（环境科学专业论文）洗车废水混凝处理技术的试验研究.pdf

a bs t r a c t a l o n gw i t ht h ed e v e l o p m e n to ft h es o c i a le c o n o m y , t h ep r o f e s s i o no fc a rw a s h i n gi s g o i n gt ob ep o p u l a r t h ep o l l u t i o nc a u s e db yc a rw a s h i n gw a s t e w a t e rb e c o m e sm o r es e r i o u s ， s oi ti si n d i s p e n s a b l et or e c y c l et h ew a t e r t h i st e s tc h o o s e st h ep a ca st h ec a t a l y s tt od e a lw i t hc a rw a s h i n gw a s t e w a t e rb yt h e e f f e c to f e n h a n c e dc o a g u l a t i o no fp o t a s s i u mp e r m a n g a n a t e ，s ot h ec o d ( c h e m i c a lo x y g e n d e m a n d ) ，l a s ( a n i o n i cd e t e r g e n t ) ，t u r b i d i t yh a v eb e r e rr e m o v a l a n da l s os t u d yt h ef a c t o r s e f f e c t i n gt h ec o a g u l a t i o nb yt h eo r t h o g o n a lt e s t t h er e s u l ts h o w e dt h a tt h em o r ea p p r o p r i a t e c o n d i t i o n st or e m o v ec o di sr e a c t i o nt e m p e r a t u r eo f2 0 c ，p ho f7 ，p a co f31m l ，r a p i d s t i r r i n gs p e e do f3 0 0 r m i n ，t i m eo f6 0 s ，m e d i u m s p e e ds t i r r i n gs p e e do f12 0r m i n ，t i m eo f 5 m i n ，s l o ws t i r r i n gs p e e do f8 0 r m i n ，t i m eo flo m i n , s e d i m e n t a t i o nt i m eo f2 0 m i n ；a n dt h e m o r ea p p r o p r i a t ec o n d i t i o n st or e m o v el a si sr e a c t i o nt e m p e r a t u r eo f1 5 。c ，p ho f4 ，p a co f 3 1 m l ，r a p i ds t i r r i n gs p e e do f3 0 0 r m i n ，t i m eo f 6 0 s ，m e d i u m - s p e e ds t i r r i n gs p e e do f1 2 0r m i n ， t i m eo f8 m i n ，s l o ws t i r r i n gs p e e do f8 0 r m i n ，t i m eo f5 m i n , s e d i m e n t a t i o nt i m eo f10 m i n c o da n dl a sr e m o v a lr e a c h e d91 3 2 a n d61 2 5 r e s p e c t i v e l y , t u r b i d i t yr e m o v a lr e a c h e d 91 3 2 t h er e s u l ts a t i s f i e dt h er e q u e s to ft r e a t m e n t ，t h ep r o c e s si sf e a s i b l e a c c o r d i n gt ot h eb a c kp r o p a g a t i o n ( b p ) a r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) t h e o r ya n dt h e c h a r a c t e r i s t i c so fc a rw a s h i n gw a s t e w a t e r t