������ϵ�y(t��ng)��ˮCOD�A�����(j��ng)�W(w��ng)�jģ��
ժҪ�����������ˮ�������ĵ�Carrousel������(���º��Q������)ϵ�y(t��ng)�鿼�쌦��ᘌ�ԓϵ�y(t��ng)�Mˮˮ�|(zh��)���s,�����Ɯ�����y�c,�������˹���(j��ng) �W(w��ng)�j �� ��Փ �� ���� ������ģ�M ���� ,�������˻���BP�W(w��ng)�j��������ϵ�y(t��ng)��ˮCOD�A��ģ��,��ģ�����ܙz���`���șz���������ɵ�ģ�͜ʴ_�ȸ�,���m���ԏ�,����ֱ������ԓϵ�y(t��ng)��ˮCOD�A���@�������Ϲ�ˇ�ھ������ṩ��һ�l�����;��,��
�P�I�~���˹���(j��ng)�W(w��ng)�j ������ϵ�y(t��ng) ��ˮCOD
The ANN Model Predicting Effluent COD of Carrousel Oxidation Ditch System.
Abstract: The carrousel oxidation ditch system in Luohe Center of Wastewater Treatment is difficult to control on-line because the influent characteristics are complex and vary significantly. To resolve the problem, advanced artificial neural network (ANN) was employed to simulate the correlation between water parameters of oxidation ditch system and a BPNN model predicting effluent COD was built up. Sentivity and performance tests showed that the model can adapt to different situations and has good ability to generalize. It can be directly used to predict effluent COD concentration, which is very helpful to oxidation ditch system control on-line.
Keywords: ANN; oxidation ditch system; effluent COD
�������ˮ����������2000��7����ʽͶ�a(ch��n),�����õ��ǵ��͵ĘO�ߴ����Ե�Carrousel�����Ϲ�ˇ����ˮ��Դ��Ҫ�����Uˮ,��ʳƷ�ӹ��Uˮ,�������Uˮ��������ˮ������Ҫ���gָ�ˣ�һ�ڹ��̣�2000��7.7�f��/��(������ˮ2�f��/��,�� ���I(y��) ��ˮ5.7�f��/��),���OӋ����8�f��/�գ��OӋ���Mˮؓ�ɣ�COD≤500mg/l,��BOD5≤200mg/l,��SS≤200mg/l���OӋ��ˮָ�ˣ�COD≤120mg/l,��BOD5≤30mg/l,��SS≤30mg/l,�����H��ˮˮ�|(zh��)��r(��ģ(���˹���(j��ng)�W(w��ng)�j�����������ϳ�ˮCOD�A���ģ�͵ĺ��Q)��(sh��)�W��(sh��)��(j��)����������������ӛ����г������·�����ӛ�)��SS��10��170mg/l,��COD��16��77mg/l,��TN��2.9��56mg/l��TP��0.03��0.91mg/l ;���ڹ���2010��11.8�f��/��(������ˮ2.6�f��/��,�����I(y��)��ˮ9.2�f��/��),�������Mˮ�й��I(y��)��ˮ�ɷ��_���s74%,���H�\��ˮ�|(zh��)���ӘO��ϵ�y(t��ng)���ɏ��қ_��,���MˮCOD���ӛ䛳��^600mg/l���MˮSS��(j��ng)���S����115��600mg/l,����ͬ�������Mˮˮ�|(zh��)�������,��ʹ��ˇ�ھ����Ʊ��^���֣���ˮ�_���ŷ��y�Ա��C,�����������@һ���s�Ļ�������ϵ�y(t��ng),������ Ӱ� ��ˇ�^�̵����ط����ď��s�Ժ߶ȷǾ��ԣ���Ҏ(gu��)��ģ���m����������,�����ԙC����������A�Ą����Wģ��Ҫ����Ϣ���,������(sh��)�Rȫ�����H���a(ch��n)�в������ƏV,���˹���(j��ng)�W(w��ng)�j(ANN)�����B�m(x��)�r�g�Ą����W�О�,�����õķǾ���Ʒ�|(zh��)����Ҏ(gu��)ģ���зֲ�̎��,���߶ȷ�(w��n)���Ժ� �W�� (li��n)�����������c,�����V�� ���� ��ģʽ�R�e����̖̎��,��ϵ�y(t��ng)������,������ANN���Բ������Ϣ��ģ������Ҫ�����R�����A�νY�������֪�R,����ģ��������[1-3],���� �о� ᘌ�ԓ��������������ϵ�y(t��ng)�Mˮˮ�|(zh��)���s�������,�����Ɯ�����y�c,��ͨ�^ʹ��BPģ�ͣ�ֱ���������\�Еr�����a(ch��n)��(sh��)��(j��)��W���ӱ���ģ,���A���ˮCOD,��Ԕ��̽ӑ��ģ���OӋ��Ӗ�����z�ȭh(hu��n)��(ji��),�����ɵ�ģ�͜ʴ_���^��,���m���ԏ�,��������һ�N�����c������Y�ϵ���Ч���ߣ�ֱ������ԓϵ�y(t��ng)��ˮCOD�A��,��
1 ģ��ԭ�����OӋ
1.1 BP�W(w��ng)�j�
���`������ԭ�t������BP(Back Propoga--tion)�W���㷨,���Ǯ�ǰANN���g����ɹ��ČW���㷨��ǰ����BP�W(w��ng)�j���ڴ˻��A�ϸ��M����(j��ng)�W(w��ng)�j,���Ǯ�ǰ������V���ľW(w��ng)�j���[4],�����о���MATLAB�h(hu��n)���µ���(j��ng)�W(w��ng)�j�������c�y(t��ng)Ӌ������[5]�锵(sh��)�W���ߣ����Ƶ�BPģ����������(j��ng)Ԫ�M��,������Ҫ���c�ǣ�
1.1.1 ݔ�����Ӱ푳�ˮCOD�ĸ����ؽM��,����ʹ�ӱ���Ϣ�M���S���������]��ָ�˱O(ji��n)�y�������,���x����� ���(sh��)����ݔ��ʸ����X1��ˮ��,��X2:�MˮSS���,X3���MˮCOD���,X4���Mˮ�������,X5��MLSS,X6��MLVSS,X7��SV30(����30��������w�e��)��ݔ���Ӯa(ch��n)��ANNݔ��ʸ��Y,�����о�ϣ��ݔ�����dz�ˮCOD���Y,���[���ӌӔ�(sh��)���x���c ���} �ď��s�����P���[���ӌӔ�(sh��)�����ӌ�ʹӖ���M�ü�������,�����о�����һ���[����,���[��(ji��)�c��(sh��)�Ĵ_�����]����ԭ�t���٘ӱ���(sh��)���ھW(w��ng)�j���{(di��o)��(sh��)[6];�ڎ�ƽ��Ҏ(gu��)�t[7]����һ�����ӾW(w��ng)�j������n��ݔ�빝(ji��)�c,��m��ݔ����(ji��)�c,���t���g�ӹ�(ji��)�c��(sh��)H= �����о�ȡ��(ji��)�c��(sh��)4��14,�����ڌ����ڸ�����(y��u)��,���D1�o����Ӗ���ɹ���һ�M�W(w��ng)�j�Y����
1.1.2����logsig��tansig����(sh��)�����[���Ӽ����(sh��),���քeʹ���@�ɷN����(sh��)���W(w��ng)�jӖ��,����(y��u)���á���logsig����ݔ���Ӽ����(sh��),����ݔ���Y��������[0,1],��ʽ�У�b��ƫ��ֵ,x��ʾ�[�����еĹ�(ji��)�c��(sh��)ֵ,��
logsig����(sh��)��
tansig����(sh��)��
1.1.3 ����Levenberg-Marquart�Ք�Ҏ(gu��)�t,��ԓҎ(gu��)�t�����˔�(sh��)ֵ��(y��u)���㷨���ɸ���(j��)�`���С�Ԅ��{(di��o)��ţ�D���c�ݶȷ���Ӗ���еı���,���� Ŀǰ �����Ք��㷨,�������Ӗ���M�á�
1.2��Ӗ�����c�z
