劉 林 謝 彬 馬邕文,2,3,* 萬金泉,2,3 王 艷,2,3

(1.華南理工大學(xué)環(huán)境與能源學(xué)院，廣東廣州,510006；2.華南理工大學(xué)工業(yè)聚集區(qū)污染控制與生態(tài)修復(fù)教育部重點(diǎn)實驗室,廣東廣州,510006；3.華南理工大學(xué)制漿造紙工程國家重點(diǎn)實驗室,廣東廣州,510640)

·廢水厭氧處理產(chǎn)氣量·

基于動力學(xué)和PSO-SVM的廢水厭氧處理產(chǎn)氣量的混合軟測量模型

劉 林1謝 彬1馬邕文1,2,3,*萬金泉1,2,3王 艷1,2,3

(1.華南理工大學(xué)環(huán)境與能源學(xué)院，廣東廣州,510006；2.華南理工大學(xué)工業(yè)聚集區(qū)污染控制與生態(tài)修復(fù)教育部重點(diǎn)實驗室,廣東廣州,510006；3.華南理工大學(xué)制漿造紙工程國家重點(diǎn)實驗室,廣東廣州,510640)

在實驗室搭建了一套基于IC厭氧反應(yīng)器的廢水厭氧處理系統(tǒng)，自制有機(jī)廢水(以葡萄糖、尿素、磷酸二氫鉀按COD∶N∶P=200∶5∶1的比例配制，同時加入微量元素)進(jìn)行實驗，該系統(tǒng)運(yùn)行2個月，采集159組運(yùn)行數(shù)據(jù)作為元數(shù)據(jù)集，以進(jìn)水有機(jī)負(fù)荷、反應(yīng)器溫度、反應(yīng)器pH值、氧化還原電位、體系積累的乙酸和進(jìn)水堿度為輸入量，以產(chǎn)氣量為輸出量，建立PSO(粒子群算法)-SVM(支持向量機(jī))傳統(tǒng)模型。為提升模型預(yù)測精度，在傳統(tǒng)模型基礎(chǔ)上，將反應(yīng)器溫度、反應(yīng)器pH值、體系積累的乙酸進(jìn)行動力學(xué)模型量化后建立混合模型。仿真結(jié)果表明，PSO-SVM模型對預(yù)測廢水厭氧處理體系產(chǎn)氣量表現(xiàn)較好，測試集的預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的相關(guān)系數(shù)為86.71%，引入動力學(xué)模型后的混合模型在產(chǎn)氣量預(yù)測中的精度提升較大，線性相關(guān)性R由86.71%提升至95.73%，可為監(jiān)控、優(yōu)化和理解厭氧消化過程提供指導(dǎo)。

厭氧消化；產(chǎn)氣量；動力學(xué)模型；粒子群算法；支持向量機(jī)

近年來，隨著工業(yè)廢水處理技術(shù)的發(fā)展，厭氧工藝在制漿廢水和廢紙造紙廢水處理中的應(yīng)用越來越廣泛[1]。但由于有機(jī)負(fù)荷頻繁變化、三氯苯酚等毒性物質(zhì)以及其他因素等的影響都會導(dǎo)致厭氧消化系統(tǒng)的崩潰[2]，厭氧消化過程監(jiān)控和分析技術(shù)的缺失被認(rèn)為是影響其處理效率和穩(wěn)定性的主要原因[3]。產(chǎn)氣量作為指示厭氧廢水處理效果的重要評價參數(shù)可以在線獲取，但是產(chǎn)氣量在預(yù)測有機(jī)酸累積、系統(tǒng)酸敗方面具有滯后性的缺點(diǎn)[4]。因此一方面，產(chǎn)氣量的預(yù)測對于提升厭氧消化過程的穩(wěn)定性和高效率具有重要的指導(dǎo)作用；另一方面，生物氣發(fā)電技術(shù)也需要對產(chǎn)氣量進(jìn)行實時預(yù)測以提高熱電轉(zhuǎn)換效率。