r e a t i n gp r e d i c t i o n ，t h ep a p e rg i v e s t h e4 p a r a m e t e r s b a c kp r o p a g a t i o n ( b p ) a r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) m o d e lo fc a rw a s h i n g w a s t e w a t e rt r e a t i n gp r e d i c t i o nb a s e do nt h er e a c t i o nt e m p e r a t u r et ，t h en u m b e ro fp h ，t h e r a p i ds t i r r i n gs p e e dva n dt h er a p i ds t i r r i n gt i m e t h ep a p e ra d o p t sm a t l a ba st h e c o m p u t a t i o n a lp l a t f o r mt ot r a i nt h em o d e lw i t ht h en e u r a ln e t w o r kt o o l b o x e s b yc o m p a r i n g t h ep r e d i c t i o nr e s u l t so ft h eb pm o d e lw i t ht h em e a s u r e dd a t a , i ti sp r o p o s e dt h a tt h er e s u l to f b pm o d e la f t e rt r a i n i n gh a dh i g hp r e c i s i o nt os i m u l a t et h ec a rw a s h i n gw a s t e w a t e rt r e a t i n g ， t h em a x i m u mr e l a t i v ee r r o r sb e t w e e nt h ep r e d i c t i o nr e s u l t so ft h eb pm o d e la n dt h em e a s u r e d d a t ao fc o da n dl a sa r e7 o a n d5 3 r e s p e c t i v e l y , a l ll e s st h a n10 t h ee r r o r sa r e a c c e p t a b l e ，s ot h em o d e l i ss a t i s f i e d k e yw o r d s ：c a rw a s h i n gw a s t e w a t e r ；r e c y c l i n gt e c h n o l o g y ；c o a g u l a t i o n ；o r t h o g o n a l t e s t ；b a c kp r o p a g a t i o nn e u r a ln e t w o r k 论文独创性声明 本人声明：本人所呈交的学位论文是在导师的指导下，独立进行 研究工作所取得的成果。除论文中已经注明引用的内容外，对论文的 研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本论 文中不包含任何未加明确注明的其他个人或集体已经公开发表的成 果。 本声明的法律责任由本人承担。 论文作者签名： 纭孝宁巾岁月嘞 论文知识产权权属声明 本人在导师指导下所完成的论文及相关的职务作品，知识产权归 属学校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请 专利等权利。本人离校后发表或使用学位论文或与该论文直接相关的 学术论文或成果时，署名单位仍然为长安大学。 ( 保密的论文在解密后应遵守此规定) 论文作者签名：纭岔寻 矽7年岁月西日 导师签名：l 基堂易1 治加7 年月 s 日 长安大学硕士学位论文 第一章绪论 1 1 研究目的及意义 近年来，随着我国经济建设的快速发展和人民生活水平的不断提高，单位和家庭拥 有的汽车数量日益增加，洗车行业得到迅猛发展。在美化市容和净化车容的同时，洗车 业也带来了明显的负面影响：浪费水资源、污染环境、加大了城市用水及废水处理的压 力。洗车废水中夹带大量泥砂，这些泥砂会阻塞城市的排水管网，导致排水不畅，雨季 到来时，可能造成城市局部积水甚或被水淹【l 】。同时，由于许多城市对洗车业的管理还 不规范，洗车废水的任意排放造成污水横流，不仅严重影响市容及市民的生活环境【2 】， 而且洗车废水中含有大量油类、有机物、阴离子表面活性剂等难降解物质，污染周边的 江河湖泊，使自然生态环境受到人为破坏【3 】。 据统计，用普通高压水枪清洗一辆小型汽车，要耗水1 0 0 多升，而西安市目前机动 车保有量就有6 5 万辆左右。