用于厌氧膜生物反应器的膜污染速率预测方法与装置制造方法及图纸

本公开的实施例提供了一种用于厌氧膜生物反应器的膜污染速率预测方法与装置，涉及污水处理技术领域。该方法包括：获取样本集，其中，样本集中的样本以厌氧膜生物反应器的运行参数、生物质参数、膜组件参数为样本特征，以厌氧膜生物反应器的膜污染速率为样本标签；对样本集进行预处理，得到预处理后的样本集；根据预处理后的样本集对神经网络进行训练，得到预测能力较强的膜污染速率预测模型，进而基于该模型快速精确地进行膜污染速率预测，有效地提高膜污染速率预测效果。高膜污染速率预测效果。高膜污染速率预测效果。

【技术实现步骤摘要】
用于厌氧膜生物反应器的膜污染速率预测方法与装置


[0001]本公开涉及污水处理
，尤其涉及一种用于厌氧膜生物反应器的膜污染速率预测方法与装置。

技术介绍

[0002]厌氧膜生物反应器(Anaerobic Membrane Bioreactor，AnMBR)是一种将厌氧生物处理与膜分离过程相结合的新型污水处理技术，可以有效截留厌氧功能微生物，提高有机物降解效率以及运行稳定性。AnMBR凭借其优异的出水水质、高效的资源回收率以及更小的占地面积等优点，已成为最具前景的污水处理技术之一。尽管膜截留过程有利于功能微生物的生长以及出水水质的提升，但由此导致的膜污染问题限制了AnMBR的进一步推广应用。
[0003]膜污染会导致跨膜压差上升，膜通量下降，进一步致使膜清洗或组件更换频率加快、导致污水处理能力降低以及运行操作成本增加。因此，膜污染速率预测对于保证AnMBR的运行稳定性、实现膜污染的早期预警以及解析膜污染机理、研发膜污染控制措施等方面具有重要意义。
[0004]目前，传统的膜污染速率预测方案普遍误差较大，效果较差。因此，如何提高膜污染速率预测效果就成为了目前亟待解决的技术问题。