目前，針對基于人工神經(jīng)網(wǎng)絡(luò)的軟測量模型進(jìn)行了大量研究，其在廢水處理中運(yùn)用越來越廣[5- 6]。Minzhi Huang等人[7]將基于GA-ANN的軟測量模型應(yīng)用于預(yù)測實驗室IC反應(yīng)器出水COD濃度和產(chǎn)氣量，模型輸出值與實驗實際值之間的線性相關(guān)性分別為0.8805、0.9109，其研究結(jié)論認(rèn)為該模型可作為預(yù)測厭氧反應(yīng)器處理效能的有力工具。Henri Haimi等人[8]分析大量模型在廢水生物處理過程中的運(yùn)用，該研究認(rèn)為廢水生物處理是一個復(fù)雜的過程，處理過程參數(shù)的實時預(yù)測對于保證生物處理的高效性具有重要意義，并且大量豐富的元數(shù)據(jù)對于提高軟測量模型的精度極其重要。然而，目前用于模型的數(shù)據(jù)獲得途徑相對困難，大量的實驗耗時耗力；另一方面，成本和功利性監(jiān)測導(dǎo)致從工業(yè)廢水處理現(xiàn)場獲得的數(shù)據(jù)往往不是很豐富，比如要求工業(yè)廢水處理現(xiàn)場監(jiān)測進(jìn)水詳細(xì)組分、污泥性質(zhì)等是不現(xiàn)實的。

本研究將基于微生物動力學(xué)模型和支持向量機(jī)(SVM)回歸模型構(gòu)建軟測量模型，利用粒子群算法(PSO)對模型參數(shù)尋優(yōu)，預(yù)測廢水厭氧消化過程產(chǎn)生的產(chǎn)氣量；基于Monod方程建立的各種動力學(xué)模型簡化和揭示了環(huán)境因素影響微生物生長的關(guān)系[9]，引入動力學(xué)模型量化環(huán)境因素對厭氧體系的影響，降低元數(shù)據(jù)集的維度，在有限數(shù)據(jù)量情況下提高軟測量模型的性能，為監(jiān)控和優(yōu)化廢水厭氧處理，提高厭氧處理穩(wěn)定性和效率，提高生物氣的有效利用提供指導(dǎo)。

1 材料與方法

1.1 實驗系統(tǒng)

為獲得不同進(jìn)水條件下廢水厭氧降解有機(jī)物產(chǎn)氣量的變化以及處理的效果，在實驗室搭建一套廢水厭氧處理系統(tǒng)。實驗裝置如圖1所示，實驗所用的IC厭氧反應(yīng)器為有機(jī)玻璃制作，高度1272 mm，內(nèi)徑200 mm，有效容積25.1 L，第一反應(yīng)區(qū)與第二反應(yīng)區(qū)的體積比為4∶1，廢水通過BT600-2J型蠕動泵輸送至反應(yīng)器內(nèi)，水質(zhì)參數(shù)在線監(jiān)測系統(tǒng)由在線pH值儀表(美國哈希公司，GLI MODEL33)、在線ORP儀表(GOLDTO TP560)、PT100溫度傳感器(u2p- 010)和濕式氣體流量計(LML-1型)組成。反應(yīng)器接種污泥為廣州某造紙廠IC反應(yīng)塔厭氧顆粒污泥，其總固體懸浮物(TSS)為112.56 g/L，揮發(fā)性懸浮物(VSS)為132.04 g/L，VSS/TSS為0.852 。

圖1 實驗裝置圖

實驗廢水將采用人工自配有機(jī)廢水，有機(jī)廢水以葡萄糖、尿素、磷酸二氫鉀按COD∶N∶P=200∶5∶1的比例配制，同時加入微量元素以保證厭氧微生物微量元素所需，微量元素母液組成見表1。反應(yīng)器運(yùn)行過程中通過改變進(jìn)水有機(jī)負(fù)荷、進(jìn)水堿度的方式改變反應(yīng)器進(jìn)水條件和處理條件來獲得不同條件下厭氧處理產(chǎn)氣量。實驗期間，pH值、ORP、溫度由在線監(jiān)測系統(tǒng)檢測，產(chǎn)氣量采用濕式氣體流量計測定，揮發(fā)性脂肪酸(VFA)濃度及其組分含量采用氣相色譜(A90氣相色譜儀)外標(biāo)法測定。

表1 微量元素母液組成及濃度

1.2 微生物動力學(xué)模型

1.2.1 pH值影響函數(shù)