保守估算一下，每辆车一个月清洗一次，那么每个月仅洗 车一项就要消耗这个城市6 5 万方水，照这样计算年耗水超过7 8 万方。让人不容乐观的 是，这种高压水枪加抹布的洗车方式目前还是西安市最为普遍的洗车手段，百分之九十 以上的洗车行均采用这种传统水洗方式，只有少数几家洗车行尝试洗车废水回用技术或 “无水洗车”业务。更令人担忧的是，传统洗车点排放的污水中含有大量泥沙，这些泥沙 沉淀在排污管道中，往往造成管道堵塞【4 】。一项试验表明，一个每天洗车1 0 0 辆的洗车 行，每月排放的污水中含有泥沙2 0 吨。此外，洗车废水中的化学物质、油脂还会污染 地表、地下水质，严重影响环境和居民的健康。 国外在洗车废水方面已经有比较完善的法规制度和规范，尤其在用水方面。如美国 对污水排量严格限制，美国洗车业的污水排放几乎为零，洗车大多采用“高气雾洗机”， 用水量大约3 升，而且配备吸水设备，不会污染环境。而德国政府运用价格杠杆对水的 使用严格限制。1 3 本政府则是在加大废水处理力度的同时大力普及中水管道，使用“杂 用水”( 指下水道再生水与雨水，可供冲厕所、冷却、洗车、街道洒水和浇树木等) ，同 时鼓励使用雨水【5 l 。 我国针对洗车废水耗费大量水资源及污染环境的现状，各地区也已经采取了相应的 措施，如北京、天津、石家庄等【2 1 。哈尔滨市曾多次季节性禁止使用清水洗车，一些城 市还通过高水价方式，用经济手段控制洗车水的消耗。例如北京、西安等地，据有关部 分预计，西安洗车行将限制使用自来水洗车。 第一章绪论 由此可见，严格控制洗车废水任意排放和循环利用是基本发展趋势，节约洗车用水、 减少洗车废水污染是极需解决的问题。为此，本文主要针对洗车废水的处理进行阐述， 并指出洗车废水循环利用是发展的必然趋势。 1 2 国内外洗车废水研究现状 国内外典型的洗车废水处理主要有两种情况：一是处理洗车废水比较集中、水量较 大的运输车辆场的洗车废水，它的含油量等污染物量较高；另一种是则处理分散在城市 中的中小型洗车行的洗车废水，除洗涤剂物质外，此类废水的各项污染指标均高于前者。 这就决定了两种水质处理的侧重点的不刚2 1 。 1 、运输车辆场的洗车废水的处理： ( 1 ) 传统工艺：采用沉淀一除油一过滤的处理工艺。运输车辆场的洗车废水一般 为修车后的含油废水和洗车废水的混合水，水量较大。如成都车辆段的洗车废水处理厂， 其处理工艺流程见图1 1 【6 】。在这个处理工艺中，沉砂槽和格栅的作用主要是对客车洗刷 的污水进行初次沉淀，将大颗粒的物质沉于沉砂槽中，大的悬浮物则被格栅拦截。斜板 隔油池是用来处理沉淀较大颗粒物质和漂浮油，用集油器收集漂浮油，输送至贮油池中。 通过调节沉淀池对水量和水质进行调节后，在气浮池中除去污水中的乳化油和悬浮物。 整个处理工艺所产生的污泥被输送至污泥干化场中进行干化。这种传统的处理工艺适用 于普通的洗车废水处理，但由于该流程有专门的除沙和除油工艺，占地面积较大，出水 可满足废水排放标准但却在总大肠杆菌、浊度等指标上不一定满足城市污水再生利用 城市杂用水水质标准( g b t 1 8 9 2 0 2 0 0 2 ) 的车辆冲洗要求( 见表1 1 ) 。因此，若需回 用则还要有更为严格的深度处理工艺。 表1 1 城市污水再生利用城市杂用水水质标准中车辆冲洗标准 序号项目 车辆冲洗 1 p h 6 0 9 0 2 色度s 3 0 3嗅无不快感 4 浊度n t u s 5 5 溶解性总【司体( m g l ) y 1矿 勿 p p 曩l o ， 图5 3 人工神经元的响应函数 1 、阈值单元：其响应函数如图5 3 a 所示： 3 7 d ) 第五章基于b p 神经网络的沈车废水处理模拟预测 出) 一姥宝 慨3 ， 2 、线性单元：其响应函数如图5 3 b 所示： y 攀仃( s ) = s ( 5 4 ) 3 、非线性单元：常用响应函数为s 型( s i g m o i d ) 函数，如图5 3 c ，d 所示。 口( s ) 嚣高 ( 5 5 ) 口( 5 ) = t a n h ( p s ) ( 5 6 ) 5 1 1 3 人工神经网络模型 人工神经网络的神经元的模型确定之后，神经网络的能力及特性主要取决于网络的 学习方法及拓扑结构。下面介绍人工神经网络连接的几种基本形式【2 9 】： 1 、向前网络：网络中的神经元是分层而排列的，每个神经元只与前一层的神经元 相互连接。最上一层为输出层，隐含层的层数可以是一层或者是多层。向前网络在神经 网络中应用是十分广泛的，例如，感知器就属于这种类型。 2 、从输出到输入有反馈的前向网络：本身网络是前向型的，与前一种有所不同的 是从输出到输入有反馈回路。 3 、层内互连前向网络：通过层内神经元间的相互连接，可以实现同一层神经元之 间的横向兴奋或抑制的机制，从而限制层内可以同时动作的神经数，或者把层内神经元 分为若干个组，让每一组作为一个整体来动作。例如一些自组织竞争型神经网络就属于 这种类型。 4 、互连网络：人工神经网络的互连网络分为局部互联和全互连两种形式。全互连 网络中的每一个神经元都与其他神经元相互相连；局部互连则是指它的互连只是局部 的，有些神经元之间并没有相互连接的关系。 