数据可用性

使用的数据来支持本研究的发现没有提供,因为作者被要求签署一份保密协议与中国政府提供的基础数据。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

Zehua黄、吴人人网和晓惠易造成同样这工作和共同第一作者。吴Zehua黄和人人网进行了实验和写了主要的手稿文本,晓惠易造成的手稿准备和修改(修改流程),王宏斌刘准备数据1- - - - - -3Jiannan Cai准备数据4量5,并提供关于妞妞准备表1- - - - - -3。Mingzhi黄本研究设计和监督分析包括数据解释和讨论和手稿准备作为主要研究者(π)。Guangguo应参与实验设计和监督手稿准备。

确认

这项研究得到了国家自然科学基金(41977300和41977300号),广东省自然科学基金(没有。2016 a030306033)、广州(没有的科技项目。907224176081)和广东科技计划研究基金会(没有。2017 b030314057)。

引用

  1. c, d, x易et al .,“发生、分布及季节性变化的五烟碱类杀虫剂杀虫剂珍珠表面水和沉积物的河流,中国南方,”光化层卷,217年,第446 - 437页,2019年。视图:出版商的网站|谷歌学术搜索
  2. d . Erdirencelebi和s Yalpir”自适应网络模糊推理系统的输入选择和预测建模厌氧消化污水质量,”应用数学建模,35卷,不。8,3821 - 3832年,2011页。视图:出版商的网站|谷歌学术搜索
  3. 刘张x, c, h . et al .,“发生和分布的表面水和沉积物的烟碱类杀虫剂杀虫剂广州的珠江,中国南方,”环境污染卷,251年,第900 - 892页,2019年。视图:出版商的网站|谷歌学术搜索
  4. m . Cakmakci”自适应神经模糊模型的基本沉积污泥厌氧消化,“生物处理和生物系统工程,30卷,不。5,349 - 357年,2007页。视图:出版商的网站|谷歌学术搜索
  5. c . w . Chan和g·h·黄”人工智能管理和控制污染最小化和缓解的过程,”人工智能技术的工程应用,16卷,不。2、75 - 90年,2003页。视图:出版商的网站|谷歌学术搜索
  6. f . i Turkdoganaydinol和k . Yetilmezsoy fuzzy-logic-based模型预测沼气和甲烷生产水平在半工业规模嗜中温对UASB反应器处理糖蜜废水,”《有害物质卷,182年,第471 - 460页,2010年。视图:谷歌学术搜索
  7. 韩黄m . w . j .广域网,y, x陈,“多目标优化设计和操作的厌氧消化使用GA-ANN和NSGA-II,”化学技术和生物技术杂志》上,卷91,不。1,第233 - 226页,2016。视图:出版商的网站|谷歌学术搜索
  8. Chowdhury j . Biswas r和p·巴塔查里亚,“数学建模预测的沼气发电的特点一个基于食物/蔬菜残留,厌氧消化池”生物质和生物能源没有,卷。31日。1,第86 - 80页,2007。视图:出版商的网站|谷歌学术搜索
  9. j . y . Chen, yμet al .,“数学建模的上流式厌氧污泥层(UASB)反应堆:同时占水动力学和bio-dynamics,”化学工程科学卷,137年,第684 - 677页,2015年。视图:出版商的网站|谷歌学术搜索
  10. z Cetecioglu”有氧抑制评估抗生素生产废水的厌氧处理废水,”环境科学与污染研究,21卷,不。4、2856 - 2864年,2014页。视图:出版商的网站|谷歌学术搜索
  11. 吴x, z . Wang z et al .,“厌氧动态膜生物反应器中膜污染(AnDMBR)市政废水处理:膜foulants和体积污泥的特点,“生物化学过程,46卷,不。8,1538 - 1544年,2011页。视图:出版商的网站|谷歌学术搜索
  12. j·伊森和美国Cremaschi自适应序贯抽样代理与人工神经网络模型生成,“计算机与化学工程卷,68年,第232 - 220页,2014年。视图:出版商的网站|谷歌学术搜索
  13. Hosseini和A·艾尔哈立德”的一项调查对帝国主义竞争算法metaheuristic:实现在工程领域和未来的研究方向,”应用软计算,24卷,第1094 - 1078页,2014年。视图:出版商的网站|谷歌学术搜索
  14. a . a .哈立德和美国Hosseini模糊自适应帝国主义竞争算法全局优化。”神经计算和应用,26卷,不。4、813 - 825年,2015页。视图:出版商的网站|谷歌学术搜索
  15. m .黄马y, j . Wan et al .,“混合genetic-neural算法建模DnBP的生物降解过程,应用系统,”生物资源技术,卷102,不。19日,8907 - 8913年,2011页。视图:出版商的网站|谷歌学术搜索
  16. X.-T y史。赵,Y.-M。张,N.-Q。任”,反向传播神经网络(摘要)预测模型和控制策略的阶段产烷生物反应器处理中药废水(TCMW)”生物技术杂志,卷144,不。1,第74 - 70页,2009。视图:出版商的网站|谷歌学术搜索
  17. k . Sridevi大肠Sivaraman, p . Mullai“反向传播神经网络模型的生物降解和发酵生物制生产使用酒厂废水混合上流式厌氧污泥层反应堆,”生物资源技术卷,165年,第240 - 233页,2014年。视图:出版商的网站|谷歌学术搜索
