【谷騰環(huán)保網(wǎng)訊】膜生物反應(yīng)器（MBR）作為一種新型廢水處理技術(shù)在污水處理方面具有廣闊的應(yīng)用前景。但是，膜污染是制約MBR進(jìn)一步發(fā)展的瓶頸性問題。近年來，隨著數(shù)學(xué)算法及計(jì)算機(jī)技術(shù)的發(fā)展，將人工神經(jīng)網(wǎng)絡(luò)（ANN）等機(jī)器學(xué)習(xí)算法應(yīng)用于MBR的膜污染預(yù)測成為研究的熱點(diǎn)�？偨Y(jié)了膜污染的影響因素，探討了基于經(jīng)典數(shù)學(xué)模型膜污染預(yù)測的優(yōu)缺點(diǎn)，綜述了近年來國內(nèi)外學(xué)者運(yùn)用簡單ANN、優(yōu)化算法ANN和深度學(xué)習(xí)ANN對MBR膜污染預(yù)測的研究，提出優(yōu)化算法ANN與深度學(xué)習(xí)ANN在面對復(fù)雜環(huán)境下更具優(yōu)勢。此外，還探討了當(dāng)前運(yùn)用ANN機(jī)器學(xué)習(xí)算法進(jìn)行膜污染預(yù)測存在的缺陷，指出ANN模型在中試和工業(yè)化規(guī)模的MBR膜污染預(yù)測中應(yīng)用較少，并對其未來的發(fā)展進(jìn)行了展望。

膜生物反應(yīng)器（Membranebioreactor，MBR）是一種將活性污泥法與膜分離技術(shù)相結(jié)合的廢水處理技術(shù)，具有出水水質(zhì)好、負(fù)荷高和占地面積小等優(yōu)點(diǎn)〔1-2〕。目前，大型（10000m3/d）和超大型（100000m3/d）MBR污水處理廠在包括中國、美國和歐洲等世界各地相繼建成并投入使用。據(jù)預(yù)測，中國的大型MBR污水處理廠將超過300座，總污水處理規(guī)�？蛇_(dá)1500萬t/d〔2〕。但是，膜污染會導(dǎo)致跨膜壓差（Transmembranepressure，TMP）的上升和膜通量的下降，增加MBR的運(yùn)行成本，成為限制MBR廣泛應(yīng)用的瓶頸性問題〔3〕。

機(jī)器學(xué)習(xí)（Machinelearning，ML）是一種基于以往經(jīng)驗(yàn)或數(shù)據(jù)進(jìn)行分類與回歸的技術(shù)，不僅被運(yùn)用于農(nóng)業(yè)、氣候、安全、教育、醫(yī)學(xué)等行業(yè)〔4〕，也被廣泛運(yùn)用于污水處理領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)（Artificialneuralnetwork，ANN）作為一種機(jī)器學(xué)習(xí)模型，不僅具有參數(shù)少、預(yù)測性能好、泛化能力強(qiáng)等優(yōu)點(diǎn)〔5〕，而且具有極強(qiáng)的非線性映射能力、學(xué)習(xí)能力和黑箱建模能力。因此，應(yīng)用ANN模型進(jìn)行膜污染預(yù)測無需考慮復(fù)雜的膜污染中間過程，只需考慮與膜污染相關(guān)的指標(biāo)即可。石寶強(qiáng)等〔6〕早在2006年就綜述了ANN在MBR膜污染預(yù)測中的應(yīng)用研究，但是隨著對MBR膜污染機(jī)理的深入研究和ANN模型理論與技術(shù)的發(fā)展，亟需新的綜述對近年來的研究進(jìn)行總結(jié)。而F.SCHMITT等〔7-8〕雖然綜述了人工智能用于預(yù)測膜污染的研究，但是欠缺對傳統(tǒng)數(shù)學(xué)模型與神經(jīng)網(wǎng)絡(luò)模型差異的深入分析。基于此，筆者簡述了影響膜污染的因素，對比了傳統(tǒng)數(shù)學(xué)模型與人工神經(jīng)網(wǎng)絡(luò)模型的差異與優(yōu)劣，總結(jié)了近年來ANN模型在膜污染預(yù)測中的應(yīng)用及優(yōu)缺點(diǎn)，并對其未來的發(fā)展進(jìn)行了展望。

