0 引言
1 试验设计与数据来源
1.1 试验设计
1.2 数据来源
2 理论分析
2.1 主成分分析
2.2 BP神经网络
Fig. 2 Topological structure of BP neural network图2 BP神经网络的拓扑结构 |
3 模型构建
Fig. 3 Construction of membrane fouling prediction model图3 膜污染预测模型的构建 |
4 结果与讨论
4.1 影响因素的相关性分析
Table 1 Influencing factors of membrane pollution表1 膜污染影响因素 |
序号 | 影响因素 | 符号表示 |
---|---|---|
1 | 运行时间 | X1 |
2 | pH | X2 |
3 | CH4/CO2 | X3 |
4 | 进料COD | X4 |
5 | 出料COD | X5 |
6 | 电导率 | X6 |
7 | 总固体 | X7 |
8 | 挥发性固体 | X8 |
9 | 产水流量 | X9 |
10 | 膜压周期波动速率 | X10 |
11 | 渗透率 | X11 |
Table 2 Correlation coefficient matrix among influencing factors of membrane fouling表2 膜污染影响因素之间的相关系数矩阵 |
因素 | 相关系数 | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | X11 | |
X1 | 1.000 | 0.005 | -0.551 | 0.568 | -0.700 | 0.785 | 0.968 | 0.152 | -0.542 | 0.708 | -0.901 |
X2 | 0.005 | 1.000 | -0.138 | -0.122 | -0.347 | 0.148 | -0.021 | 0.033 | 0.025 | -0.069 | 0.062 |
X3 | -0.551 | -0.138 | 1.000 | -0.109 | 0.652 | -0.777 | -0.583 | -0.355 | 0.150 | -0.319 | 0.392 |
X4 | 0.568 | -0.122 | -0.109 | 1.000 | -0.157 | 0.149 | 0.447 | 0.155 | -0.741 | 0.406 | -0.648 |
X5 | -0.700 | -0.347 | 0.652 | -0.157 | 1.000 | -0.848 | -0.663 | -0.199 | 0.220 | -0.408 | 0.496 |
X6 | 0.785 | 0.148 | -0.777 | 0.149 | -0.848 | 1.000 | 0.831 | 0.350 | -0.199 | 0.470 | -0.551 |
X7 | 0.968 | -0.021 | -0.583 | 0.447 | -0.663 | 0.831 | 1.000 | 0.255 | -0.386 | 0.730 | -0.870 |
X8 | 0.152 | 0.033 | -0.355 | 0.155 | -0.199 | 0.350 | 0.255 | 1.000 | -0.007 | 0.210 | -0.219 |
X9 | -0.542 | 0.025 | 0.150 | -0.741 | 0.220 | -0.199 | -0.386 | -0.007 | 1.000 | -0.100 | 0.478 |
X10 | 0.708 | -0.069 | -0.319 | 0.406 | -0.408 | 0.470 | 0.730 | 0.210 | -0.100 | 1.000 | -0.876 |
X11 | -0.901 | 0.062 | 0.392 | -0.648 | 0.496 | -0.551 | -0.870 | -0.219 | 0.478 | -0.876 | 1.000 |
4.2 主成分分析
Table 3 Total variance interpretation表3 总方差解释 |
主成分 | 初始特征值 | 提取载荷平方和 | ||||
---|---|---|---|---|---|---|
总计 | 方差贡献率 / % | 累积贡献率 / % | 总计 | 方差贡献率 / % | 累积贡献率 / % | |
1 | 3.521 | 70.428 | 70.428 | 3.521 | 70.428 | 70.428 |
2 | 0.885 | 17.706 | 88.134 | 0.885 | 17.706 | 88.134 |
3 | 0.470 | 9.400 | 97.534 | / | / | / |
4 | 0.103 | 2.053 | 99.587 | / | / | / |
5 | 0.021 | 0.413 | 100.000 | / | / | / |
Table 4 Correlation coefficient matrix between principal components and corresponding variables表4 主成分与对应变量的相关系数矩阵 |
变量 | 相关系数 | |
---|---|---|
主成分1 | 主成分2 | |
X1 | 0.978 | 0.002 |
X4 | 0.569 | 0.781 |
X6 | 0.808 | -0.497 |
X7 | 0.974 | -0.133 |
X10 | 0.799 | 0.105 |
Table 5 Principal component factor load matrix表5 主成分因子载荷矩阵 |
因子 | 因子载荷 | |
---|---|---|
主成分1 | 主成分2 | |
X1 | 0.521 | 0.002 |
X4 | 0.303 | 0.830 |
X6 | 0.431 | -0.528 |
X7 | 0.519 | -0.141 |
X10 | 0.426 | 0.112 |
4.3 基于PCA优化的模型预测
Fig. 4 Fitting effect of single neural network model: (a) permeability variation; (b) the relative error图4 单一神经网络模型的拟合效果:(a)渗透率变化;(b)相对误差 |
Fig. 5 Fitting effect of PCA optimized neural network model: (a) permeability variation; (b) the relative error图5 基于PCA优化神经网络模型的拟合效果:(a)渗透率变化;(b)相对误差 |
4.4 膜污染影响因素分析
Fig. 6 Contribution analysis of membrane pollution factors图6 膜污染因素贡献度分析 |