基于BP神经网络的污泥酸性发酵过程预测

石 杰，宋秀兰，李亚新

（太原理工大学 环境科学与工程学院，山西 太原030024）

污泥酸性发酵可产生乙酸、丙酸、丁酸等短链挥发性脂肪酸（VFA），可为污水脱氮除磷过程提供廉价的良好的碳源，从而降低工艺的污水处理成本［1-3］.污泥发酵液是比乙酸盐更适合作为脱氮除磷的碳源［4］.不同的挥发酸组成对生物脱氮除磷效果有影响［5］.

为充分利用污泥中的碳源物质，需对污泥酸性发酵进行优化，一方面使污泥酸性发酵产物中反硝化菌、聚磷菌易利用的挥发酸的比例较大，另一方面，使酸性发酵反应器具有较高的容积产酸能力.污泥酸性发酵过程中，p H、ORP、Fe3+浓度、进料VS浓度、温度、水力停留时间（HRT）、碱度、挥发分等对各种挥发酸的产率及容积产酸能力有不同程度的影响［6-8］.因此，对污泥酸性发酵进行控制获得所需要的目的产物是必要的，可以建立理论模型对污泥酸性发酵过程进行预测，根据预测结果计算生物脱氮除磷过程所需的碳源投加量.

近年来，神经网络已被广泛应用于建模、预测等方面［9-13］.人工神经网络建模的优越性［14］体现在：①非常适用于非线性系统的建模；②神经网络由许多并行处理单元组成，可以使用快速并行处理算法而大大提高辨识速度.③神经网络用于系统建模方法简单，不需要被辨识对象的阶次结构等先验知识，是一种普遍适用的辨识方法.

厌氧生物处理过程的研究具有多变量、非线性等特点，传统的辨识方法和优化策略显得无能为力，而神经网络强大的逼近能力正适应了这一要求，因此为废水生物处理领域的建模开辟了一条崭新的途径［13］.目前在该领域应用较多的有BP网络［12，14］.

本文采用BP神经网络对采用半连续运行方式的污泥酸性发酵过程进行预测，可以更好地辅助于污泥酸性发酵过程的管理，将其更好地应用于污水生物脱氮除磷过程.预测污泥产酸能力及产酸组成，也可以为污水处理厂污泥酸性发酵的在线控制提供基础.

1 试验部分

1.1 试验装置

污泥酸性发酵装置采用序批式反应器，由内径Φ148 cm，高39.5 cm的有机玻璃柱制成，有效容积6.6 L.反应器一侧设置三个取样口，底部也设有一个取样口，用于放空.反应器密封，上部盖上设有4个孔，中心位置为Φ6 mm圆孔，用于插入搅拌棒.采用O形圈密封.旁侧有两个Φ10 mm的圆孔，一个用于进泥，另一个用于放温控探头.旁侧Φ6 mm圆孔用于形成水封和排出气体.其装置如图1所示.

图1 实验工艺流程图 Fig.1 The schematic diagram of experiment

1.2 产酸菌的培养与驯化

取3.75 L某污水处理厂曝气池回流污泥，接种于序批式反应器中培养，温度为30℃，以葡萄糖为底物，加入NH4Cl、KH2PO4，按C∶N∶P=200∶5∶1配制培养液培养产酸菌.采用半连续运行方式运行，容积负荷（Nv）为4 kgCOD／（m3·d），HRT 3d，试验过程加入Na HCO3，以调节p H维持产酸菌所需的p H环境.经过7 d的驯化培养，形成活性较高的产酸菌，反应器中发酵液呈混合型发酵.产酸菌培养好后加入试验用泥，每天进泥体积等于每天排泥体积，生物固体停留时间（SRT）等于HRT.

1.3 试验用泥的性质及泥水混合液的配制

试验用泥取自某污水处理厂脱水污泥，该污泥为初沉池和二沉池混合污泥，其挥发分为40%～74%，含水率为65%～81%.取回污泥后，分成若干份，在冰箱里冷冻保存.加泥时，用去氧水将污泥配制成一定体积的污泥混合液投加到反应器中.