1膜污染的影響因素

膜材料、反應(yīng)器操作條件和污泥混合液特性是與膜污染密切相關(guān)的主要因素〔9〕，其涉及到的具體參數(shù)見圖1。

由圖1可知，膜污染的影響因素眾多且相互影響，因此很難厘清各自的具體作用。例如，進(jìn)水水質(zhì)、污泥停留時(shí)間（Sludgeretentiontime，SRT）和水力停留時(shí)間（Hydraulicretentiontime，HRT）等操作條件的改變不僅會直接影響膜污染，而且會導(dǎo)致污泥混合液特性發(fā)生變化，進(jìn)而改變膜污染速率〔10〕。

早期研究人員建立了關(guān)于操作條件、膜通量、過濾濾阻等參數(shù)的數(shù)學(xué)模型〔11-15〕。此后，有研究建立了表達(dá)污泥混合液特性〔例如混合液懸浮固體濃度（Mixedliquidsuspendsolids，MLSS）、顆粒粒徑（Particlesizedistribution，PSD）、溶解性微生物產(chǎn)物（Solublemicrobialproducts，SMP）等〕與膜污染關(guān)系的數(shù)學(xué)模型〔16-18〕。但是，這些傳統(tǒng)的數(shù)學(xué)模型一般為指數(shù)式經(jīng)驗(yàn)?zāi)Ｐ�，往往需要通過諸多假設(shè)來簡化計(jì)算，且各參數(shù)物理意義不明確，存在預(yù)測精度低和通用性差等問題〔6-7〕。因此，開發(fā)能夠更加精準(zhǔn)預(yù)測膜污染的模型對膜污染控制及其機(jī)理研究有重要意義。

膜污染模型的構(gòu)建需要選擇合適的影響因子作為輸入變量，并尋找變量與膜污染之間的關(guān)系。因此，厘清各膜污染因素之間的相互作用及其對膜污染的影響是構(gòu)建膜污染預(yù)測模型的前提條件。

1.1膜材料性質(zhì)

膜材料的性質(zhì)包括膜的材質(zhì)、親疏水性和粗糙程度等〔19〕，這些性質(zhì)均會對污染物在膜表面的遷移轉(zhuǎn)化產(chǎn)生顯著影響，進(jìn)而影響膜污染。例如，Y.JEONG等〔20〕比較了Al2O3陶瓷膜與聚偏氟乙烯（Polyvinylidenefluoride，PVDF）膜污染狀況，結(jié)果發(fā)現(xiàn)陶瓷膜具有更低的膜污染速率。膜的親疏水性也與膜污染密切相關(guān)，大量研究通過表面改性和共混改性法提高了膜表面的親水性能，從而減緩了膜污染〔21〕。此外，膜表面粗糙程度也與膜污染有關(guān)，例如有學(xué)者發(fā)現(xiàn)粗糙的膜表面有利于膠體顆粒在膜上的積聚，引發(fā)膜孔堵塞，從而導(dǎo)致嚴(yán)重的膜污染〔19〕。

1.2操作參數(shù)

不同的MBR系統(tǒng)操作條件也會影響膜污染，主要包括進(jìn)水水質(zhì)、運(yùn)行溫度、SRT、HRT、錯(cuò)流流速和曝氣強(qiáng)度等。SRT與HRT是影響MBR處理效能、污泥混合液特性和膜污染的重要因素。一般認(rèn)為SRT的增加會降低污泥活性和絮體大小，此外較長的SRT促進(jìn)了內(nèi)源性衰變和細(xì)胞裂解，導(dǎo)致SMP的增加〔22〕。例如，在厭氧MBR的研究中，ZhiHUANG等〔23〕比較了不同SRT（30d、60d、∞）對膜污染的影響，結(jié)果表明在較長的SRT下厭氧MBR中會積累較多的蛋白質(zhì)與多糖，MLSS增加，從而增加了膜污染速率。對于HRT而言，較短的HRT會導(dǎo)致有機(jī)負(fù)荷的增加，從而導(dǎo)致微生物分泌更多的胞外聚合物（Extracellularpolymericsubstances，EPS）和SMP，從而提升膜污染速率。例如，N.FALLAH等〔24〕比較了不同HRT對膜污染的影響，結(jié)果表明隨著HRT的降低，EPS和SMP顯著增加，污泥混合液的黏度也顯著增加，導(dǎo)致了較高的膜污染速率。此外，通過在膜表面增加錯(cuò)流流速和曝氣強(qiáng)度等物理剪切方式，減少顆粒物在膜表面的沉積也是減緩膜污染的常見方法。YingyuAN等〔25〕在厭氧MBR中發(fā)現(xiàn)，一定范圍內(nèi)增加含甲烷生物氣曝氣強(qiáng)度能夠減緩膜污染，但是過高的曝氣強(qiáng)度會破壞污泥絮體，導(dǎo)致污泥顆粒平均粒徑降低，從而更易形成致密的膜污染層，同時(shí)膜污染速率也會提高。

