T．S模糊神经网络在厌氧反应器预测中的应用

Application of T-S neural network in prediction for anaerobic bioreactors
Cao Gang Li Mingyu Wang Jun Fang Xianbao
(Department of Environmental Engineering，Jinan University，Guangzhou 5 10632)
Abstract Atier the three bioreactors became steady．state，they were shocked by the chloroform and 2，4．
dinitropheno1．The T．S fuzzy neural networks were created based on the database collected from the anaerobic
system shock，and were used to predict the biogas production rate，volatile fatty acid and CH4 of the bioreactors．
The results showed that the fuzzy neural network based on a bioreactor can perfectly predict performance of the
bioreator，its correlation coeficients of observed and simulated values were above 0．850 for both training data set
and testing data set．But the fuzzy neural network based on a bioreator could not predict well the other bioreac．
tor，the values of correlation coeficients of observed and simulated were below 0．500 for the biogas production
rate，volatile fatty acid and CH ．
Key words fuzzy neural network；toxic load；anaerobic bioreactor；prediction
厌氧反应器中的微生物处理过程涉及到物理、化学及生化反应而十分复杂，加之废水的组分及其浓度变化较大，厌氧处理系统呈现出较强的非线性、不确定性和时变性特征⋯ 。为了有效管理和控制反应器，使其达到预期目的，则需要建立合适的模型来预测反应器在进水负荷及环境条件改变时的性能变化规律。目前，预测模型建立的研究主要集中在动力学模型，动力学模型是建立在机理分析的基础上，由于太过复杂而常常无法求解，而且有些动力学参数很难确定，直接应用于模拟控制比较困难。
与动力学模型相比，神经网络模型则具有以下几个优点：(I)神经网络本身就是大规模非线性动态系统，非常适用于非线性系统建模；(2)具有并行处理能力，辨识速度高；(3)自适应、自我学习能力。这些优点对非线性系统的拟合预测具有广泛的用途。模糊神经网络由模糊推理系统与神经网络结合而成，具有两者的优点。T．S(takagi．sugeno，T—S)型模糊神经网络具有本质非线性且易于表达复杂系统的动态特性等特点，可以用很少的规则且很高的精度迫近一个高度非线性的系统 ’ ，得到越来越广泛的应用。
本文用T．s型模糊神经网络来模拟预测毒物负荷冲击下的厌氧反应器的容积产气速率(volumetric gas production rate，VGP)、挥发性脂肪酸(volatile fat．ty acid，VFA)和CH 体积含量的变化规律。
1 T—S模糊神经网络
T—S模糊神经网络模型包括2个部分：模糊规则前件和模糊规则后件。模糊规则前件用来计算每条规则的适应度，模糊规则后件是输入变量的线性

第1层(IJ1)为模糊规则前件的输入层，每个神经元与输入向量的分量相连，用来直接传递输入向量x，神经元的个数与输入向量的维数一样。
第2层(L2)的每个神经元代表一个语言变量值，用于计算输入向量的隶属度。神经元的隶属度函数用Gauss型函数。该层的神经元个数为m =

2 材料与方法
2．1 厌氧反应器启动及运行
试验装置如图2所示，R1为处理易降解有机物的UASB反应器，R2为处理有毒物质2，4一二硝基(dinitrophenol，DNP)的UASB反应器，R3为处理易降解有机物的厌氧滤器。3个反应器有效体积均为1．2 L，用模拟废水作为进水，进水情况见表1。UASB反应器总体积为1．4 L，试验装置均放置在30℃ 的恒温室内。反应器R1、R2和R3分别运行200、245和170 d后达到稳定运行状态。

2．2 负荷冲击试验设计
毒物负荷单独冲击试验、毒物负荷和有机负荷联合冲击试验见表2。毒物三氯甲烷采用脉冲方式冲击，其他负荷采用矩形波冲击方式。

3 结果与讨论
3．1 模糊神经网络建立
试验测得的所有数据分为2个部分：训练集和测试集。在样本具有代表性和均衡性的情况下选取训练集，训练集用于训练神经网络，确定神经网络的参数；测试集用来评价神经网络的性能。
3．1．1 输入参数的模糊空间划分
输入参数的模糊空间划分要合适，如果划分数目太多，网络的结构变得复杂，降低了学习速度；如果划分太少，会使得网络的预测能力变差。图3显示了反应器R1、R2数据集中预测VGP时模糊空间的划分情况。从图2中可看出，随着模糊空问划分数目增加，训练集的相关系数逐渐增加，但当模糊空间数目大于4个后，训练集的相关系数增加量变得很少；测试集的相关系数则是先增大后减小。网络训练所需要的时间随着模糊空间划分数目的增加而
一Rl Jl陈集相关系数一Rl测试集相关系数—-RI l练时间
— 口_R2 陈集相关系数—o-R2测试集相关系数— R2训练时问

增大，当模糊空间数目大于4个时，网络的训练时间有显著增加。从预测精度和计算时间综合考虑，预测VGP时把输入参数的模糊子空间划分3个较为合理。预测VFA和CH 时输入参数的模糊子空间划分亦类似。
表3给出了R1、R2和R3反应器的VFA、VGP和CH 神经网络的输入变量及其模糊空间的划分，其中t表示在第t时刻。