5 1 1 4 常规数学模型化与神经网络模型化的比较 数学模型( 一般是指机理模型或经验模型) 中未知参数的辨识或估计方法如图5 4 所示，这是常规的数学模型化方法。已知试验数据集( 输入i ，输出i ) ，试验序号i - l ， 2 ，n ，并给定参数初值，则模拟目标与输出之间的比较，两者之间的残差平方和最 小为收敛准则。因此，利用最优化方法可以估计出未知参数。从而，估计参数后的数学 模型能够预测不同输入变量下的输出值【2 8 】。 3 8 长安大学硕上学位论文 从大量的计算过程来看，神经网络模型化与常规数学模型化较相似，都是采用最优 化的方法来确定未知参数，如图5 5 所示。神经网络代替了常规数学模型，而权值和阈 值( 也称偏差) 就是待估计的未知参数。一般所指的“调节权值和阂值实际上也是利 用最优化的方法，通过目标与输出之间的比较而调整，一直到网络输出与目标相匹配为 止，从而估计出权值和阈值的过程称为网络训练。网络训练好后的神经网络，才能够预 测不同输入变量下的输出值。 目标上目标上 鼍亟堕芦 纠乏一 参数估计ii参数估计ll 图5 4 常规模型参数估计图5 5 神经网络训练 神经网络模型化与常规数学模型化也有明显不同。常规数学模型化以小于1 0 的变 量和一个响应为基础。如果要求来自同一个变量集的更多的响应，应该使用常规数学模 型化方法时，通常必须分别为每一个响应都必须建立一个独立模型。而神经网络却能进 行单响应或多响应的模型化口0 1 。另一方面，常规数学模型具有明显物理意义，大多利用 “三传一反”的原理导出，但只适用于特定的物理过程；而神经网络是由许多并行互联 的神经元组成的输出输入的模型关系，虽然缺乏内在的物理意义，但通用性比较广，只 要有足够试验数据集，通常都可以预测不同输入变量下的模拟结果。 5 1 2b p 神经网络 反向传播网络( b a c kp r o p a g a t i o n n e t w o r k ，即b p 网络) 是一种多层前向神经网络， 它的神经元的变换函数是s 型函数，因此输出量为0 到l 之间的任意连续量，它可以实 现从输入到输出的任意的非线性的映射。由于其权值的调整采用反向传播( b a c k p r o p a g a t i o n ) 的算法学习，因此被称为b p 网络。 b p 网络有以下几个特点：l 、输入和输出是并行的模拟量；2 、网络的输入和输出 关系是由各层连接的权因子决定，没有固定的学习算法；3 、权因子是通过学习信号调 节的，这样学习越多，网络就越聪明。隐含层越多，网络输出精度就越高，且个别权因 子的损坏不会对网络输出产生较大的影响【3 l 】。 b p 网络主要应用于：l 、函数逼近即是用输入矢量及响应的输出矢量训练出一个网 络逼近一个函数；2 、模式识别即是指用一个特定的输出矢量将其与输入矢量联系起来； 3 9 第五章基于b p 神经网络的洗车废水处理模拟预测 3 、分类即是把输入矢量以其定义的合适方式进行分类；4 、数据压缩即是指减少输出矢 量维数以便传输或存储3 1 1 。 在人工神经网络的实际应用方面，8 0 9 0 的人工神经网络模型是采用b p 网络或 它的变换形式，b p 网络也是向前网络的核心，体现了人工神经网络最精华的部分【3 引。 一个b p 网络模型可以分为输入层、隐含层和输出层，各层采用全连接的相互方式， 同一层单元之间不相互连接。r u m e l h a r t 、h i n t o n 和w i l l i a m s 于1 9 8 6 年提出b p 网络普 遍采用的b p 算法，它是一种有监督的学习算法，b p 学习规则为调整网络的阈值和权值 使网络误差的平方和最小，这是通过在最速下降方向上不断调整网络的权值和阈值来实 现的。b p 网络示意图如图5 6 【3 3 】。 入第一层第二层第三层 n 、7 、7 、 r 厂1黔 j 2x ， f + ：二+ p 黔s3，2 f + 、岛 r 7x ，牟、月 t 删5 “r “，矿，蚶 。一乡0 1 ：一= = 一 口1 = ，1 ( w l p + b 1 ) 口2 = ，2 ( ，4 1 + 6 2 )口，= f ( 矿一+ 扩) a 3 = f 3 ( m ，3 厂2 ( w 2 厂1 ( w l p + b 1 ) + 6 2 ) + 6 3 ) 图5 6b p 网络示意图 b p 神经网络模型中有r 个输入，每个输入都通过一个适当的权值w 与下一层相连， 网络输出可表示为a = f ( w p + b ) 。在b p 多层网络中，隐层神经元的传递函数( t r a n s f e r f u n c t i o n ) 一般使用l o g s i g m o i d 型函数l o g s i 9 0 ，或者也可以使用t a n s i g m o i d 型函数 t a n s i 9 0 ，有些场合还可以使用纯线性函数p u r e l i n 0 。如果b p 多层网络的最后一层是 s i g m o i d 型神经元，那么网络的输出将限制在一个非常小的范围之内。