產(chǎn)甲烷菌適宜的pH值在6.8～7.2之間。微生物對pH值的波動十分敏感，即使在其生長pH值范圍內(nèi)的pH值的突然改變也會引起細(xì)菌活力的明顯下降。超過pH值范圍的pH值改變會引起更嚴(yán)重的后果，低于pH值下限并持續(xù)過久時，會導(dǎo)致甲烷菌活力喪失而產(chǎn)酸菌大量繁殖，引起反應(yīng)器的“酸化”[10]。pH值的抑制是細(xì)胞同態(tài)的破壞和低pH值下弱酸濃度增加兩相作用的結(jié)果，或是高pH值下的弱堿抑制和運(yùn)輸限制，它不同程度地影響所有的微生物。Boon[11]在1994年證實了批量消化對初沉污泥的影響，并指出最佳的水解發(fā)生在pH值為6.8時；但pH值在6.5～7.5之間時，水解效果變化不明顯。I. Angelidaki等人[12]提出了一個pH值影響微生物生長的函數(shù)如式(1)所示。

(1)

式中，pHUL和pHLL分別為微生物最適pH值的上限值和下限值，pH為反應(yīng)器內(nèi)部的pH值。

1.2.2 VFA抑制函數(shù)

從厭氧消化降解有機(jī)物的過程來看，產(chǎn)甲烷菌對VFA的利用對厭氧消化至關(guān)重要。一方面厭氧消化的最終產(chǎn)物取決于產(chǎn)甲烷階段；另一方面未被利用的VFA在一定程度上會抑制產(chǎn)甲烷菌的活性。A.J.Mawson等人[13]的研究表明，當(dāng)乙酸和丙酸濃度分別達(dá)到2000 mg/L和500 mg/L時，產(chǎn)甲烷菌的活性受到了抑制。Xiao等人[14]研究了未降解的乙酸對厭氧消化過程中水解酸化菌和產(chǎn)甲烷菌的影響，該研究表明水解酸化階段可接受的最高未降解的乙酸濃度高于產(chǎn)甲烷階段，也即產(chǎn)甲烷菌對厭氧體系中未降解的乙酸濃度更敏感，同時該研究結(jié)果表明，當(dāng)未降解的乙酸濃度在未超過閾值時，乙酸的存在一定程度上提高了產(chǎn)甲烷菌的活性，但當(dāng)體系積累的乙酸達(dá)到閾值時極大地抑制了產(chǎn)甲烷菌的活性。生物活動的限制可分為毒性和抑制，毒性表現(xiàn)為對細(xì)菌代謝的不利影響，比如長鏈脂肪酸、硝基化合物和氰化物等，抑制表現(xiàn)為對生物功能的損害，比如VFA、氨氮和硫酸鹽等。因此體系積累的VFA對消化抑制影響可歸類于非毒性抑制，Granger等人[15]總結(jié)了非毒性抑制影響并提出了量化該影響的方程見式(2)。

(2)

式中，SI和KI分別表示抑制物質(zhì)的濃度和抑制參數(shù)。

1.2.3 溫度影響函數(shù)

生物種群的生長速率隨溫度升高達(dá)到最大值，此時溫度為最佳溫度，然后隨著溫度繼續(xù)升高，其生長率陡降到0；在厭氧消化中，對溫度定義了3個主要的范圍:低溫(4～15℃)、中溫(20～40℃)、高溫(45～70℃)。盡管反應(yīng)器可在這些范圍內(nèi)有效運(yùn)行，但是中溫和高溫生物的最佳溫度分別為35℃和55℃。溫度高于最佳值后，隨著溫度的增加，反應(yīng)速率下降；由于溫度升高的情況下，用于細(xì)胞代謝和維持的能量也增加，所以產(chǎn)率降低，由于熱力學(xué)和生物量的變化，產(chǎn)率和反應(yīng)途徑發(fā)生轉(zhuǎn)變；由于處于溶解和維持狀態(tài)的細(xì)胞增加，死亡率增加。Pavlostathis等人[16]總結(jié)了初沉池中懸浮物最小停留時間與溫度的聯(lián)系，并基于實驗數(shù)據(jù)給出了量化溫度對微生物的影響方程見式(3)。

(3)