1.4 污泥酸性发酵的衡量指标

污泥产酸过程中产生的挥发酸浓度以乙酸计.计算公式为

2 BP神经网络的构建

2.1 BP神经网络简介

目前，应用最广泛的基本人工神经网络是BP神经网络.它是一个多层前馈神经网络.一个典型的BP神经网络如图2所示.它由一个输入层，一个输出层和隐含层组成.各层节点之间由可调权值相连接.BP神经网络的隐含层和各节点的数目需要根据具体应用情况和先验知识来选择.隐含层节点函数通常选择Sigmoid函数f（x）=1／（1+e-αx），BP神经网络的非线性特征就体现在隐含层节点函数的形式上.

图2 神经网络结构示意图 Fig.2 Neural network architecture diagram

标准的BP算法是一种梯度下降学习算法.没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，通常具有收敛速度慢、易陷入局部极小值和网络推广能力不强等方面的缺陷.针对标准BP算法存在的一些不足，出现了几种基于标准BP算法的改进算法，如traingdm（动量梯度下降反向传播算法）、trainlm（Levenberg-Marquardt优化方法）、trainbr（Levenberg-Marquardt优化方法与Bayesian正则化方法）.trainbr函数采用Levenberg-Marquardt优化方法进行网络权值和阈值的最优化搜索，并采用Bayesian正则化方法在网络训练过程中自适应地调节性能函数比例系数γ的大小，使其达到最优，并且采用trainbr函数训练后BP网络具有较好的推广能力.

2.2 神经网络用于污泥酸性发酵过程的建模原理

如图3所示，首先根据污泥酸性发酵系统的输入输出建立样本集.在学习过程中把样本集中的数据输入神经网络；根据样本的输入值计算出网络的实际输出值；计算样本输出与网络输出的差值；根据计算的差值由trainlm（Levenberg-Marquardt优化方法）调整网络的权矩阵；重复上述过程，直到整个样本集的误差不超过规定范围，学习即结束.

图3 BP神经网络建模原理示意图 Fig.3 BP neural network model principle diagram

2.3 数据的筛选与样本集的划分

在实验过程中，影响污泥产酸因素包括：p H、温度、HRT、碱度、进料VS浓度、Fe3+浓度、挥发分f、ORP等8个因素，分别用x1，x2，x3，x4，x5，x6，x7，x8表示，在产酸过程中对产酸量进行分析的目标变量有容积产酸能力、乙酸产率、丙酸产率、丁酸产率，分别用y1，y2，y3，y4表示.实验过程中共得到452组数据，由于本文选用提前停止法来提高网络的推广能力，所以要对所得到的数据进行划分，即划分为训练集和验证集.在划分数据时，把各种工况的数据大都包含在训练集和验证集中.在本网络中训练集为422组，验证集为30组.两个集合的划分对于模型的训练非常重要，但划分的方式也很多，所以也需要在网络运行中不断对数据进行分析，去除异常数据.

2.4 数据的归一化

由于本文BP网络隐层中的神经元采用tansig型变换函数，输出层的神经元采用纯线性变换函数（purelin），故学习前需将学习样本归一化，使各样本元素在（-1，1）之间，这样才能使tansig型变换函数真正起到非线性转移作用，保证网络对样本具有足够的输入敏感性和良好的拟合性，提高网络的收敛速度.本文通过Matlab软件的神经网络工具箱中的premnmx，postmnmx函数分别对原始数据进行归一化与反归一化处理，使用该归一化函数对数据进行标准化处理后，使数据在［-1，1］之间，有利于神经网络的训练.

2.5 网络的训练

本文采用LM（Levenberg-Marquardt）算法，该算法是为了训练中等规模的前馈神经网络而提出的最快速算法，它利用了近似二阶导数的信息，所以比BP算法收敛速度快很多.

采用LM算法训练BP网络的方法是：①将网络的训练函数设置为trainlm，每个神经网络只有一个训练函数与之对应；②设置trainlm的相关参数；③调用训练函数训练网络.

相关参数的确定：epochs指定训练的最大次数，设为500；show指定两次显示间的训练次数，设为50；goal指定误差平方和指标，其缺省值为0.01；lr指定学习速率，其缺省值为0.01.

2.6 BP神经网络模型

2.6.1 8-23-4BP网络

采用三层BP网络，输入层有8个节点，为p H、温度、HRT、碱度、进料VS浓度、Fe3+浓度、挥发分f、ORP，隐层节点数采用试错法确定，输出层有4个节点，为容积产酸能力、乙酸产率、丙酸产率、丁酸产率.采用1.4中网络训练方法以及设定参数值训练网络，经过训练，得出在网络中间层神经元数为23时，网络收敛速度较快，误差较小，训练次数为36次.

2.6.2 7-22-4BP网络

7-22-4BP神经网络模型采用三层BP网络，因为进料VS浓度、HRT、Fe3+浓度这三个值基本决定ORP的大小，故网络输入层去掉ORP这个节点，改为7个节点，即p H、温度、HRT、碱度、进料VS浓度、Fe3+浓度、挥发分f，隐层节点数采用试错法确定，输出层有4个节点，为容积产酸能力、乙酸产率、丙酸产率、丁酸产率.采用1.4中网络训练方法以及设定参数值训练网络，经过训练，得出在网络中间层神经元数为22时，网络收敛速度较快，误差较小，训练次数为107次.

3 BP网络的仿真分析

3.1 8-23-4BP网络的仿真分析

利用训练好的8-23-4FFBP网络模型对验证集的30组数据进行预测仿真，并与实际期望输出进行比较，其预测结果见图4～图7.

由图4计算出容积产酸能力的预测值与实测值之间的的相关系数r为0.936，平均相对误差为13.37%.由图5计算出乙酸产率的预测值与实测值之间的的相关系数r为0.872，平均相对误差为14.47%.由图6计算出丙酸产率的预测值与检验值之间的的相关系数r为0.938，平均相对误差为7.80%，.由图7计算出丁酸产率的预测值与实测值之间的的相关系数r为0.907，平均相对误差为12.60%.

图4 8-23-4BP网络容积产酸能力预测值与实测值的对比 Fig.4 Comparison of predicted value with actual value for total acid productivity in 8-23-4 BP neural network

图5 8-23-4BP网络乙酸产率预测值与实测值的对比 Fig.5 Comparison of predicted value with actual value for acetic acid yield rate in 8-23-4 BP neural network

图6 8-23-4BP网络丙酸产率预测值与实测值的对比 Fig.6 Comparison of predicted value with actual value for propionic acid yield rate in 8-23-4 BP neural network

图7 8-23-4BP网络丁酸产率预测值与实测值的对比 Fig.7 Comparison of predicted value with actual value for butyric acid yield rate in 8-23-4 BP neural network

3.2 7-22-4BP网络的仿真分析

利用训练好的7-22-4FFBP网络模型对验证集的30组数据进行预测仿真，并与实际期望输出进行比较，其结果如图8～图11所示.

由图8计算出容积产酸能力的预测值与实测值之间的相关系数r为0.967，平均相对误差为8.87%.由图9计算出乙酸产率的预测值与实测值之间的相关系数r为0.924，平均相对误差为12.46%.由图10计算出丙酸产率的预测值与实测值之间的的相关系数r为0.915，平均相对误差为9.40%.由图11计算出丁酸产率的预测值与实测值之间的的相关系数r为0.917，平均相对误差为12.30%.