如果最后一层是 p u r e l i n 型线性神经元，那么网络的输出值可以取任意的数值。b p 网络通常有一个或多 个隐含层，隐含层神经元采用s i g m o i d 型传递函数，输出层神经元则采用线性传递函数。 在实际应用的过程中，需要对b p 算法进行改进，提高计算速度使算法实用化。b p 算法的改进主要有两种途径，一是采用启发式学习的方法，例如带动量的梯度算法，可 看作是共轭梯度法的近似；另一种是采用有效的优化算法，如牛顿法和共轭梯度法等。 本文采用众多b p 改进算法中的其中一种：l e v e n b e r f g m a r g u a r d t 算法( 简称l m 算法) 1 3 4 1 。l m 算法实际上是牛顿法和梯度下降法的结合，既有梯度下降法又有牛顿法的局部 收敛性的全局特性。梯度下降法在开始几步目标函数下降速度较快，但在接近最优值时， 长安大学硕上学位论文 由于梯度趋于零，使得目标函数下降速度缓慢，而牛顿法可以在最优值附近产生一个理 想的搜索方向。 5 2 洗车废水处理模拟预测b p 网络的构建 建立洗车废水处理模型模拟预测的神经网络实质上是确定输入层、隐含层和输出层 之间以及按照一定的学习算法对网络进行训练，训练过程在于自动和自适地建立各层神 经元之间互连的阈值和权值的矩阵，当阈值和权值达到一定的稳定程度时即建立起了一 个神经元之间直至输入输出之间的映射关系【3 5 】。在本课题研究中，选取4 个混凝法处理 洗车废水的主要影响因素为输入层神经元，即反应温度t ( ) 、p h 值、快速搅拌速度 v ( r m i n ) 和快速搅拌时间t ( m i n ) 。以c o d 去除率c 和l a s 去除率b 为输出层神经 元，b p 网络模拟的函数可表达为： c ，b = f ( t ，p h ，v ，t )( 5 7 ) 5 2 1 隐含层数的选择 人工神经网络中，隐含层起到提取特征的作用。增加隐含层可以相应增加人工神经 网络的处理能力，但同时也使训练变得复杂和训练时间增加。h e c h t n i e l s e n 曾证明了当 节点具有不同限度时，对于在任何闭区间内的一个连续函数都可以运用一个隐含层的网 络来逼近，因而一个三层基于b p 学习算法的神经元网络可以完成任意的n 维到m 维的 映射。总体来说，开始先设定一个隐含层，然后按需要再增加隐含的层数【2 7 1 。本文由于 训练数据较少，设为1 个隐含层。 5 2 2 隐含层内节点数的选择 洗车废水处理效果的预测考虑4 个影响参数：即t 、p h 、v 和t ，而a n n 模型的 输入层则应该有4 个神经元，输出层则应该有2 个神经元。而对于多层隐含层神经元数 的选择迄今为止还没有一个统一的结论。一般来说神经元数的选定需要根据研究的实际 问题进行。 本研究中的隐含层和隐含层节点数应该根据训练的情况而定，具体就是指在网络训 练中试验多种不同的隐含层和隐含层节点数，以训练收敛速度及训练效果作为判断的准 则，激活函数采用双曲正切s 型函数，网络为采用s 形函数的前向多层神经网络，其 具有易训练、收敛性能好等优点【3 7 1 。因此，洗车废水处理模拟预测的模型结构如图 5 7 所示。 4 l 第五章基于b p 神经网络的洗车废水处理模拟预测 c b 辘出屡 稳台条q 2 肇赢) 麓天落 了p h v t 图5 7 洗车废水处理模拟预测的网络模型 5 3 预测模型的应用与验证 5 3 1 模型数据与训练 本文的原数据采用混凝法处理洗车废水的试验数据建立洗车废水处理模拟预测的 网络模型，如表5 1 所示。 表5 1 洗车废水处理模拟预测模型数据 因素 acd c o d l a s 反应温度 b 快速搅拌速度快速搅拌时间 去除率去除率 越登号 ( ) p h ( r m i n ) ( n f i n ) ( )( ) l1 542 0 03 0 6 1 2 85 7 6 2 - 22 574 0 06 0 8 4 7 35 7 1 l 32 0 1 03 0 0 9 08 1 3 55 5 2 8 训 4 1 5 7 3 0 03 09 1 3 25 2 2 3 练 52 0 4 4 0 06 07 3 5 l5 3 4 7 样 62 51 02 0 09 06 3 8 94 5 4 4 本 72 072 0 03 06 8 4 75 4 1 6 81 51 04 0 06 06 7 5 85 4 9 2 92 543 0 09 07 6 9 85 5 9 4 1 0 1 542 0 06 0 8 2 1 44 8 7 7 检测 1 l2 01 03 0 03 08 0 7 95 6 7 6 样本 1 22 574 0 09 07 0 1 24 3 2 8 本文样本共有1 2 组数据，其中选取前1 0 组数据用于训练网络，后2 组数据进行预 测检验。为了加速模型的收敛、消除量纲和计算方便的影响，以及防止部分神经元达到 4 2 长安大学硕上学位论文 过饱和状态，应该首先对样本进行适当的预处理。本文尝试对原始样本数据的输入和输 出值整理并且按照式( 5 8 ) 进行归一化【3 5 1 。