技术实现思路

[0005]本公开的实施例提供了一种用于厌氧膜生物反应器的膜污染速率预测方法与装置、设备以及存储介质。
[0006]第一方面，本公开的实施例提供了一种用于厌氧膜生物反应器的膜污染速率预测模型的训练方法，该方法包括：
[0007]获取样本集，其中，样本集中的样本以厌氧膜生物反应器的运行参数、生物质参数、膜组件参数为样本特征，以厌氧膜生物反应器的膜污染速率为样本标签；
[0008]对样本集进行预处理，得到预处理后的样本集；
[0009]根据预处理后的样本集对神经网络进行训练，得到膜污染速率预测模型。
[0010]在第一方面的一些可实现方式中，获取样本集，包括：
[0011]从多个厌氧膜生物反应器文件中筛选多组信息，其中，每组信息包括：厌氧膜生物反应器的运行参数、生物质参数、膜组件参数、膜污染速率；
[0012]根据每组信息构建样本，并根据各样本生成样本集。
[0013]在第一方面的一些可实现方式中，运行参数包括：有机负荷、进水化学需氧量浓度、生物气回曝速率、水力停留时间；
[0014]生物质参数包括：挥发性固体浓度、可溶性微生物产物蛋白质浓度、可溶性微生物产物多糖浓度、可溶性微生物产物蛋白质与多糖比率、胞外聚合物蛋白质浓度、胞外聚合物多糖浓度、胞外聚合物蛋白质与多糖比率；
[0015]膜组件参数包括：膜孔径、膜装填密度、膜通量。
[0016]在第一方面的一些可实现方式中，对样本集进行预处理，包括：
[0017]对样本集进行数据清洗；
[0018]对数据清洗后的样本集进行数据归一化。
[0019]在第一方面的一些可实现方式中，对样本集进行数据清洗，包括：
[0020]对样本集中各样本进行缺失值处理和异常值处理。
[0021]在第一方面的一些可实现方式中，根据预处理后的样本集对神经网络进行训练，得到膜污染速率预测模型，包括：
[0022]将预处理后的样本集划分为训练集和测试集；
[0023]根据训练集对神经网络进行训练，并根据测试集对训练后的神经网络进行性能评估；
[0024]若训练后的神经网络通过性能评估，则将训练后的神经网络作为膜污染速率预测模型；
[0025]若训练后的神经网络未通过性能评估，则调整当前神经网络的超参数，并根据训练集对调整后的神经网络进行训练，直到通过性能评估，将通过性能评估的神经网络作为膜污染速率预测模型。
[0026]在第一方面的一些可实现方式中，神经网络包括一层输入层，两层隐含层以及一层输出层；
[0027]输入层的神经元个数为14，第一层隐含层的神经元个数为9，第二层隐含层的神经元个数为6，输出层的神经元个数为1。
[0028]第二方面，本公开的实施例提供了一种用于厌氧膜生物反应器的膜污染速率预测方法，该方法包括：
[0029]获取待预测厌氧膜生物反应器的运行参数、生物质参数、膜组件参数；
[0030]将运行参数、生物质参数、膜组件参数输入膜污染速率预测模型，得到待预测厌氧膜生物反应器的膜污染速率；
[0031]其中，膜污染速率预测模型基于如上所述的膜污染速率预测模型的训练方法得到。
[0032]第三方面，本公开的实施例提供了一种用于厌氧膜生物反应器的膜污染速率预测模型的训练装置，该装置包括：
[0033]获取模块，用于获取样本集，其中，样本集中的样本以厌氧膜生物反应器的运行参数、生物质参数、膜组件参数为样本特征，以厌氧膜生物反应器的膜污染速率为样本标签；
[0034]预处理模块，用于对样本集进行预处理，得到预处理后的样本集；
[0035]训练模块，用于根据预处理后的样本集对神经网络进行训练，得到膜污染速率预测模型。
[0036]第四方面，本公开的实施例提供了一种用于厌氧膜生物反应器的膜污染速率预测装置，该装置包括：
[0037]获取模块，用于获取待预测厌氧膜生物反应器的运行参数、生物质参数、膜组件参数；
[0038]预测模块，用于将运行参数、生物质参数、膜组件参数输入膜污染速率预测模型，得到待预测厌氧膜生物反应器的膜污染速率；
[0039]其中，膜污染速率预测模型基于如上所述的膜污染速率预测模型的训练方法得到。
[0040]第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。
[0041]第六方面，本公开的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如上所述的方法。
[0042]在本公开的实施例中，可以获取样本集，其中，样本集中的样本以厌氧膜生物反应器的运行参数、生物质参数、膜组件参数为样本特征，以厌氧膜生物反应器的膜污染速率为样本标签；对样本集进行预处理，得到预处理后的样本集；根据预处理后的样本集对神经网络进行训练，得到预测能力较强的膜污染速率预测模型，进而基于该模型快速精确地进行膜污染速率预测，有效地提高膜污染速率预测效果。
[0043]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0044]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0045]图1示出了本公开的实施例提供的一种膜污染速率预测模型的训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于厌氧膜生物反应器的膜污染速率预测模型的训练方法，其特征在于，所述方法包括：获取样本集，其中，所述样本集中的样本以厌氧膜生物反应器的运行参数、生物质参数、膜组件参数为样本特征，以厌氧膜生物反应器的膜污染速率为样本标签；对所述样本集进行预处理，得到预处理后的样本集；根据预处理后的样本集对神经网络进行训练，得到膜污染速率预测模型。2.根据权利要求1所述的方法，其特征在于，所述获取样本集，包括：从多个厌氧膜生物反应器文件中筛选多组信息，其中，每组信息包括：厌氧膜生物反应器的运行参数、生物质参数、膜组件参数、膜污染速率；根据每组信息构建样本，并根据各样本生成所述样本集。3.根据权利要求1或2所述的方法，其特征在于，所述运行参数包括：有机负荷、进水化学需氧量浓度、生物气回曝速率、水力停留时间；所述生物质参数包括：挥发性固体浓度、可溶性微生物产物蛋白质浓度、可溶性微生物产物多糖浓度、可溶性微生物产物蛋白质与多糖比率、胞外聚合物蛋白质浓度、胞外聚合物多糖浓度、胞外聚合物蛋白质与多糖比率；所述膜组件参数包括：膜孔径、膜装填密度、膜通量。4.根据权利要求1所述的方法，其特征在于，所述对所述样本集进行预处理，包括：对所述样本集进行数据清洗；对数据清洗后的样本集进行数据归一化。5.根据权利要求4所述的方法，其特征在于，所述对所述样本集进行数据清洗，包括：对所述样本集中各样本进行缺失值处理和异常值处理。6.根据权利要求1所述的方法，其特征在于，所述根据预处理后的样本集对神经网络进行训练，得到膜污染速率预测模型，包括：将预处理后的样本集划分为训练集和测试集；根据所述训练集对神经网络进行训练，并根据所述测试集对训练后的神经网络进行性能评估；若训练后的神经网络通过性能评估，则将训练后的神经网络作为膜污染速率预测模型；若训练后的神经网络未通过性...

【专利技术属性】
技术研发人员：王志伟，牛承鑫，戴若彬，李雪松，
申请(专利权)人：同济大学，
类型：发明
国别省市：