预测膜蒸馏水处理系统中膜污染趋势方法

发布时间：2018-4-12 13:46:58  中国污水处理工程网

　　申请日2015.06.19

　　公开(公告)日2015.09.23

　　IPC分类号G06F19/00

　　摘要

　　本发明公开了基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污染趋势的方法，首先利用LSSVM算法建立膜蒸馏污水处理过程的预测模型;其次分别在拟稳定状态和非稳定状态下，利用GA算法优化预测模型的参数;然后分别在拟稳定状态和非稳定状态下，利用优化的预测模型对膜通量以及膜污染阻力的变化趋势进行预测，并分析膜蒸馏的基本操作参数对膜通量和膜污染阻力的影响;最后对预测结果进行灵敏度分析计算，确定出影响膜通量和膜污染阻力的主导因素。本发明利用GA-LSSVM实时预测膜通量以及膜污染阻力变化情况，将膜蒸馏基本操作参对膜污染的影响明晰化、量化。

　　摘要附图

 

　　权利要求书

　　1.基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污染趋势的方法，其特 征在于，包括以下步骤：

　　(1)利用LSSVM算法建立膜蒸馏污水处理过程的预测模型;

　　(2)分别在拟稳定状态和非稳定状态下，利用GA算法优化步骤(1)建立 的预测模型的参数;

　　(3)分别在拟稳定状态和非稳定状态下，利用步骤(2)优化的预测模型对 膜通量以及膜污染阻力的变化趋势进行预测，并分析膜蒸馏的基本操作参数对膜 通量和膜污染阻力的影响;

　　(4)对步骤(3)得到的预测结果进行灵敏度分析计算，确定出影响膜通量 和膜污染阻力的主导因素。

　　2.根据权利要求1所述基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污 染趋势的方法，其特征在于，步骤(1)的具体过程如下：

　　首先，输入数据记为X，输出数据记为Y，这些数据分为训练数据和测试数 据，所述训练数据的集合记为A={(x1,y1),…,(xi,yi),…,(xN,yN)}，其中，xi∈X，yi∈Y， 1≤i≤N，N为训练数据集合的大小，利用非线性映射函数建立如下式(1)的回归 模型，将输入数据X映射到高维特征空间，

　　式(1)中，w为权值，b为偏置项，为非线性映射函数;

　　然后，建立式(2)所示的LSSVM优化问题，

　　$\min J(w,b,\xi )=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{N}{\Sigma }}{\xi }_i^2---\left(2\right)$

　　式(2)中，ξi为松弛因子，ξi>0，γ为正则常数;

　　最后，构造式(3)所示的拉格朗日函数，求解LSSVM最优化问题，

　　式(3)中，ai为拉格朗日乘数;分别对w,b,ξi,ai求偏导数，并令偏导数为0，消 去w和ξi，得式(4)，

　　$\left[\begin{array}{cc}0& 1_N^T\\ 1_N& \Omega +{\gamma }^{-1}{I}_N\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]---\left(4\right)$

　　式(4)中，Y=[y1,...,yN]T，1N=[1,...,1]T，a=[a1,...,aN]T，IN为N×N的单位矩阵， Ω为N×N的矩阵，它的第i行第j列的元素κ(xi,xj) 是内核函数。

　　3.根据权利要求2所述基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污 染趋势的方法，其特征在于：所述内核函数为径向基函数：

　　$\kappa (x_i,x_j)=\exp \left(\frac{-||x_i-x_j^2||}{{\sigma }^2}\right)---\left(5\right)$

　　式(5)中，σ2为内核参数。

　　4.根据权利要求3所述基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污 染趋势的方法，其特征在于：步骤(2)中所述利用GA算法优化的参数包括正 则常数γ和内核参数σ2。

　　5.根据权利要求2所述基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污 染趋势的方法，其特征在于，步骤(3)的具体过程为，分别在拟稳定状态和非 稳定状态下进行如下操作：

　　将温度差、错流速度、进水pH、膜孔径和膜蒸馏处理时间作为预测模型的 输入数据，将膜通量和膜污染阻力作为预测模型的输出数据，每次仅改变温度差、 错流速度、进水pH、膜孔径和膜蒸馏处理时间中的一个参数，保证其他参数不 变，运用GA算法优化LSSVM模型的参数，并将优化后的参数代入LSSVM模 型进行预测，再利用均方根误差RMSE和回归系数R2这两个评价参数对预测性 能进行评价，当RMSE越接近于0且R2越接近于1时，表明预测性能越好。