式中，T為反應(yīng)器真實溫度，tSR,min為防止污泥流失的最小停留時間。

1.3 PSO-SVM模型

PSO(Particle Swarm Optimization)算法，即粒子群算法，是由Kennedy和Eberhart[17]提出來的。該算法模擬了鳥群在尋找食物過程中的集體遷徙行為，是一種基于群體智能的演化計算方法。國內(nèi)外研究表明PSO算法廣泛地用于優(yōu)化統(tǒng)計學(xué)模型[18-19]，比如ANN模型、SVM模型等。原始的PSO算法的基本模型描述為：設(shè)在一個n維搜索空間中，種群X=(x1,x2,…,xN)是由N個粒子構(gòu)成，其中第i個粒子所處的當(dāng)前位置為x1=(xi1,xi2,…,xin)T，其速度為v1=(vi1,vi2,…,vin)T，該粒子的個體極值表示為P1={Pi1,Pi2,…Pin}T，整個種群的全局極值表示為Pg={Pg1,Pg2,…,Pgn}T，按照粒子不斷尋優(yōu)的原理，粒子xi的速度及位置更新公式如式(4)和式(5)所示。

(4)

(5)

式中，w是權(quán)重值，c1、c2為加速常數(shù)。rand1、rand2是隨機(jī)函數(shù)，作用是為了產(chǎn)生(0,1)的隨機(jī)數(shù)。

圖2 混合模型流程圖

SVM(Support Vector Machine model)模型，即支持向量機(jī)是由貝爾實驗室的Vapnik及其研究小組于1995年在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上提出來的一類新型的機(jī)器學(xué)習(xí)方法[20]。它開始是針對線性可分情況進(jìn)行分析的,后來對于線性不可分的情況,通過使用非線性映射算法將低維輸入空間線性不可分的樣本映射到高維屬性空間使其線性可分,使得在高維屬性空間采用線性算法對樣本的非線性特性進(jìn)行分析成為可能，通過使用結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則在屬性空間構(gòu)造最優(yōu)分割超平面,使得機(jī)器學(xué)習(xí)得到全局最優(yōu)化,解決了過學(xué)習(xí)問題,對樣本具有較好的泛化能力，由于支持向量機(jī)的訓(xùn)練問題本質(zhì)上是一個經(jīng)典的二次規(guī)劃問題,避免了局部最優(yōu)解,有效地克服了維數(shù)災(zāi)難。為了獲得更好的表現(xiàn)，本文引入PSO算法優(yōu)化SVM模型。

圖3 產(chǎn)氣量與pH值、乙酸、溫度之間的關(guān)系三維圖

1.4 基于微生物動力學(xué)與PSO-SVM模型的建立

如前所述，為得到模型較好的抗干擾能力、泛化能力和預(yù)測性能，需要為模型選擇核函數(shù)、核參數(shù)和正則化參數(shù)，本文選取RBF函數(shù)作為SVM模型的核函數(shù)，利用PSO算法優(yōu)化模型，為SVM模型選擇最優(yōu)參數(shù)C和ε，通過Matlab2015b軟件平臺建立模型。整個混合模型流程如圖2所示。模型輸入量包括：進(jìn)水有機(jī)負(fù)荷、反應(yīng)器溫度、反應(yīng)器pH值、反應(yīng)器還原氧化電位、體系積累的乙酸和進(jìn)水堿度。反應(yīng)器溫度、反應(yīng)器pH值和體系積累的乙酸對體系的影響經(jīng)過動力學(xué)模型量化，量化后的數(shù)據(jù)作為模型的輸入量；為確保模型的輸入和輸出的值的統(tǒng)計分布是大致均勻的，提高模型的運(yùn)行精度以及速度，需要將其余輸入量與輸出量做歸一化處理[7](見式(6))。

(6)

式中，S(i)為樣本值，min(S)為數(shù)據(jù)集中最小的樣本值，max(S)為數(shù)據(jù)集中最大的樣本值。

其他模型參數(shù)見表2。

表2 混合模型相關(guān)參數(shù)

1.5 模型評價指標(biāo)

為了直觀地表達(dá)軟測量模型的性能，選取以下評價指標(biāo)：①平均絕對百分比誤差(Mean Absolute Percent Error，MAPE)，MAPE是所有相對誤差的絕對值求和的平均值；②均方根誤差(Root Mean Square Error，RMSE)，觀測值與真值偏差的平方與觀測次數(shù)n比值的平方根，RMSE主要是為了說明樣本的離散程度；③相關(guān)系數(shù)(correlation coefficient，R)，R反映了預(yù)測值與實際值線性關(guān)系的強(qiáng)弱；④相對誤差(Relative Error，RE)，RE表示絕對誤差值與被測量值的真實值之比，相對誤差更能反映預(yù)測的可靠程度。