然后利用m a t l a b 软件中的神经网络工具箱 进行程序编制及a n n 训练【3 9 1 。 x ：墨 ( 5 8 ) x r r a x 一工曲 式中，x 训练输入值；x 原始值；x m a x 原始值中的最大值；原 始值中的最小值 5 3 2 模拟结果及分析 5 3 2 1 模型的选择 数据训练时对含有一个隐含层的模型进行试算，然后比较其检测样本误差的大小值 选择较好的模型，如表5 2 、5 3 、5 4 所示。 表5 2 训练模型检测样本误差比较 淤 去除率测值( ) 实测值( ) 4 * 25 * 26 * 27 * 2 c o d苯酚c o d 苯酚 c o d 苯酚 c o d 苯酚 c o d 苯酚 8 0 7 95 6 7 68 0 2 35 6 4 78 0 1 66 0 5 58 0 1 75 6 8 68 1 2 15 6 2 2 7 0 1 24 3 2 87 6 5 64 8 1 27 3 6 44 4 2 66 4 4 24 6 3 98 0 3 34 0 0 5 r m s ( ) 6 5 l7 9 23 5 94 9 95 7 75 0 8 1 0 3 05 3 2 表5 3 训练模型检测样本误差比较 衾 去除率测值( ) 实测值( ) 8 * 29 * 21 0 21 1 2 c o d 苯酚 c o d 苯酚 c o d 苯酚 c o d 苯酚 c o d 苯酚 8 0 7 95 6 7 68 0 2 35 8 6 28 0 5 95 6 1 77 9 5 45 6 8 68 0 7 2 5 6 1 4 7 0 1 24 3 2 87 6 8 54 8 3 66 2 - 3 35 0 9 66 2 2 53 8 2 9 7 8 5 45 0 1 5 r m s ( ) 6 8 08 6 27 8 61 2 5 78 0 18 1 58 4 91 1 2 5 表5 4 训练模型检测样本误差比较 淤 去除率测值( ) 实测值( ) 1 2 2 1 3 21 4 21 5 2 c o d苯酚c o d苯酚c o d 苯酚 c o d 苯酚 c o d 苯酚 8 0 7 95 6 7 6 8 0 2 55 5 3 28 0 9 15 8 1 57 9 4 75 6 0 47 9 0 15 8 2 1 7 0 1 2 4 3 2 8 7 8 6 64 8 7 47 6 2 95 1 3 38 0 1 74 8 2 9 7 5 0 34 5 5 6 r m s ( ) 8 6 29 1 06 2 21 3 2 71 0 2 08 2 35 1 94 1 4 4 3 第五章基于b p 神经网络的洗车废水处理模拟预测 注：均方误差 r m s = 平均误差 e ：土n 妻f 甍趋1 峪”删值 葛i吼臻歹j 鼍衅”“鼍。印。5 “。雌 “4 * 2 ”表示二层神经网络模型，含有一个隐含层，隐含层有4 个神经元，输出层有2 个神经 元。 经过比较训练模型的检测样本均方误差可以得到，以5 * 2 和1 5 2 模型预测效果较 好，故选择5 * 2 和15 2 两个比较模型，比较两模型各预测值与实测值的平均误差见表 5 5 。 表5 55 * 2 与1 5 2 模型预测值比较 去除率实测值( ) 5 * 2b p 模型预测去除率( )1 5 2b p 模型预测去除率( ) 序号 c o d 苯酚c o d苯酚 c o d 苯酚 16 1 2 85 7 6 26 1 4 55 7 4 46 1 8 25 7 9 2 28 4 7 35 7 1 18 4 2 65 7 - 3 98 5 3 95 7 4 6 38 1 3 55 5 2 88 1 4 95 5 1 78 1 5 55 5 8 8 训 4 9 1 3 25 2 2 39 1 6 25 2 6 89 1 3 65 2 6 9 练 57 3 5 15 3 4 7 7 3 8 8 5 3 9 2 7 3 5 8 5 3 0 3 66 3 8 94 5 4 46 4 3 74 5 8 26 3 4 64 5 1 6 样 76 8 4 75 4 1 66 8 3 65 4 1 76 8 o l5 4 3 7 本 86 7 5 85 4 9 26 7 5 45 4 6 66 7 8 85 4 2 2 97 6 9 85 5 9 47 6 2 15 5 4 37 6 0 35 5 6 7 1 08 2 1 44 8 7 78 2 6 74 8 3 88 1 6 64 8 5 3 检测 1 l8 0 7 95 6 7 68 0 1 66 0 5 57 9 0 15 8 2 1 样本 1 27 0 1 24 3 2 87 3 6 44 4 2 67 5 0 34 5 5 6 平均误差e0 0 0 4 2 8 60 0 0 7 7 4 50 0 0 3 4 3 7 0 0 0 6 3 51 由上表可见，5 * 2 和1 5 2 两个模型各点的c o d 去除率平均误差分别为0 0 0 4 2 8 6 和 0 0 0 3 4 3 7 ，l a s 去除率平均误差分别为0 0 0 7 7 4 5 和0 0 0 6 3 5 1 。