两种BP神经网络的预测结果对比总结如表1所示.由表1可知，从相关系数、平均相对误差两个衡量指标来衡量，8-23-4BP网络其预测值与实测值的相关系数除乙酸产率外，都在0.9以上，平均相对误差都小于15%.7-22-4BP网络其预测值与实测值的相关系数都在0.91以上，平均相对误差都小于13%.7-22-4BP模型对污泥产酸过程预测比8-23-4BP模型更精确.8-23-4BP模型中考虑了ORP因素，对污泥丙酸产率预测更精确，但对污泥容积产酸能力预测误差较大.本实验污泥产酸最大时条件：p H6.0，温度37℃，HRT 3d，进料VS 20g／L，碱度740 mg／L，进料VS浓度20 g／L，Fe3+浓度0 mg／L，挥发分f 63.5%，ORP-135m V.在次工况下容积产酸能力759.23 mg（L·d），乙 酸 产 率39.90 mg VFA（g VS·d），丙酸产率36.15 mg VFA（g VS·d），丁酸产率37.89 mg VFA（g VS·d）.7-22-4BP模型对最佳工况时四项指标的预测值与实测值的误差分别为2.77%，6.31%，6.45%和3.43%，8-23-4BP模型对最佳工况时四项指标的预测值与实测值的误差分别为3.34%，2.17%，3.62%和4.97%.8-23-4BP模型对最佳产酸工况预测更精确.

图8 7-22-4BP网络容积产酸能力预测值与实测值的对比 Fig.8 Comparison of predicted value with actual value for total acid productivity in 7-22-4 BP neural network

图9 7-22-4 BP网络乙酸产率预测值与实测值的对比图 Fig.9 Comparison of predicted value with actual value for acetic acid yield rate in 7-22-4 BP neural network

图10 7-22-4 BP网络丙酸产率预测值与实测值的对比 Fig.10 Comparison of predicted value with actual value for propionic acid yield rate in 7-22-4 BP neural network

图11 7-22-4 BP网络丁酸产率预测值与实测值的对比 Fig.11 Comparison of predicted value with actual value for butyric acid yield rate in 7-22-4 BP neural network

表1 两种BP神经网络的预测结果 Tab.1 The results predicted by two BP neural network

Peter等［16］应用BP网络模拟控制厌氧消化过程中甲烷的产生和挥发性脂肪酸的产生，9-3-3BP网络对于总的VFA浓度预测值与实测值之间的相关系数为0.86，9-3-2BP用以模拟气体产量及其组分，气体产量和气体组成预测值与实测值之间的相关系数分别0.90和0.80.笔者建立的BP网络预测性能优于Peter等建立的BP网络.

笔者建立的BP网络预测误差主要来自以下方面：污泥酸性发酵是一个复杂的生物处理过程，受产酸菌活性的影响，但产酸菌活性在神经网络输入层中未完全体现出来；污泥酸性发酵过程中挥发酸的测定条件变化较大，因为得到的452组数据中，测定挥发酸的仪器和色谱柱发生了2～3次的变化，导致挥发酸的测定误差较大，即样本数据质量直接影响预测结果，这是主要的因素；样本集中训练集和验证集的划分对于模型拟合效果的影响较大.

4 结 论

1）用两种BP神经网络模型对污泥酸性发酵过程进行预测，8-23-4BP网络除乙酸产率以外，丙酸产率、容积产酸能力、丁酸产率预测值与实测值相关系数都大于0.9，各目标变量预测值与实测值平均相对误差都小于15%；7-22-4BP网络预测性能乙酸产率、丙酸产率、容积产酸能力、丁酸产率预测值与实测值相关系数都大于0.9，各目标变量预测值与实测值平均相对误差都小于13%，7-22-4BP模型网络预测性能优于8-23-4BP网络模型.8-23-4BP模型对污泥丙酸产率预测更精确.

2）两种BP神经网络模型可以实现对污泥酸性发酵过程的预测，但有一定的误差，误差主要是由于污泥酸性发酵过程中挥发酸的测定条件变化较大而造成的.

［1］Barlindhaug J，Hallvard D.Thermal hydrolysate as a carbon source for denitrification［J］.Wat Sci Technol，1996，33（12）：99-108.

［2］Cokgor E U，Ortay S，Tas D O，et al.Influence of p H and temperature on soluble substrate generation with primary sludge fermentation［J］.Bioresource Technology，2009，100（1）：380-386.