2 結(jié)果與討論

2.1 數(shù)據(jù)收集及預(yù)處理

在實驗室廢水厭氧處理系統(tǒng)運(yùn)行2個月中，共收集數(shù)據(jù)159組數(shù)據(jù)，數(shù)據(jù)集分為訓(xùn)練集和測試集，其中訓(xùn)練集共100組數(shù)據(jù)，測試集共59組數(shù)據(jù)。訓(xùn)練集數(shù)據(jù)用于訓(xùn)練建立模型以獲得模型輸入量與輸出量之間非線性關(guān)系，測試集數(shù)據(jù)用于驗證模型的精確性。圖3體現(xiàn)了厭氧消化體系產(chǎn)氣量與反應(yīng)器溫度、反應(yīng)器pH值和體系積累的乙酸之間的聯(lián)系。盡管基于PSO-SVM模型可以較好地處理非線性系統(tǒng)，然而元數(shù)據(jù)集的雜亂和輸入量與輸出量之間關(guān)系的極度非線性無疑會影響模型的運(yùn)算精度與速度。由圖3(a)可知，元數(shù)據(jù)集經(jīng)過動力學(xué)模型修正后大致均勻分布，降低了混合模型的輸入與輸出量之間關(guān)系的雜亂性與噪點(diǎn)。

2.2 模型結(jié)果與討論

PSO算法的優(yōu)化能力取決于粒子數(shù)、算法權(quán)值以及算法的學(xué)習(xí)能力，粒子數(shù)過少影響算法的收斂性，過多影響算法搜尋速度[21]。PSO算法優(yōu)化SVM模型過程見圖4，由圖4可知經(jīng)過181次算法迭代獲得模型最佳參數(shù)。PSO算法的參數(shù)和優(yōu)化SVM模型的最優(yōu)參數(shù)見表2。

圖4 PSO算法優(yōu)化SVM模型過程

廢水厭氧處理系統(tǒng)產(chǎn)氣量預(yù)測結(jié)果見表3及圖5。在模型建立過程中，從表3分析結(jié)果可知，在利用訓(xùn)練集建立模型過程中，混合模型對產(chǎn)氣過程預(yù)測的線性相關(guān)性R為89.49%，MAPE為18.75%，RMSE為0.2948；而傳統(tǒng)模型對同樣產(chǎn)氣過程預(yù)測的線性相關(guān)性R為86.15%，MAPE為25.75%，RMSE為0.5589，對比可知混合模型在構(gòu)建模型輸入量與輸出量之間的復(fù)雜非線性關(guān)系更為精確。在模型驗證過程，通過表3與圖5對比傳統(tǒng)模型和混合模型對訓(xùn)練集的表現(xiàn)可知，兩個模型的精度均高于85%(線性相關(guān)性)，基于PSO-SVM模型的軟測量模型可用于廢水處理此類復(fù)雜非線性系統(tǒng)；相對于傳統(tǒng)模型，混合模型表現(xiàn)在預(yù)測廢水厭氧處理產(chǎn)氣量中提升較大，

表3 模型預(yù)測性能

圖5 模型仿真結(jié)果

圖6 混合模型相對誤差與絕對誤差

線性相關(guān)性R由86.71%提升至95.73%，MAPE和RMSE分別由20.73%、0.5213降低到9.19%、0.2519。

由圖5可知，雖然將動力學(xué)函數(shù)引入統(tǒng)計學(xué)模型可以提升廢水處理軟測量模型的表現(xiàn)，但是由圖6可知，混合模型對各別樣本單元的預(yù)測表現(xiàn)依然不夠理想，模型預(yù)測結(jié)果最大的相對誤差為40.75%(相對于測試集)。通過分析本研究認(rèn)為造成這種情況的原因有三點(diǎn)，第一，由于實驗條件及本實驗采用的廢水為低氮自制廢水，模型輸入量并未將游離氨包括進(jìn)來，而游離氨被認(rèn)為是影響厭氧發(fā)酵過程的重要因素[22]；第二，盡管引入動力學(xué)模型量化pH值等對厭氧體系的影響，實驗值的誤差等依然導(dǎo)致元數(shù)據(jù)集存在噪點(diǎn)，影響了混合模型建立模型輸入量與輸出量之間關(guān)系的精確性；第三，RBF核函數(shù)廣泛地運(yùn)用于諸如SVM等模型中，然而在處理像廢水處理這種極為復(fù)雜非線性的系統(tǒng)時，并不能保證高效性和精確性[23]。