　　6.根据权利要求1所述基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污 染趋势的方法，其特征在于：在步骤(4)中，分别采用斯皮尔曼相关性、伽马 相关性、肯德尔相关性和皮尔逊相关性对预测结果进行灵敏度分析计算。

　　说明书

　　基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污染趋势的方法

　　技术领域

　　本发明属于膜蒸馏技术、污水废水处理领域，特别涉及了基于GA-LSSVM 模型预测膜蒸馏水处理系统中膜污染趋势的方法。

　　背景技术

　　近年来，膜分离技术发展迅速，包括纳滤膜、超滤膜、反渗透膜、膜蒸馏， 它们的快速发展为城市污水处理和工业废水处理提供新途径。膜蒸馏是基于气液 平衡及传热传质原理的热驱动过程，以微孔疏水膜为介质，在膜两侧蒸气压差的 作用下，进水中的挥发性组分以蒸汽形式透过膜孔，在膜的低温侧冷凝为液态， 而非挥发性组分留在热侧进料液中，从而达到分离并去除污染物的目的。膜蒸馏 技术应用于污水处理过程的优点在于：1、膜蒸馏浓缩过程在常压下进行，设备 简单，操作方便;2、在非挥发性水溶液的膜蒸馏过程中，仅有水蒸气能透过疏 水膜孔，因此出水水质好;3、与反渗透相比，盐浓度以及浓差极化对膜蒸馏影 响较小，因此可以处理含有高浓度无机盐的溶液，甚至可以将溶液浓缩到过饱和 状态。

　　然而，利用膜蒸馏技术处理污水最主要的限制来源于膜污染，膜污染会严重 导致膜通量的降低，膜蒸馏处理效率的下降。此外，膜污染还将增加额外的膜清 洗费用，缩短膜的使用寿命，并且因污水处理过程中需要频繁地更换新膜，而增 加了处理费用。膜的运行过程中，其污染程度主要取决于3个因素：1、系统的 运行参数;2、进水水质;3、膜本身性能。由于膜分离过程的非线性特征以及膜 污染与系统操作参数之间关系的模糊性，导致了膜蒸馏处理过程中，其基本操作 参数(比如：温度差、错流速度、进水pH、膜孔径、溶质粒子的粒径大小等) 对膜污染的具体量化的影响还不明晰，有待进一步的研究。因此，为探明系统操 作参数对膜污染的具体影响并将这种影响进行量化，需对膜蒸馏处理过程进行数 学模拟，即建立膜蒸馏污水处理过程的预测模型。

　　目前，用于预测膜分离过程的数学模型大致分为两类：1、理论模型(参数 模型);2、非参数模型;其中理论模型是基于机理知识的(即基本参数对膜污染 的影响机理)，要求对相应的膜污染影响机理非常了解，才可以应用理论模型进 行膜污染预测，但运算复杂、计算处理费用昂贵。而非参数模型则不需要对相应 机理(基本参数对膜污染的影响机理)了解得很透彻，弥补了理论模型存在的弊 端。由于膜蒸馏处理过程的复杂性以及基本操作参数对膜污染影响机理的不明确 性，因此需要选取合适的非参数模型对膜蒸馏过程进行预测。目前，应用较多的 算法模型有很多，包括GP(遗传规划算法)、模糊系统、ANN(人工神经网络) 等，其中当前应用最多的是ANN模型，它被广泛运用于各种膜分离处理过程(例 如：微滤MF、超滤UF、反渗透RO、纳滤NF、电渗析ED),其中ANN还成功 用于膜蒸馏过程的模拟预测。但是ANN存在以下缺点：1、预测结果仅为局部 极小值，而非全局极小值;2、难以确定其网络拓扑结构;3、易出现过度拟合问 题。

　　发明内容

　　为了解决上述背景技术提出的技术问题，本发明旨在提供基于GA-LSSVM 模型预测膜蒸馏水处理系统中膜污染趋势的方法，利用GA-LSSVM实时预测膜 通量以及膜污染阻力变化情况，将膜蒸馏基本操作参对膜污染的影响明晰化、量 化。