［3］彭晶，郭泽冲，侯玲玲，等.热碱预处理对剩余污泥发酵产酸效能提升的影响［J］.哈尔滨工业大学学报，2012，44（8）：43-47.Peng Jing，Guo Zechong，Hou Lingling，et al.Improvement of acidification performance of waste activated sludge by thermal alkaline pretreatment［J］.Journal of Harbin Institute of Technology，2012，44（8）：43-47.（in Chinese）

［4］Soare A，Kampas P，Maillard S，et al.Comparison between disintegrated and fermented sewage sludge for production of a carbon Source suitable for biological nutrient removal［J］.Journal of Hazardous Materials，2010，175（1／2／3）：733-739.

［5］李洪静，陈银广，顾国维.丙酸／乙酸对低能耗生物除磷脱氮系统的影响［J］.中国环境科学，2008，28（8）：673-678.Li Hongjing，Chen Yinguang，Gu Guowei.Effect of propionic to acetic acid ratio on biological nitrogen and phosphorus removal with low energy consumption［J］.China Environmental Science，2008，28（8）：673-678.（in Chinese）

［6］赵丹，任南琪，王爱杰.p H、ORP制约的产酸相发酵类型及顶级群落［J］.重庆环境科学，2003，25（2）：34-36.Zhao Dan，Ren Nanqi，Wang Aijie.Fermentation type and climax community controlled by p H、ORP［J］.Chongqing Environmental Sciences，2003，25（2）：34-36.（in Chinese）

［7］赵杰红，张波，蔡伟民.厌氧消化系统中丙酸积累及控制研究进展［J］.中国给水排水，2005，21（3）：25-27.Zhao Jiehong，Zhang Bo，Cai Weimin.Research progress on propionic acid accumulation and control in anaerobic digestion system［J］.China Water ffWastewater，2005，21（3）：25-27.（in Chinese）

［8］任南琪，王爱杰，马放.产酸发酵微生物生理生态学［M］.北京：科学出版社，2005.

［9］赵英，南军，崔福义，等.神经网络技术在水处理工艺建模中的应用［J］.给水排水，2007，33（10）：110-113.Zhao Ying，Nan Jun，Cui Fuyi，et al.Application of neural network simulator for modeling of water treatment process［J］.Water ffWastewater Engineeing，2007，33（10）：110-113.（in Chinese）

［10］卢金锁，黄廷林.基于神经网络技术的水质预测［J］.教学实践与认识，2007，37（18）：43-49.Lu Jinsuo，Huang Tinglin.Water quality forecast based on artificial neural network technology［J］.Mathematics in Practice and Theory，2007，37（18）：43-49.（in Chinese）

［11］邹志红，王学良.BP模型在河流水质预测中的误差分析［J］.环境科学学报，2007，27（6）：1038-1042.Zou Zhihong，Wang Xueliang.The errors analysis for riverwaterquality prediction based-on BP-modeling［J］.Acta Scientiae Circumstantiae，2007，27（6）：1038-1042.（in Chinese）

［12］李蕾，陈倩，薛安.基于BP和RBF神经网络的外加碳源量模型研究［J］.环境工程学报，2014，8（11）：4788-4794.Li Lei，Chen Qian，Xue An.Model based on BP and RBF neural network for predicting external carbon dosage［J］.Chinese Journal of Environmental Engineeing，2014，8（11）：4788-4794.（in Chinese）

［13］张群英.神经网络在工业污水处理建模中的应用［J］.计算机仿真，29（3）：258-261.Zhang Qunying.Research on industrial sewage disposal model based on neural network［J］.Computer Simulation，29（3）：258-261.（in Chinese）

［14］王爱杰.产酸脱硫反应器中硫酸盐还原菌的生态学研究［D］.哈尔滨：哈尔滨建筑大学，2000.

［15］胡荣笃.用乙酸计量各种脂肪酸时的换算方法［J］.中国沼气，1995，13（2）：46-47.

［16］Holubar P，Zani L，Hager M，et al.Advanced controlling of anaerobic digestion by means of hierarchical neural networks［J］.Wat Res，2002，36（10）：2582-2588.