1.3污泥混合液特性

對膜污染存在影響的污泥混合液特性主要包括MLSS、EPS和SMP等。盡管MLSS并不是影響膜污染的主要因素，但是過高的MLSS（>15g/L）會增加混合液的黏度，導(dǎo)致膜污染速率的提高，過低的MLSS（<6g/L）則會降低SRT并增加食物微生物比率，同樣導(dǎo)致較高的膜污染速率〔26〕。EPS和SMP主要是由微生物生長代謝和衰敗過程中所釋放的蛋白質(zhì)、多糖、核酸、脂類物質(zhì)以及腐殖酸等有機(jī)物組成，其也被證明與膜污染密切相關(guān)，有研究表明EPS中多糖和蛋白質(zhì)的含量與膜污染速率呈正相關(guān)關(guān)系〔27〕。此外，SMP不僅可以吸附在膜表面，而且可以堵塞膜孔，從而降低膜面積并提高膜污染速率。

2膜污染預(yù)測模型的相關(guān)研究

2.1經(jīng)典數(shù)學(xué)模型

在過去幾十年里，研究人員相繼構(gòu)建了表達(dá)污泥混合液特性和運(yùn)行條件等與膜污染關(guān)系的經(jīng)驗(yàn)公式，并建立了經(jīng)典數(shù)學(xué)模型，其部分代表性成果見表1。

經(jīng)典串聯(lián)阻力模型是一種使用達(dá)西定律來描述不同膜污染層的過濾濾阻模型，數(shù)十年來被廣泛用于膜通量的預(yù)測〔11〕�；谠撃Ｐ�，B.TANSEL等〔12〕構(gòu)建了通量模型，在死端過濾與錯(cuò)流過濾初期成功地預(yù)測了通量下降到60%所需的時(shí)間。S.CHANG等〔13〕結(jié)合達(dá)西定律與Hagen-Poisenille公式〔14〕構(gòu)建了膜纖維半徑與膜通量關(guān)系的模型，描述了中空纖維膜中的膜污染情況。J.HERMIA等〔15〕基于膜通量下降的孔隙阻塞機(jī)制，根據(jù)膜孔堵塞情況選取不同n值（n=0，1，1.5，2），建立了通量預(yù)測模型以解釋膜通量與膜污染間的關(guān)系。

研究人員還構(gòu)建了污泥混合液特性與膜污染間的數(shù)學(xué)模型。例如M.F.R.ZUTHI等〔16〕以濾餅層模型與阻塞模型為基礎(chǔ)，構(gòu)建了SMP與膜污染間的半經(jīng)驗(yàn)數(shù)學(xué)模型，對TMP的變化進(jìn)行了精準(zhǔn)的預(yù)測。T.SATO等〔17〕建立了MLSS、COD與過濾濾阻之間的關(guān)系公式，其預(yù)測誤差為±24%。此外，F(xiàn)angangMENG等〔18〕基于MLSS、PSD和EPS，構(gòu)建了膜污染預(yù)測模型，用以闡明污泥混合液特性與膜污染的關(guān)系。