　　为了实现上述技术目的，本发明的技术方案为：

　　基于GA-LSSVM模型预测膜蒸馏水处理系统中膜污染趋势的方法，包括以 下步骤：

　　(1)利用LSSVM算法建立膜蒸馏污水处理过程的预测模型;

　　(2)分别在拟稳定状态和非稳定状态下，利用GA算法优化步骤(1)建立 的预测模型的参数;

　　(3)分别在拟稳定状态和非稳定状态下，利用步骤(2)优化的预测模型对 膜通量以及膜污染阻力的变化趋势进行预测，并分析膜蒸馏的基本操作参数对膜 通量和膜污染阻力的影响;

　　(4)对步骤(3)得到的预测结果进行灵敏度分析计算，确定出影响膜通量 和膜污染阻力的主导因素。

　　步骤(1)的具体过程如下：

　　首先，输入数据记为X，输出数据记为Y，这些数据分为训练数据和测试数 据，所述训练数据的集合记为A={(x1,y1),…,(xi,yi),…,(xN,yN)}，其中，xi∈X，yi∈Y， 1≤i≤N，N为训练数据集合的大小，利用非线性映射函数建立如下式(1)的回归 模型，将输入数据X映射到高维特征空间，

　　式(1)中，w为权值，b为偏置项，为非线性映射函数;

　　然后，建立式(2)所示的LSSVM优化问题，

　　$\min J(w,b,\xi )=\frac{1}{2}{w}^{T}w+\frac{1}{2}\gamma \underset{i=1}{\overset{N}{\Sigma }}{\xi }_i^2---\left(2\right)$

　　式(2)中，ξi为松弛因子，ξi>0，γ为正则常数;

　　最后，构造式(3)所示的拉格朗日函数，求解LSSVM最优化问题，

　　式(3)中，ai为拉格朗日乘数;分别对w,b,ξi,ai求偏导数，并令偏导数为0，消 去w和ξi，得式(4)，

　　$\left[\begin{array}{cc}0& 1_N^T\\ I_N& \Omega +{\gamma }^{-1}{I}_N\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]---\left(4\right)$

　　式(4)中，Y=[y1,...,yN]T，1N=[1,...,1]T，a=[a1,...,aN]T，IN为N×N的单位矩阵， Ω为N×N的矩阵，它的第i行第j列的元素κ(xi,xj) 是内核函数。

　　所述内核函数采用径向基函数：

　　$\kappa (x_i,x_j)=\exp \left(\frac{-\left|\right|x_i-x_j^2\left|\right|}{{\sigma }^2}\right)---\left(5\right)$

　　式(5)中，σ2为内核参数。

　　步骤(2)中所述利用GA算法优化的参数包括正则常数γ和内核参数σ2。

　　步骤(3)的具体过程为，分别在拟稳定状态和非稳定状态下进行如下操作：

　　将温度差、错流速度、进水pH、膜孔径和膜蒸馏处理时间作为预测模型的 输入数据，将膜通量和膜污染阻力作为预测模型的输出数据，每次仅改变温度差、 错流速度、进水pH、膜孔径和膜蒸馏处理时间中的一个参数，保证其他参数不 变，运用GA算法优化LSSVM模型的参数，并将优化后的参数代入LSSVM模 型进行预测，再利用均方根误差RMSE和回归系数R2这两个评价参数对预测性 能进行评价，当RMSE越接近于0且R2越接近于1时，表明预测性能越好。

　　在步骤(4)中，分别采用斯皮尔曼相关性、伽马相关性、肯德尔相关性和 皮尔逊相关性对预测结果进行灵敏度分析计算。

　　采用上述技术方案带来的有益效果：

　　本发明采用最小二乘支持向量机LSSVM来建立预测模型，克服了常用模型 的缺点，其适应性和预测性能较好，预测的速度也更快;本发明选用遗传算法 GA对LSSVM模型参数进行优化，具有既可处理离散变量又可处理连续变量、 针对非线性目标以及不需要梯度信息来约束函数等优点，优化精度较高;本发明 还对预测结果进行灵敏度分析计算，筛选出影响膜通量以及膜污染阻力的主导因 素。