其中1 5 2 模型预测误差 较5 * 2 小，预测效果更好，确定以1 5 2 为b p 网络模型。 5 3 2 2 模型训练 b p 神经网络模型训练采用l m 算法，隐含层和输出层采用“t a n s i g ”函数，限定最大 训练步数为0 0 0 步，训练目标采用均方误差m s e ，本文设为0 0 0 1 。由于l m 法训练时 收敛速度很快，模拟时经过5 步即达到了训练日标。 5 32 3 结果分析 表5 6 可知b p 模型模拟训练和榆测结粜与实测值的比较结果。c o d 和l a s 的实测 值i 预测值比较图见图5 8 和5 9 ， 表5 6 实测值与预测值的误差图见罔51 0 。 b p 模拟结果与实测值比较 实4 值2 、除牢( ) 15 * 2b p 模口预测值去除牢( ) 序号 c o dl a s c o d 误筹( ) i a s 误差( ) 训 5 74 606 1 2 9 8 13 55 52 85 58 810 8 5 4 9 13 2 5 22 3 9 i3 6 练 7 35 8 5 30 3- 08 2 2 9 6 38 94 5 a 46 34 6_ o6 1 6 2 样 - 9 6 7 l8 6 75 85 49 26 78 8o4 4 3 9 术 7 69 85 59 47 60 35 56 7 4 87 7 8 l6 6 4 85 30 a 9 2 l 检测 8 07 97 9o l5 82 125 5 4 6 样本 7 0 1 24 32 87 50 3 4 55 6 9 5 9 0 蔷8 5 姜8 0 8 7 5 u 7 0 6 5 234567891 0 1 l 1 2 样奉点 图5 8b p 模型c o d 预4 值与实测值比较图 勰f l 4 蚺十b pf 9 托p 4 络洗t 峻啦址蝉幢姐顷烈 6 5 = 舢 簪 壁5 5 5 0 4 5 丰点 图5 9b p 模趔l a s 预测值与实测值比较图 234567891 01 11 2 样本点 顷测仂 图5 1 0l i p 模型预测值和实测值误差图 山图58 和5 9 可知，训练样奉的实测值与b p 网络模拟结果拟合效果良好，精确度 较高，几乎完午重番。而检测样本的模拟结果与实洲值结果订一定误差。山图51 0 可知， c o d 和l a s 的b p 网络模拟结果o ，实测值相对误差最大值分蹦为70 0 2 3 和52 6 8 0 ， 均不超过1 0 ，误差在可接受范田内，模型比较令人满意。故用b p 模型进行沈车废水 处理结果预测和模拟是可行的。 54 本章小结 根拒本葶所进于j _ 的论述，可以得到以下结论： 1 、本文确定的基于b p 神经网络的沈车废水模拟预测的模型结构为：一个隐含层 台有1 5 个节点，模哪训练采 l i u 算法，隐俞层和输出层聚用“t a t t s i g 丽数，限定最大训 练步数为1 0 0 0 步。训练目桥采用均方谋筹m s e ，本文设为00 0 1 。 2 、运片j b p 人工神经m 络建立的洗车废水处理预测模型，训练稳定后的b p 刚络模 犁对洗车废水处理，效果的预删推断具有很好的精度，c o d 干u l a s 的b p 网络模拟结果与实 测值误差最人值分别为70 0 2 3 和52 6 8 0 ，均不超过1 0 ，误筹任可接受范硐内，模型 长安大学硕十学位论文 较令人满意。故用b p 模型进行洗车废水处理结果预测和模拟是可行的。 3 、由于试验数据有限，训练样本较少，故训练模型具有一定的局限性，需进一步 研究而优化，使b p 人工神经网络具有普遍的适应性。 综上可知，运用b p 人工神经网络对洗车废水处理效果进行预测在理论上是可行的， 模型算法简单，避免繁锁的因素参数间影响层次和影响机理的分析，使建模过程得到简 化，同时又不失预测结果的客观性。在实际应用上也有很大实用价值和开发价值，不失 为一种洗车废水处理模拟预测的新途径。 4 7 第六章结论与建议 第六章结论与建议 6 1 结论 通过混凝法处理洗车废水试验过程及结果的研究，可以得到以下结论： 1 、本文通过对四种混凝剂( 聚合氯化铝、硫酸铝、硫酸亚铁和氯化铁) 的分析比 较优选得出，在混凝法处理沈车废水的试验过程中，p a c 无论是从处理效果还是经济评 价都是最优的，生成的矾花速度快，且矾花较大、密实、易于沉淀和泥水分离。 2 、高锰酸钾具有强氧化性，在对洗车废水进行混凝处理的过程中，可以起到强化 混凝的效果。本文将高锰酸钾氧化与混凝剂相结合，并且采取在混凝剂之前投加的方式， 强化混凝的效果更好。 3 、综合正交试验直观分析及方差分析结果，以及各因素对于c o d 和l a s 去除率 的显著性影响，得出去除c o d 及l a s 均适宜的条件为：反应温度2 0 、p h 值为7 、 p a c 投加量3 1 m l 、快速搅拌速度3 0 0 r m i n 、时间6 0 s 、中速搅拌速度1 2 0r m i n 、时间 5 m i n 、慢速搅拌速度8 0 r m i n 、时间1 0 m i n 、静沉时间2 0 m i n 。 