  18. t . Ferenci l·科瓦奇,“预测体脂百分比从人体测量和实验室测量使用人工神经网络,”应用软计算卷,67年,第839 - 834页,2018年。视图:出版商的网站|谷歌学术搜索
  19. g . Sorrosal e . Irigoyen c·e·博尔赫斯c . Martin a . m . Macarulla和a . Alonso-Vicario”bioethanol-to-olefins过程的人工神经网络模型在HZSM-5催化剂碱处理,”应用软计算58卷,第656 - 648页,2017年。视图:出版商的网站|谷歌学术搜索
  20. 黄m z . j .问:广域网,y . w .妈,y, w·j·李和x f .太阳,“控制规则淹没生物膜污水处理的曝气过程使用模糊神经网络,”专家系统与应用程序36卷,第10437 - 10428页,2009年。视图:谷歌学术搜索
  21. m . Sedighi k Keyvanloo, j . Towfighi”建模的热裂解重液烃:动力学建模,应用人工神经网络,和去噪模型,”工业化学与工程化学研究,50卷,不。3、1536 - 1547年,2011页。视图:出版商的网站|谷歌学术搜索
  22. j . Wan m .黄马y . et al .,“预测污水质量的造纸厂污水处理使用一种自适应基于网络的模糊推理系统,”应用软计算,11卷,不。3、3238 - 3246年,2011页。视图:出版商的网站|谷歌学术搜索
  23. p . j . Cai郑、m . Qaisar接受和t·罗”预测和量化参数重要性同时厌氧硫化物和硝酸盐去除过程中使用人工神经网络,”环境科学与污染研究,22卷,不。11日,第8279 - 8272页,2015年。视图:出版商的网站|谷歌学术搜索
  24. 亚斯兰a . Perendeci s, a . Tanyolac和s . s . Celebi”向量和历史阶段扩展对预测的影响的力量adaptive-network建立模糊推理系统(简称ANFIS)模型为一个真正的厌氧污水处理厂规模操作在不稳定状态下,“生物资源技术,卷100,不。20日,第4587 - 4579页,2009年。视图:出版商的网站|谷歌学术搜索
  25. 陈x,阮j . m .黄,t·张,“应用模糊神经网络建模的生物降解和沼气生产全面内循环厌氧反应器,”环境科学和健康杂志》上的一个部分,52卷,不。1、7 - 14,2017页。视图:出版商的网站|谷歌学术搜索
  26. p . Mullai Arulselvi, h。非政府组织和p . l . Sabarathinam”实验,简称ANFIS建模青霉素废水采用厌氧生物降解的混合反应器,”生物资源技术,卷102,不。9日,第5497 - 5492页,2011年。视图:出版商的网站|谷歌学术搜索
  27. d . Hanbay特工,和y Demir”预测污水处理厂基于小波包分解和神经网络的性能,”专家系统与应用程序,34卷,不。2、1038 - 1043年,2008页。视图:谷歌学术搜索
  28. k . w . c . Wang, z . x, z问:妞妞,“污水处理参数的软测量技术基于小波神经网络,”应用力学材料卷,556 - 562,3168 - 3171年,2015页。视图:谷歌学术搜索
  29. k .努里·h·Loussifi, n . Benhadj Braiek,“一个新的高效的混合智能非线性动力系统识别方法:小波内核模糊神经网络,”非线性科学与数值模拟通信32卷,10 - 30,2016页。视图:出版商的网站|谷歌学术搜索
  30. 刘黄m . d .田h . et al .,“混合模糊小波神经网络模型与self-adapted模糊c均值聚类和遗传算法在河流水质预测,“复杂性卷,2018年,页1 - 11,2018。视图:出版商的网站|谷歌学术搜索
  31. w·e·联合会美国公共卫生协会。水和废水的标准检测方法美国公共卫生协会(APHA),华盛顿特区,2005年美国。
  32. z z, c .张黄et al .,“邻苯二甲酸二酸酯的残留水平和空间分布从广州城市湖泊水和沉积物,中国,“环境科学和健康杂志》上的一个部分,54卷,不。2、127 - 135年,2019页。视图:出版商的网站|谷歌学术搜索
  33. h . Wang和y曹”,预测电力消耗的gpu模糊小波神经网络,”并行计算卷,44 18-36,2015页。视图:出版商的网站|谷歌学术搜索
  34. 张黄m z . t . j . j .阮和x h·陈,“一个新的高效的混合智能模型DMP生物降解过程的模糊小波神经网络,”科学。代表。,7卷,p。41239年,2017年。视图:出版商的网站|谷歌学术搜索
  35. 马黄m . j . Wan y . et al .,“遗传神经模糊系统建模的一个造纸厂废水处理过程中,“工业化学与工程化学研究,50卷,不。23日,第13507 - 13500页,2011年。视图:出版商的网站|谷歌学术搜索
  36. z . Liu吴,y, y . Wang和c·l·p·陈,“自适应模糊小波神经网络滤波器在显微外科手震颤取消”应用软计算,11卷,不。8,5315 - 5329年,2011页。视图:出版商的网站|谷歌学术搜索
  37. c·张,阮j . y .李et al .,“改善效率的溶解氧控制使用一个在线控制系统基于遗传算法进化FWNN软件传感器,”环境管理杂志》卷,187年,第559 - 550页,2017年。视图:出版商的网站|谷歌学术搜索

版权©2019 Zehua黄等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点669年
下载427年
引用

相关文章