3 結(jié) 論

(1)PSO(粒子群算法)-SVM(支持向量機(jī))傳統(tǒng)模型對預(yù)測廢水厭氧處理體系產(chǎn)氣量表現(xiàn)較好，測試樣本的整體預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的相關(guān)系數(shù)為86.71%，基于統(tǒng)計學(xué)的軟測量模型可以運(yùn)用于復(fù)雜非線性的廢水處理系統(tǒng)。

(2)為提升模型的表現(xiàn)，本研究引入了動力學(xué)模型量化反應(yīng)器溫度、反應(yīng)器pH值和體系積累的乙酸對體系的影響。相對于傳統(tǒng)模型，混合模型在預(yù)測廢水厭氧處理產(chǎn)氣量中提升較大，線性相關(guān)性R由86.71%提升至95.73%；

(3)本研究設(shè)計的混合模型可為監(jiān)控、優(yōu)化和理解厭氧消化過程提供指導(dǎo)。另一方面，為提升混合模型在實際廢水處理中的運(yùn)用表現(xiàn)，在元數(shù)據(jù)采集和預(yù)處理、動力學(xué)模型的加入以及核函數(shù)的開發(fā)仍有優(yōu)化的空間。

[1] MIAO Qing-xian, QIN Meng-hua, XU Qing-hua. The Current Status and Development of Effluent Treatment Technique in Wastepaper Recycling[J]. China Pulp & Paper, 2005, 24(12)： 55. 苗慶顯， 秦夢華， 徐清華. 廢紙造紙廢水處理技術(shù)的現(xiàn)狀和發(fā)展[J]. 中國造紙, 2005, 24(12)： 55.

[2] WANG Yan, HU Meng-die, WAN Jin-quan, et al. Effects of Trichloropenol in Paper making Wastewater on Toxicity of Anaerobic Granular Sludge[J]. China Pulp & Paper. 2012, 31(7): 26. 王 艷， 胡夢蝶， 萬金泉， 等. 造紙廢水中三氯苯酚對厭氧顆粒污泥毒性的影響研究[J]. 中國造紙, 2012, 31(7)： 26.

[3] Maeng H, Lund H, Hvelplund F. Biogas plants in Denmark: technological and economic developments[J]. Appl Energy, 1999(64): 195.

[4] Angelidaki I, Ellegaaard L. Codigestion of manure and organic wastes in centralized biogas plants—status and future trends[J]. Appl Biochem Biotechnol, 2003: 109(1/3): 95.

[5] Ming-zhi Huang, Jin-quan Wan, Yong-wen Ma, et al. A fast predicting neural fuzzy model for on-line estimation of nutrient dynamics in an anoxic/oxic process[J]. Bioresource Technology, 2010, 101: 1642.

[6] 黃明智. 廢水處理系統(tǒng)水質(zhì)特征動態(tài)分析的混合智能控制研究[D]. 廣州: 華南理工大學(xué), 2011.

[7] Mingzhi Huang, Wei Han, Jinquan Wan, et al . Multi-objective optimisation for design and operation of anaerobic digestion using GA-ANN and NSGA-II[J]. Journal of Chemical Technology and Biotechnology, 2014, 91(1): 226.

[8] Henri Haimi, Michela Mulas, Francesco Corona, et al. Data-derived soft-sensors for biological wastewater treatment plants: An overview[J]. Environmental Modelling & Software, 2013(47): 88.

[9] Tan Yan zhong, Zhang Bing, Zhou Xue fei. Development and application of Anaerobic Digestion Model No.1(ADM1)[J]. Environmental Pollution & Control, 2009(31): 6. 譚艷忠, 張 冰， 周雪飛. 厭氧消化1號模型(ADM1)的發(fā)展及其應(yīng)用[J]. 環(huán)境污染與防治, 2009(31): 6.

[10] 賀延齡. 廢水的厭氧生物處理[M]. 北京: 中國輕工業(yè)出版社, 1998.

[11] Boon F. Influence of pH value, high volatile acid concentrations and partial hydrogen pressure on hydrolysis. MSc thesis[C]. Netherlands: Wageningen, 1994(in Dutch).

[12] Angelidaki I, Ellegaard L, Ahring B K. A Mathematical Model for Dynamic Simulation of Anaerobic Digestion of Complex Substrates: Focusing on Ammonia Inhibition[J]. Biotech Bioeng, 1993(42): 159.