盡管經(jīng)典數(shù)學(xué)模型在膜污染預(yù)測方面取得了一定的成果，但是膜污染是一個(gè)受進(jìn)水特性、微生物活動(dòng)、過濾模式等多因素影響的復(fù)雜動(dòng)態(tài)過程，這些經(jīng)典數(shù)學(xué)模型往往為了簡化僅考慮部分影響因素或在建立模型過程中設(shè)置諸多假設(shè)，例如，基于串聯(lián)阻力定律的預(yù)測模型雖然有廣泛的應(yīng)用，但并沒有考慮生物膜的生長和不可逆污染物的形成等作用對膜污染的影響〔28〕，因而在實(shí)際應(yīng)用中不可避免會存在一定的誤差。

2.2機(jī)器學(xué)習(xí)常見算法

機(jī)器學(xué)習(xí)能從大量歷史數(shù)據(jù)中挖掘其隱藏的規(guī)律，并做出分類或回歸預(yù)測。機(jī)器學(xué)習(xí)常見算法及優(yōu)缺點(diǎn)見表2〔29-33〕。

由表2可知，機(jī)器學(xué)習(xí)能夠彌補(bǔ)傳統(tǒng)的數(shù)學(xué)模型預(yù)測精度低、實(shí)際應(yīng)用效果差等缺點(diǎn)〔29-33〕。目前機(jī)器學(xué)習(xí)已被運(yùn)用到MBR膜污染的研究中，不少學(xué)者使用隨機(jī)森林、SVM和多元回歸等來建立與膜污染相關(guān)的預(yù)測模型。隨機(jī)森林是一種以決策樹為基學(xué)習(xí)器的集成算法，李威威等〔31〕采用隨機(jī)森林算法預(yù)測膜通量，通過模型計(jì)算得到的預(yù)測值與真實(shí)值的平均誤差僅3.98%。SVM具有的核函數(shù)可以解決非線性問題，梁楷〔32〕基于SVM建立的膜污染預(yù)測模型有效地預(yù)測了膜通量，平均誤差僅為2.63%。多元回歸能選取自變量的最優(yōu)組合共同預(yù)測因變量，ZhanWANG等〔33〕通過多元回歸建立了化學(xué)清洗模型，通過模型預(yù)測通量恢復(fù)率，對減緩膜污染起到了指導(dǎo)性作用。盡管以上機(jī)器學(xué)習(xí)算法能夠在膜污染預(yù)測方面獲得較高的預(yù)測精度，但是仍然存在一定的局限性，例如，雖然隨機(jī)森林對數(shù)據(jù)集的適應(yīng)能力很強(qiáng)并具有較快的運(yùn)算速度，但其往往忽略數(shù)據(jù)集之間的相關(guān)性，導(dǎo)致預(yù)測精度下降。

鑒于膜污染過程的復(fù)雜性和非線性，簡單的機(jī)器學(xué)習(xí)只能粗略表示變量之間的關(guān)系，無法取得較高的預(yù)測精度。近年來，由于ANN能夠通過學(xué)習(xí)非線性的復(fù)雜關(guān)系來構(gòu)建數(shù)學(xué)模型，并且具有較強(qiáng)的泛化能力，對未知數(shù)據(jù)具有較好的預(yù)測效果，因此，部分學(xué)者逐漸將其應(yīng)用于膜污染的預(yù)測。對WebofScience上2006年至2020年運(yùn)用ANN算法研究膜污染的文獻(xiàn)數(shù)量進(jìn)行統(tǒng)計(jì)，結(jié)果見圖2。

由圖2可知，從2016年開始，關(guān)于ANN在膜污染方面研究的文獻(xiàn)數(shù)量迅速增加，可見ANN已經(jīng)成為研究膜污染預(yù)測及控制的重要工具。

2.3人工神經(jīng)網(wǎng)絡(luò)算法

ANN是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的算法。其簡單拓?fù)鋱D見圖3。

如圖3所示，ANN信息處理功能的實(shí)現(xiàn)主要依靠神經(jīng)節(jié)點(diǎn)的輸入輸出、神經(jīng)元的閾值及連接權(quán)值大小的調(diào)整。ANN的預(yù)測性能可以通過均方根誤差（Rootmeansquareerror，RMSE）、決定系數(shù)R2、相對誤差Error等參數(shù)來評估，其計(jì)算分別見公式（1）~（3）。