ANNģ�͵��A�������c�W���ӱ��|(zh��)������Ϣ���o�����P����ˮCOD�A���BP�W(w��ng)�jģ��(���º��Qģ��)�ӱ���(sh��)��(j��)ȡ���������ˮ��������2000��8����2002��2���g���a(ch��n)��(sh��)��(j��),������ӛ�(����ȫ��ģ��ݔ��ݔ������(sh��))��89�M,�����l(f��)�����a(ch��n)�¹�(��ӛ�d����A�ж�������������Û��)��B(t��i)��ӛ�7�M,��ʣ��82�M(���]����(sh��)��(j��)�ӱ���Ҏ(gu��)ģ����,���ʰ�����һЩ�����ŷŔ�(sh��)��(j��))�������_����W���ӱ���,���Mˮˮ�|(zh��)����(sh��)׃��������ˮ�أ�10.8��3��;SS��139��1062mg/l;COD��109��694mg/l;NH4+-N��12.88��496mg/l;���ƅ���(sh��)��SV30��12��93;MLVSS��1107��3484 mg/l;MLSS��2226��6226 mg/l,�����a(ch��n)���o�Mˮˮ��ӛ�d���ʼٶ�ÿ���������Mˮˮ���B�m(x��)��(w��n)��,��������ģ�͙z�Y����ӳ���Mˮˮ����һ����Ҫģ�ͅ���(sh��),������ȱ�����P��(sh��)��(j��)��ʹ��ģ������Ƿ��,���Y�x��82�M�����Ԕ�(sh��)��(j��)��,��ͨ�^��Ҫ�ɷַ����������[8]���l(f��)�F(xi��n)���M�ӱ����xȺ�A��,������̫ͻ��������ȥ��,�Է�ֹ��Ϣ���ēpʧ,����K�_���W���ӱ�Ҏ(gu��)ģ��82�M,��
�ԚW�Ͼ��x������������ԵĽy(t��ng)Ӌ��������ƽ�����x�Д�����(j��)��ԭʼ�ӱ��֞�10�,������(j��)��Y��,���ĸ�����S�C���x1/3���ҵĘӱ��w��z��ʣ��Ěw��Ӗ����,����K�_��47�M����Ӗ��,��35�M���ڙz�����,�����C����ȡ��Ӗ���ӱ��ֲ��������ܸ��wԭʼ�ӱ��ṩ�ĽY����Ϣ,�����a��ԭʼ��(sh��)��(j��)���^�ٵIJ��㡣
��Ӗ�����c�z��(sh��)��(j��)���A̎��,���P���ڴ�������cҎ(gu��)�����ٱ���ԭʼ�ӱ��y(t��ng)Ӌ Ҏ(gu��)�� ,����(sh��)��(j��)�ؓ�Y�����ڽ^�־W(w��ng)�j����ݔ��Ҫ��ݔ���Ӽ����(sh��)�����Ѕ^(q��)��(n��i),�������M�벻���^(q��),����logsig����(sh��)���ԣ����Ѕ^(q��)��[0.15,0.85],���۾W(w��ng)�jݔ����׃�Q���ܷŴ��`��,�����о���ԭʼ��(sh��)��(j��)�������A̎��,ʽ��x����ԭʼֵ, xmin�cxmax�քe��ʾԭʼֵ�е���Сֵ�c���ֵ,xnorm��ʾӖ��ݔ��ֵ��
1.3����ģԇ�Ҫ�c
1.3.1������Ӗ�����z�ӱ����������������Сδ֪,���ʽ�ģ�����A��ʴ_��������ҪĿ��,���������ҪĿ��,���@������ٙz��`��E���z�ӱ��W(w��ng)�jݔ��ֵ���S�`�������;�ڜʴ_�ȣ�������E�ęz�ϸ��ʡ���Ӗ����ƽ���`��G����ģ�;���,�����Ȳ����^��,����t���T���W(w��ng)�jӛס������΅f(xi��)�{(di��o)�����c�ʴ_��֮�g��ì��,���ҳ�������ѽM��,���M�����_��ģ�������(y��u)���ǔ�(sh��)ֵԇ������֮�ء�
1.3.2��BP�W(w��ng)�j�W���Ք��ٶȼ��ֲ���С�c�����܌���ʼ����ֵ,��ƫ����ʮ������,�����о�ͨ�^�Ӵ��S�C��ʼ���Δ�(sh��)������ģ�͝M��⣬���o���ľW(w��ng)�j�Y��������(sh��)�M�ό���1000���S�C��ʼ����ֵ,��ƫ��������,��
1.3.3��ģ�����ܙz�������ָ��[9-12]:���Pϵ��(sh��)C,���������`��R,���˜ʾ������`��N��ƽ�������`��A,������ʽ��x,��y�քe��ʾݔ���cݔ���ӱ�ֵ����i��ʾ��i��Ӗ���r�����ӱ�ֵ,��n��ʾӖ���Δ�(sh��),�� �� ��ʾ�����ӱ���ֵ,��x1i��ʾݔ���һ��׃���ĵ�i���ӱ�ֵ,��x2i��ƣ�
���W(w��ng)�j���Hݔ���c����ݔ��(�^�yֵ)��ָ�˙z�ɷ�ӳ��ģ�͵ıƽ�����,��
1.3.4��ģ�͵��`���șz�[13]��Ŀ��ֵ�ڶ�S���g��ÿһ�c�S������׃����׃����׃��څ��,���`��������ƽ������ԓ�ݔ�댦�W(w��ng)�jݔ����Ӱ��^�����`�����������F(xi��n)ͻ׃���Д��ʾԓ�ݔ�댦�W(w��ng)�jݔ����Ӱ��^��,���˕rģ��ģ�M���ܲ���(w��n)��,�������@�ɷN��r�����^�m(x��)�������{(di��o)��ݔ��׃������(sh��)����Ӗ��,��
2 ģ��Ӗ�����z�
��ģ��(sh��)ֵԇ��(sh��)�{(di��o)�������O����E:0.2��0.4;G:0.001��0.5;�[��(ji��)�c��(sh��)H:4��14;�[���Ӽ����(sh��):tansig��logsig;ݔ���Ӽ����(sh��):logsig;Ӗ���������Δ�(sh��):1000,����72,000������Ӗ���кY�x����ѵ�һ�M��: �W(w��ng)�j �Y��7-6-1(������(j��ng)�W(w��ng)�jÿ�ӹ�(ji��)�c��(sh��)), E=0.3, G=0.15,H=6,�[���Ӻ���(sh��):tansig��ģ��Ӗ����(j��ng)�^18�ε����_����(w��n)��,��Ӗ����ƽ���`��0.13,�D2���`���½�����;ģ��ģ�M���z�(�A��)�Y��Ҋ�D3,��
�D2 �`���½�����
Fig 2. The Error Curve of Training
ģ������ָ��ֵҊ��1,��
��1 ģ������ָ��
Tab 1 The Values of Model Performance Testing
ָ�� |
C |
R | N | A |
ģ�M |
0.9517 |
5.0152 |
0.1309 |
0.1214 |
�A�� |
0.7399 |
9.9225 |
0.2645 |
0.2436 |
�C�� |
0.8709 |
7.5127 |
0.1978 |
0.1736 |
�� �W�� �ӱ����z�ϸ�Ęӱ�����ȡһ�M�ӱ�,����ݔ��ʸ��X1…X7�քe��:{14.3,273,292,33,5479,3394,44},����W(w��ng)�jݔ���S���ݔ��׃������׃��څ�ݣ��`��������Ҋ�D4
�D3 ��ˮCODԭʼֵ�cģ�M/�A��Y��
Fig.3. Observed and Simulated/Predicted Results of Effluent COD
�D4 ��`��������
Fig 4. The Sentivity Curves of Model
3 ��ӑՓ
3.1���W���ӱ����|(zh��)����ģ���A�ȼ��ʴ_�� Ӱ� �O��,���W���ӱ����������ɔ_������ģ�͵��A�ȼ��ʴ_��,���M��ͨ�^���ɷ� ���� �c�������Ч�ھ��˘ӱ���Ϣ�����ɔ_�cӖ���ӱ�Ҏ(gu��)ģ�^С��ģ��Ӗ���ʴ_���c�����Mһ����ߵ���Ҫ�ϵK,��
3.2��ģ�����ܙz�����ϸ�,���z������ƽ�������`��<0.25�����Pϵ��(sh��)�ӽ�0.75,�˜ʾ������`��0.26,ͨ�^�D3�ɿ���,��ģ�����A��^(q��)�܌���ˮCOD��ֵ�������_푑�,�������W(w��ng)�j��Ӗ���в�����������ϵ�y(t��ng)����(sh��)�g�Pϵ�ı��|(zh��)����E≤0.3��ǰ����,���A��ʴ_���_��82.9%,����E≤0.35��ǰ���£��A��ʴ_���_��88.6%,���C�����Pϵ��(sh��)0.87,�C�Ϙ˜ʾ������`��0.19,���ɵ�ģ�Ϳ���,��
3.3����(sh��)ֵԇ��У���߾���,���ʴ_���½�;���;���,���ʴ_�������������^�����Ęӱ�Ӗ������,���m�����;���,���љz����c���ڜʴ_�����ǿ�ȡ�ġ�
3.4 ���`��������������Ҋ,����ˮCOD��7�ݔ��?y��n)��?sh��)���`���Ⱦ��^��,���`���������⻬,�������ܶ�����ӳ���o��ˮ�|(zh��)�l���³�ˮCOD�c���ݔ��?y��n)��?sh��)�����P�Լ���헅���(sh��)����ˮCOD����ѿ����c,��
4 �YՓ
1 ���������ˮ��������������ϵ�y(t��ng)�鿼�쌦�����˹���(j��ng)�W(w��ng)�j ���� �����M��ģ�M����,��������������ϵ�y(t��ng)��ˮCOD�A��ģ��(���º��Q�A��ģ��),��
2 �������A��ģ�ͣ���E ≤0.3��ǰ����,���A��ʴ_���_��82.9%,����E≤0.35��ǰ���£��A��ʴ_���_��88.6%,���C�����Pϵ��(sh��)0.87,�C�Ϙ˜ʾ������`��0.19,��
3 �������A��ģ�ͣ���ˮCOD��7�ݔ��?y��n)��?sh��)���`���Ⱦ��^��,���`���������⻬,�������ܶ�����ӳ���o��ˮ�|(zh��)�l���³�ˮCOD�c���ݔ��?y��n)��?sh��)�����P�Լ���헅���(sh��)����ˮCOD����ѿ����c���齨��ˮ�|(zh��)����(sh��)�ķ�������ģ�ͣ����A���c����������Y��,�����F(xi��n)������ϵ�y(t��ng)�ھ����ܿ��Ƶ춨�˻��A,��
���� �īI ��
1 ��ެ. ��(j��ng) Ӌ�� ���ܻ��Aԭ��������[M]. �ɶ�: ���� ��ͨ ��W��������,2000.
2 ����,����ؑ,�ܶ�.�˹���(j��ng)�W(w��ng)�j��ˮ̎��ϵ�y(t��ng)��ģ�m���� �о� [J]. �h(hu��n)�� �ƌW �W��,1999,��19(1):33-36.
3 ������,���v�J,�����. �gЪ�ؚ��������ϵ�y(t��ng)��(j��ng)�W(w��ng)�jˮ�|(zh��)ģ��[J]. �Ї� �oˮ��ˮ,2000,16(11):15-18.
4 ���. �˹���(j��ng)�W(w��ng)�j���ý̳�[M]. ����: �㽭��W������,2001.
5 ��,��¶,��������. MATLAB��(j��ng)�W(w��ng)�j ���� �OӋ[M]. ����: �ƌW������,2000.
6 ������,�n˷�, ����. �\�ûؚw�����c�˹���(j��ng)�W(w��ng)�j�A�y�������廯����������オ�����ʳ���(sh��)[J].�h(hu��n)���ƌW,1998,
19(1):37-40.
7 ��|��,������,�ΐ����. BP��(j��ng)�W(w��ng)�j���ڽoˮ�ܾW(w��ng)ģ�Mԇ�r�Ę��셢��(sh��)�OӋ[J]. �oˮ��ˮ,2001,27(2):10-13.
8 �K����,������. MATLAB6.1����ָ��(�σ�)[M]. ����: ��� ���I(y��) ������,2002.
9 Sang H S, Sea C O, Byung W J, etc. Prediction of Ozone Formation Based on Neural Network[J].J. Envir. Engrg.,ASCE,2000, 8:688-696.
10 . Cameron M Z, Donald H B,, Slobodan P S. Short term streamflow forecasting using artificial neural networks[J]. J.Hydro, 1999,214(1):32-48.
11 .Catherine F.B, Pierre L.C..Neural Network Modeling of Organics Removal by Activated Carbon Cloths[J].J.Envir.Engrg,2001,(10):889-894.
12 . Tay J.H, Zhang Xie-yue. Neural Fuzzy Modelling of Anaerobic Biological Wastewater Treatment Systems[J].J. Envir. Engrg.,ASCE,1999,12:1149-1159.
13 .����O,�J��,�������. ģʽ�R�e�����ڻ��W�����еđ���[M].����:�ƌW������.2000.

ʹ����“��һ��”��������“���v�h(hu��n)���W(w��ng)”