[13] Mawson A J, Earle R L, Larsen V F, Degradation of acetic and propionic acids in the methane fermentation[J]. Water Res.,1986(25): 1549.

[14] Xiao K K, Guoa C H, Zhoua Y, et al. Acetic acid inhibition on methanogens in a two-phase anaerobic process[J]. Biochemical Engineering Journal, 2013, 75: 1.

[15] Granger D L, Lehninger A L. Sites of inhibition of mitochondrial electron transport in macrophage-injured neoplastic cells[J]. J. Cell Biol, 1982(2): 527.

[16] Pavlostathis S G, Zhuang P. Effect of temperature on the development of anaerobic cultures from a contaminated subsurface soil[J]. Environmental Technology, 1991, 12(8): 679.

[17] Kennedy J, Eberhart R. Particle swarm optimization[C]. In Proceedings of the 1995 IEEE International Conference on Neural Networks, IEEE Press, Piscataway, NJ, 1995.

[18] Baoling Liu, Dibo Hou, Pingjie Huang, et al. An improved PSO-SVM model for online recognition defects in eddy current testing[J]. Nondestructive Testing and Evaluation, 2013, 28(4): 367.

[19] Gunaseelan Dhanarajan, Mahitosh Mandal, Ramkrishna Sen. A combined artificial neural network modeling-particle swarm optimization strategy for improved production of marine bacterial lipopeptide from food waste[J]. Biochemical Engineering Journal, 2014, 84: 59.

[20] Cortes C, Vapnik V. Support-Vector networks[J]. Machine Learning, 1995, 20(3): 273.

[21] 黃 平. 粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D]. 廣州: 華南理工大學(xué), 2012.

[22] Sprott G D, Patel G B. Ammonia toxicity in pure cultures of methanogenic bacteria[J]. Syst. Appl. Microbiol, 1986: 7(2), 358.

(責(zé)任編輯：常 青)

Hybrid Model of Measuring Biogas Yield in Anaerobic Digestion Process Based on Incorporated Bio-Kinetic Model with Support Vector Machine Model

LIU Lin1XIE Bin1MA Yong-wen1,2,3,*WAN Jin-quan1,2,3WANG Yan1,2,3

(1.CollegeofEnvironmentandEnergy，SouthChinaUniversityofTechnology，Guangzhou，GuangdongProvince, 510006;2.TheKeyLabofPollutionControlandEcosystem,RestorationinIndustryClustersofMinistryofEducation，SouthChinaUniversityofTechnology,Guangzhou，GuangdongProvince, 510006; 3.StateKeyLabofPulpandPaperEngineering，SouthChinaUniversityofTechnology，Guangzhou，GuangdongProvince, 510640)

(*E-mail: ppywma@scut.edu.cn)

Lack of AD process control and analysis is believed to be one of the main limitations for effective organic matter degradation. Biogas flow rate and component as commonly monitoring indicators indicate the overall process performance. The objective of this work was to implement a strategy to simultaneously monitor and predict the biogas flow rate using a hybrid model, which combined kinetic model and a traditional Support Vector Machine model (SVM) optimized by particle swarm optimization algorithm (PSO). For the training and verification of the models, a data set with 159 samples was used, which were obtained using a lab-scale AD reactor system. The results demonstrated that the hybrid model had a satisfying predicting performance. TheRvalue of the traditional model was 86.71%. And compared with traditional model, the performance of the hybrid model was improved significantly theRvalue of the hybrid model was 95.73%. Furthermore, the hybrid model gave a successful window, which was a good reference for the modeling study of AD process.

anaerobic digestion; biogas flow rate; kinetic model; Support Vector Machine model; particle swarm optimization

劉 林先生，在讀碩士研究生；主要從事廢水智能控制系統(tǒng)的研究。

2016- 12- 15(修改稿)

國家自然科學(xué)基金資助(項目編號：31570568，31670585);制漿造紙工程國家重點(diǎn)實驗室開放基金(NO.201535);廣東省高層次人才基金(NO.201339);廣州市科技計劃項目(項目編號：201607010079，201607020007);廣東省科技計劃項目(項目編號：2016A020221005)。

X793

A

10.11980/j.issn.0254- 508X.2017.03.006

*通信作者：馬邕文，教授；研究方向：工業(yè)廢水的處理技術(shù)、廢水處理新裝備及其智能控制系統(tǒng)。