公式（1）~（3）中，yt(i)、y(i)yt(i)、y(i)分別表示第i個(gè)預(yù)測和輸出值，yˆy?表示所有n個(gè)數(shù)據(jù)所預(yù)測的平均值。RMSE被用來衡量模型預(yù)測值與真實(shí)值的偏離程度，其值越接近于0則表示預(yù)測值越接近真實(shí)值，決定系數(shù)R2越接近于1則表示模型的擬合效果越好。

人工神經(jīng)網(wǎng)絡(luò)在MBR的應(yīng)用中具有諸多功能，其中一種功能是對MBR中水質(zhì)進(jìn)行預(yù)測。例如，YuhangCAI等〔34〕運(yùn)用小波神經(jīng)網(wǎng)絡(luò)（Waveletneuralnetworks，WNN）對船舶廢水COD與氨氮去除率進(jìn)行模擬，其R2分別為0.999與0.997，可為反應(yīng)器的運(yùn)行與調(diào)控提供良好的參考。此外，A.R.PENDASHTEH等〔35〕成功構(gòu)建了一種處理含油高鹽廢水的水質(zhì)預(yù)測模型，采用該模型對水質(zhì)進(jìn)行預(yù)測，結(jié)果表明，廢水中COD、總有機(jī)碳（Totalorganiccarbon，TOC）和油脂的預(yù)測值與真實(shí)值較為接近，R2達(dá)到0.982。

ANN預(yù)測模型的另一個(gè)功能是預(yù)測膜污染并運(yùn)用敏感性分析來識別影響膜污染的關(guān)鍵因素。例如A.R.ALKMIM等〔36〕運(yùn)用多層感知器神經(jīng)網(wǎng)絡(luò)（Mutilayerperceptionneuralnetworks，MLPNN）對膜透水率進(jìn)行預(yù)測，R2可以達(dá)到0.964，且計(jì)算得出混合液揮發(fā)性懸浮固體濃度（Mixedliquidvolatilesuspendedsolids，MLVSS）對膜透水率的變化貢獻(xiàn)最大。H.HAZRATI等〔37〕利用反向傳播神經(jīng)網(wǎng)絡(luò)（Backpropagationneuralnetworks，BPNN）模型對TMP進(jìn)行預(yù)測，其R2=0.999，且發(fā)現(xiàn)MLSS、HRT和運(yùn)行時(shí)間3個(gè)變量均對TMP具有較大的影響。

2.4人工神經(jīng)網(wǎng)絡(luò)算法的分類及在膜污染中的應(yīng)用

對圖2所統(tǒng)計(jì)的運(yùn)用ANN算法研究膜污染的文獻(xiàn)進(jìn)行分類并統(tǒng)計(jì)，結(jié)果見圖4。

圖4（a）根據(jù)不同用法將ANN算法劃分為簡單人工神經(jīng)網(wǎng)絡(luò)、結(jié)合優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（Deeplearningneuralnetworks，DLNN）3類。圖4（b）展示了不同神經(jīng)網(wǎng)絡(luò)文獻(xiàn)占比。由圖4（b）可知，在統(tǒng)計(jì)的82篇文獻(xiàn)中，82.93%的研究采用簡單神經(jīng)網(wǎng)絡(luò)構(gòu)建輸入變量與目標(biāo)參數(shù)的模型，另有13.41%的研究采用了結(jié)合優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)，而基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的研究所占比例較小，不到5%。

筆者匯總了2016—2020年在MBR中運(yùn)用不同人工神經(jīng)網(wǎng)絡(luò)算法模擬膜污染的部分研究〔36-43〕，結(jié)果見表3。

目前在MBR膜污染預(yù)測中常用的簡單人工神經(jīng)網(wǎng)絡(luò)主要有MLPNN、BPNN和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radicalbasisfunctionneuralnetworks，RBFNN）等。這些簡單神經(jīng)網(wǎng)絡(luò)均包括輸入層、隱藏層、輸出層，但是又各具特點(diǎn)。MLPNN的不同層之間采用全連接的方式傳遞結(jié)果；BPNN的輸出結(jié)構(gòu)采用前向傳播方式，誤差采用反向傳播方式進(jìn)行；RBFNN則采用徑向基函數(shù)作為激活函數(shù)，它的輸出是輸入的徑向基函數(shù)和神經(jīng)元參數(shù)的線性組合。大量研究證明基于簡單ANN的預(yù)測模型具有較高的預(yù)測精度，例如F.SCHMITT等〔39〕在AO-MBR中利用MLPNN預(yù)測TMP，并構(gòu)建進(jìn)水水質(zhì)（總氮、總磷、硝酸鹽）與TMP的模型關(guān)系，其R2為0.850。盡管簡單人工神經(jīng)網(wǎng)絡(luò)在膜污染預(yù)測方面具有較高的精度，但是仍存在擬合時(shí)間長、參數(shù)眾多且無法解決某些最優(yōu)化問題等缺點(diǎn)。