4 、本文通过混凝法处理洗车废水的试验研究结果表明，采用将高锰酸钾氧化与聚 合氯化铝混凝剂相结合的方式处理洗车废水，可以达到处理要求，该工艺是可行的。c o d 的去除率最高可达到9 1 3 2 ，l a s 的去除率最高可达到6 1 2 5 ，浊度的去除率均可达 到9 9 。 5 、本文确定的基于b p 神经网络的洗车废水模拟预测的模型结构为：一个隐含层， 含有1 5 个节点，模型训练采用l m 算法，隐含层和输出层采用 t a n s i g ”函数，限定最大训 练步数为1 0 0 0 步，训练目标采用均方误差m s e ，本文设为0 0 0 1 。 6 、运用b p 人工神经网络建立的洗车废水处理预测模型，训练稳定后的b p 网络模 型对洗车废水处理效果的预测推断具有很好的精度，c o d 和l a s 的b p 网络模拟结果与实 测值误差最大值分别为7 0 0 2 3 和5 2 6 8 0 ，均不超过1 0 ，误差在可接受范围内，模型 较令人满意。故用b p 模型进行洗车废水处理结果预测和模拟是可行的。 6 2 建议 本文中运用b p 人工神经网络进行洗车废水处理模拟预测时，由于试验数据有限， 训练样本较少，因此训练模型具有一定的局限性。建议增加训练样本的范围和数量，进 一步优化该模型，使网络具有广泛的适应性。 4 8 长安大学硕十学位论文 参考文献 【1 】曹小燕，孙立宁等机动车清洗废水循环处理装置的研究给水排水，2 0 0 5 年第3 1 卷第8 期 【2 】崔福义，唐利，徐晶洗车废水处理技术现状及展望 j 】环境污染治理技术与设备，2 0 0 3 年第 4 卷第9 期 【3 李少林，魏宏斌，周栋洗车废水回用技术的研究应用进展 j 】净水技术，2 0 0 6 年第2 5 卷第2 期 【4 】边喜龙，谷峡，王红梅洗车废水回用实例及分析【j 】低温建筑技术，2 0 0 5 年第l 期 【5 】北京青年报，2 0 0 2 年8 月2 1 日 【6 】张梦兆成都车辆段含油污水处理工程设计简介 铁道标准设计，1 9 9 4 ，( 2 ) ：2 7 2 8 【7 】王波等机车车辆制造工业的污水处理机车车辆工艺，2 0 0 1 ，1 0 ( 5 ) ：1 4 1 6 【8 】李梅波等含油废水的膜处理技术 过滤与分离，2 0 0 0 ，1 0 ( 4 ) ：l o 1 4 【9 】樊栓狮等无机膜处理含油废水大连理工大学学报，2 0 0 0 ，4 0 ( 1 ) ：6 1 6 3 【1 0 】袁淑琴等 运输车场含油废水的处理环境保护，1 9 9 5 ( 4 ) ：1 5 1 6 【11 】k l o n gl u a n g ，s p a n p a n i t ，c v i s v a n a t h a n t h er o l eo fb e n t o n i t ea d d i t i o ni nu ff l u xe n h a n c em e n t m e c h a n i s m so fo i l w a t e re m u l s i o n j o u r n a lo fm e m b r a n c es c i e n c e ，2 0 01 ，18 4 ：5 9 6 8 【1 2 】c a t h a r m aj o m s o n ，a n n s o f tj o n s s o n t h ei n f l u e n c eo fd e g r e a s i n ga g e n t su s e da tc a rw a s h e so nt h e p e r f o r m a n c eo f u l t r a f i l t r a t i o nm e m b r a n e s d e s a l i n a t i o n ，1 9 9 5 ，1 0 0 ：1 1 5 - 1 2 3 【1 3 】樊翠珍洗车废水处理及回用技术的研究乙烯工业，2 0 0 6 ，4 【1 4 】谭振发j w y 型洗车废水再用设备【p 】专利申请号：0 0 2 6 6 6 4 0 5 ，2 0 0 1 1 5 】顾大明，马军，刘勇复合药剂强化混凝处理地表水试验研究哈尔滨工业大学出版社，第3 4 卷第3 期2 0 0 1 年6 月 【1 6 】李燕城主编水处理试验技术中国建筑工业出版社 1 7 】唐利，崔福义，王建玲、吴宝利高锰酸钾强化混凝处理洗车废水的研究给水排水，2 0 0 5 年第 3 l 卷第8 期 【1 8 】水处理试验技术西北建筑工程学院给排水教研室 【1 9 】汪荣鑫数理统计 m 】西安：西安交通大学出版社，2 0 0 4 【2 0 】胡亮，杨大锦e x c e l 与化学化工试验数据处理 m 北京：化学工业出版社，2 0 0 4 【2 l 】孟丽霞常温常压条件下高含硫、含酚废碱液的催化氧化处理研究 d 】长安大学，2 0 0 8 ，7 【2 2 】郑君里，杨行峻主编人工神经网络 m 】，高等教育出版社，1 9 9 2 2 3 】高隽人工神经网络原理及仿真实例【m 】北京：机械工业出版社，2 0 0 3 【2 4 】沈清等神经网络应用技术 蝴北京：国防科技