高浓度有机废水厌氧发酵反应动力学的神经网络求解方法

朱明

（南京工业大学 化工学院， 南京 210009）

近年来， 随着化石燃料的短缺和温室效应的加剧， 人们对可再生能源的需求不断增长［1－3］。 厌氧发酵通过生物化学反应将水体中的高浓度有机污染物转化为甲烷， 是解决未来能源危机最具前景的技术之一［4］。 采用厌氧发酵方法将高浓度有机废水转化为生物甲烷是同时实现节能与减排的有效手段。

由于厌氧发酵过程涉及多个生化反应， 反应动力学模型的建立与求解是过程设计与精准控制的难点。 Tan 等［5］提出的神经模糊模型虽然具有快速收敛的特点， 但是模型的可解释性差。 Batstone 等［6］提出的厌氧发酵反应动力学模型（ADM1）虽然具有良好的适用性， 但是模型的收敛速度较慢， 并且模型系数需要根据具体过程进行修正。 目前， 神经网络算法在高维空间的数据提取中获得了广泛的应用［7］。 BP 网络、 卷积神经网络、 长短时记忆网络等多种神经网络在复杂问题的求解方面取得了不错的进展［8］。 在求解微分方程方面， 神经网络算法不需要使用Runge－Kutta 格式或有限元方法就能获得数值解， 并且可以无限插值以提高求解区域的精度。 利用这一特性， 在难以获得复杂问题解析解的情况下， 可以借助神经网络算法获得问题的智能解。

本研究以神经网络算法为工具求解厌氧发酵的ADM1 模型， 以高浓度有机废水的发酵过程为例，在40 d 的反应周期内对神经网络获得的智能解进行评估。 在此基础上， 研究间歇式全混合反应器中污染物组成的变化规律， 以此找到污染物排放浓度与甲烷产率之间的最佳控制点。……