在簡單神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上結(jié)合優(yōu)化算法，能夠通過改善訓(xùn)練方式來最小/最大化損失函數(shù)，具有加快神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度、快速尋找參數(shù)最優(yōu)值以及提高模型預(yù)測精度等優(yōu)點(diǎn)。應(yīng)用于膜污染預(yù)測的常見優(yōu)化算法包括遺傳算法（Geneticalgorithm，GA）和粒子群算法（Particleswarmoptimization，PSO）等。其中，GA是基于生物體進(jìn)化規(guī)律模型化問題的求解過程，具有優(yōu)越的優(yōu)化性能，被廣泛運(yùn)用于機(jī)器學(xué)習(xí)和信號處理等領(lǐng)域〔44〕。S.A.MIRBAGHERI等〔45〕采用MLPNN預(yù)測TMP及膜透水率，并用GA算法對權(quán)值進(jìn)行優(yōu)化，結(jié)果證實(shí)優(yōu)化后的模型具有更高的預(yù)測精度。PSO則是一種基于智能體的仿生優(yōu)化算法，在求解全局最優(yōu)解方面具有較大的優(yōu)勢，可以完成神經(jīng)網(wǎng)絡(luò)連接權(quán)值的訓(xùn)練、結(jié)構(gòu)設(shè)計(jì)和特征選擇等。劉志峰等〔46〕研究了一種PSO-BPNN，用粒子群算法代替?zhèn)鹘y(tǒng)的梯度下降算法，結(jié)果表明優(yōu)化后的模型具有更高的預(yù)測準(zhǔn)確度，平均誤差從2.35%下降至0.83%。但是，結(jié)合優(yōu)化算法模型的建立與參數(shù)優(yōu)化過程需要耗費(fèi)大量的時(shí)間，限制了其的廣泛應(yīng)用。

此外，簡單ANN和結(jié)合優(yōu)化算法的ANN的預(yù)測性能高度依賴于樣本量，并且在訓(xùn)練過程中往往會陷入局部最優(yōu)狀態(tài)，從而導(dǎo)致模型的預(yù)測穩(wěn)定性較差。近年來，DLNN由于能夠有效彌補(bǔ)簡單ANN和結(jié)合優(yōu)化算法ANN的不足，并挖掘數(shù)據(jù)的深度信息而被廣泛研究，其主要包括深度置信網(wǎng)絡(luò)（Deepbeliefnetwork，DBN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetworks，CNN）、堆疊式自動(dòng)編碼器（Stackedauto-encoders，SAE）網(wǎng)絡(luò)等。通常，DLNN是一種可以有效而靈活地表達(dá)高度變化的非線性的算法，具有強(qiáng)大的學(xué)習(xí)能力和非線性映射能力〔47〕。HongguiHAN等〔43〕開發(fā)了一種基于自組織深度置信網(wǎng)絡(luò)（Self-organizingdeepbeliefnetwork，SDBN）的膜透水率的預(yù)測方法，這種方法可以通過調(diào)整模型結(jié)構(gòu)及參數(shù)提高模型預(yù)測精度，與簡單ANN相比，該模型具有更高的精度（RMSE為0.872）。在一些情況下，深度神經(jīng)網(wǎng)絡(luò)的預(yù)測效果可能比結(jié)合優(yōu)化算法的ANN更佳。ShuaiSHI等〔48〕基于堆疊降噪自動(dòng)編碼器（Stackeddenoisingauto-encoders，SDAE）深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立了MBR的性能預(yù)測模型，結(jié)果發(fā)現(xiàn)與GA-BPNN模型相比，其具有更高的R2及更低的均方誤差（Meansquareerror，MSE）。盡管深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測精度，但是目前使用深度神經(jīng)網(wǎng)絡(luò)在MBR中進(jìn)行建模的研究相對較少，其原因可能是一方面深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的復(fù)雜性較高，模型構(gòu)建的時(shí)間遠(yuǎn)超簡單ANN，另一方面使用簡單ANN已經(jīng)可以滿足大多數(shù)的研究任務(wù)。