3．1．2 隶属函数的确定
模糊空间在网络训练之前，被均匀分割，子空间的隶属函数在隶属度0．5处相交，这既与实际经验相符，又能满足隶属函数完备性的要求。图4显示了反应器R2的神经网络输入参数VGP和CH 的隶属函数在训练前后的变化规律。神经网络训练之前，模糊空间被均匀分割，中心参数c的值均匀分布在VGP的变化空间，训练后的隶属函数中心参数c发生了化，VGP的中心参数c变小(训练后的曲线向左移)，而CH 的中心参数c变大(训练后的曲线向右移)。网络训练后，VGP和CH 的隶属函数宽度or均变小。VFA 的隶属函数亦有类似的变化规律。

3．2 模糊神经网络的训练
反应器R1、R2的T—s模糊神经网络结构建立之后，利用训练集中的数据对网络进行训练。R1反应器的VFA、VGP和CH 的实测值与神经网络计算值之间的相关系数分别为0．998、0．946和0，976，均方差分别为36．2、0．16和2．57；R2反应器的VFA、VGP和CH 的实测值与神经网络计算值之问的相关系数分别为0．991、0．992和0．987，均方差分别为44，5、0，26和1．81。
图5给出了反应器R2的数据点拟合情况，从图5看出，拟合点绝大部分集中在Y= 直线附近，偏离Y= 直线的点极少，这表明模糊神经网络对训练集的拟合效果非常好，也说明了T—s模糊神经网络具有很强的学习能力。
3．3 T．S模糊神经网络的预测分析
基于反应器R1数据集建立的T—s神经网络用来预测分析R1的测试集，反应器R1的VFA、VGP和CH 的实测值与神经网络预测值之间的相关系数分别为0．980、0．867和0．897；均方误差分别为35．1、0．33和5．88。基于反应器R2数据集建立的T—s神经网络用来预测分析R2的测试集，反应器R2的VFA、VGP和CH 的实测值与神经网络预测值之间的相关系数分别为0．976、0．940和0．951；均方误差分别为43．1、0．94和1．90。2个模糊神经网络的预测值与实测值的相关系数均大于0．850，但反应器R2的神经网络较R1的神经网络预测效果更好。
图6显示了预测值和实测值之间的关系，反应器R1的出水VFA预测曲线和实测点非常接近，VGP、CH 的预测值曲线与实测点在下降和上升阶段稍有偏离；反应器R2的VFA、VGP和CH 的预测

曲线和实测点均非常接近。这表明模糊神经网络较强的泛化能力，可以很好地预测毒物负荷冲击下厌氧反应器性能参数的变化。
3．4 不同反应器之间的模糊神经网络应用表4给出了不同反应器之间的模糊神经网络直接应用情况。基于反应器Rl建立的模糊神经网络应用到R2反应器上时，只有VFA的实测值与神经网络预测值之间的相关系数>0．800，而VGP、CH的实测值与预测值相关系数均<0．500。基于R2反应器建立的模糊神经网络应用到Rl反应器时，VFA、VGP和CH 的实测值与预测值相关系数均<0．500。基于反应器Rl或R2建立的模糊神经网络应用到R3，VFA、VGP和CH 的实测值与预测值相关系数基本上都低于0．500。这表明，基于某一反应器建立模糊神经网络直接应用其他反应器上时，其预测效果较差。

4 结论
毒物负荷冲击下的厌氧反应器具有较强的非线性、不确定性和时变性特征，基于某一反应器建立的T．s模糊神经网络可以很好地预测毒物负荷冲击下该反应器的VFA、VGP和CH 变化规律，实测值和神经网络预测值的相关系数均>0．850。但是基于某一反应器建立的模糊神经网络预测其他反应器的VFA、VGP和CH 时，其预测能力较差，预测值和实测值的相关系数基本上<0．500。
参考文献
Costello D． J．． Greenfield P． F．． Lee P． L． Dynamic
modeling of a single—stage high—rate anaerobic reactor． 1．
Model derivation．Water Research，1991，25(7)：847～
858．
IW A Task Group for Mathematical Modelling of Anaerobic
Digestion Processes． Anaerobic digestion model No． 1
(ADM1)，lAW Scientific and Technical Report No．13．
London：IW A，2002
刘普寅．一种新的模糊神经网络及其逼近性能．中国科
学E辑，2002，32(1)：76～86
张兵，钱锋，颜学峰，等．基于动态神经网络的非线性过
程在线预测．化工自动化及仪表，2006，33(6)：15～18
Rajasekaran S．，Febin M．F．，Ramasamy J．V．Artificial
fuzzy neural networks in civil engineering． Computers ＆
Structures，1996，61(2)：291～302
Takagi T．，Sugeno M． Fuzzy identification of systems and
its application to modeling and contro1． IEEE Transaction
on Systems，Man，and Cybernetics，1985，15(1)：116～
1 32．
[7]Chin L．，Mital D．P．Fuzzy logic and neural networks．
IEEE Region 10 International Conference on Global Con—
nectivity in Energy， Computer， Communication and Con—
trol，1998，1：195～199
[8]Shiqian W．，Meng J．，Jun L．Novel learning algorithm for
dynamic fuzzy neural networks．Proceedings of the Ameri—
can Control Conference，1999，4：2310～2314
[9]曹刚，徐向阳，冯孝善．碱度对UASB污泥颗粒化的影
响．中国给水排水，2002，18(8)：13～16
[1O]国家环保总局．水和废水监测分析方法(第4版)．北
京：中国环境科学出版社，2002．121～123，211～212
[11]贺延龄．废水的厌氧生物处理．北京：中国轻工业出
版社。2001．505～513
基金项目：广东省自然科学基金重点资助项目(7117909)；暨南大学
引进人才科研启动项目(51204018)