綜上所述，目前在MBR膜污染預(yù)測模型中，簡單神經(jīng)網(wǎng)絡(luò)因高預(yù)測精度與高效性，在短時(shí)間內(nèi)仍然是研究人員運(yùn)用的主流工具。但是，隨著優(yōu)化算法的運(yùn)用以及深度神經(jīng)網(wǎng)絡(luò)的開發(fā)，結(jié)合優(yōu)化算法的ANN與深度學(xué)習(xí)ANN在面對更復(fù)雜環(huán)境下更具優(yōu)勢，有望替代簡單神經(jīng)網(wǎng)絡(luò)成為未來研究膜污染預(yù)測模型的主要工具。

2.5ANN在中試MBR膜污染預(yù)測中的應(yīng)用

雖然研究已經(jīng)證實(shí)ANN在MBR膜污染預(yù)測上具有較高的性能，但是由于技術(shù)設(shè)備規(guī)模與廢水特性的差異，實(shí)驗(yàn)室小試規(guī)模反應(yīng)器的操作參數(shù)往往與實(shí)際的大規(guī)模反應(yīng)器有明顯的區(qū)別，因此，推動(dòng)ANN在中試規(guī)模MBR膜污染中的預(yù)測研究意義重大。Y.J.CHOI等〔49〕收集了中試規(guī)模的浸沒式MBR的長期運(yùn)行數(shù)據(jù)，并構(gòu)建了膜化學(xué)清洗后的通量、膜過濾時(shí)間及進(jìn)水水質(zhì)與膜透水率間的ANN模型，該模型R2可達(dá)0.950，實(shí)現(xiàn)了在中試規(guī)模下對MBR膜污染的精準(zhǔn)預(yù)測。盡管如此，目前相關(guān)研究仍大多停留于小試階段，在針對實(shí)際廢水的中試MBR以及污水處理廠中應(yīng)用依然較少。因此亟需根據(jù)中試及實(shí)際污水處理廠長期運(yùn)行的數(shù)據(jù)建立ANN膜污染預(yù)測模型，從而更加精準(zhǔn)地預(yù)測實(shí)際污水處理中MBR的膜污染狀況。

3結(jié)論與展望

目前，膜污染仍然是阻礙MBR廣泛應(yīng)用的瓶頸性問題，近年來，ANN模型因變量簡單、預(yù)測精度高等優(yōu)點(diǎn)被用于MBR膜污染的預(yù)測。但是研究表明，ANN模型用于MBR膜污染預(yù)測研究仍存在以下缺陷，是未來研究的重要方向：

（1）ANN本質(zhì)上屬于“黑箱”模型，目前由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特殊性難以對中間過程進(jìn)行解釋。因此，未來的研究可以側(cè)重于通過解析神經(jīng)網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)來厘清影響因子對膜污染的具體作用。

（2）ANN模型存在權(quán)值多、建模過程長等缺陷。因此未來膜污染預(yù)測模型的發(fā)展趨勢是優(yōu)先使用更多優(yōu)化的線性和非線性數(shù)據(jù)分析方法對數(shù)據(jù)進(jìn)行降維或特征提取，從而減少數(shù)據(jù)的復(fù)雜程度，進(jìn)而提高模型預(yù)測的精度并減少建模時(shí)間。

（3）目前ANN模型應(yīng)用于中試和工業(yè)化規(guī)模的MBR膜污染預(yù)測較少，亟需基于長期實(shí)際運(yùn)行的數(shù)據(jù)建立ANN膜污染預(yù)測模型，構(gòu)建完備的預(yù)測體系，為調(diào)整污水處理廠運(yùn)行操作條件提供技術(shù)支持，進(jìn)而提高其運(yùn)行效率、減緩膜污染并降低污水處理成本。

  使用微信“掃一掃”功能添加“谷騰環(huán)保網(wǎng)”