黃小英，黃 濤，彭道平，劉軼鋆，張毅博

(西南交通大學地球科學與環(huán)境工程學院，成都 611756)

1 引 言

隨著我國工業(yè)化和城市化的飛速發(fā)展，能源短缺和環(huán)境污染已經(jīng)成為制約我國經(jīng)濟發(fā)展的主要問題。新能源的開發(fā)利用及清潔生產(chǎn)是解決上述問題的重要途徑，厭氧消化技術(shù)是傳統(tǒng)化石能源替代技術(shù)，可以將廢棄物中的有機質(zhì)轉(zhuǎn)化成可再生能源甲烷[1]，而甲烷作為清潔能源，可以有效減少污染物的排放。厭氧發(fā)酵生物質(zhì)能的規(guī)模化應用既可以有效緩解日益緊張的能源供需矛盾，同時解決有機廢棄物造成的環(huán)境污染等問題，作為實現(xiàn)污染物資源化、減量化、無害化的重要途徑，成為當前國內(nèi)外學者研究的熱點。二十世紀以來，我國畜禽糞便、作物秸稈、有機廢水和餐廚垃圾等廢棄物的產(chǎn)生量快速增加[2]，沼氣工程得到迅猛的發(fā)展[3]。厭氧消化是一個連續(xù)、動態(tài)的過程，目前，大中型沼氣工程的進料方式一般為半連續(xù)發(fā)酵方式，基于半連續(xù)進料的方式下，合理設置發(fā)酵參數(shù)，達到沼氣產(chǎn)量最大化是沼氣工程亟待解決的問題[4]。因此，準確地預測產(chǎn)氣量對優(yōu)化發(fā)酵參數(shù)設置和提高產(chǎn)氣效率具有重要的意義和價值。

近年來，國內(nèi)外學者在沼氣產(chǎn)量預測方面開展了一定的研究。厭氧消化產(chǎn)氣過程包含很多的生化、物化反應過程，這些過程十分復雜，使得產(chǎn)氣量與很多參數(shù)之間呈現(xiàn)出非線性的關(guān)系，給產(chǎn)氣預測建模技術(shù)的建立帶來了一定的困難。目前，國內(nèi)外的厭氧消化產(chǎn)氣預測模型主要可分為線性回歸模型、動力學模型以及人工神經(jīng)網(wǎng)絡模型等，本文系統(tǒng)分析線性回歸模型、動力學模型、人工神經(jīng)網(wǎng)絡模型的研究進展，明確其存在的問題，同時重點介紹人工神經(jīng)網(wǎng)絡產(chǎn)氣預測模型，并對其發(fā)展趨勢進行展望，以期為今后產(chǎn)氣預測模型的選擇提供指導，為模型在實際工程中的應用提供依據(jù)。

2 厭氧消化技術(shù)原理

厭氧消化是在多種微生物的作用下實現(xiàn)復雜有機大分子轉(zhuǎn)化降解的過程[5]。Zeikus 等提出了厭氧消化的四階段理論，將厭氧消化過程劃分為水解、產(chǎn)酸、產(chǎn)乙酸和產(chǎn)甲烷四個階段[6-7]。水解階段是將復雜有機物在厭氧菌胞外酶的作用下，分解成簡單的有機物，如纖維素、淀粉等水解轉(zhuǎn)化成較簡單的糖，蛋白質(zhì)轉(zhuǎn)化成較簡單的氨基酸，油脂轉(zhuǎn)化成脂肪酸和甘油等；產(chǎn)酸階段是指水解階段產(chǎn)生的較簡單小分子化合物在產(chǎn)酸菌作用下轉(zhuǎn)化為簡單的以揮發(fā)性脂肪酸為主的末端產(chǎn)物，如乙酸、丙酸、丁酸和甲醇等；產(chǎn)乙酸階段是指在產(chǎn)氫產(chǎn)乙酸菌的作用下，將產(chǎn)酸階段產(chǎn)生的除乙酸、甲酸、甲醇以外的脂肪酸和醇等轉(zhuǎn)化為H2、CO2和乙酸；產(chǎn)甲烷階段是指在產(chǎn)甲烷菌的作用下將前幾階段產(chǎn)生的乙酸、H2和CO2等轉(zhuǎn)化為甲烷。在厭氧消化過程中，微生物群落的合理和穩(wěn)定是沼氣產(chǎn)量穩(wěn)定的基礎(chǔ)，微生物群落受到多種因素影響，如溫度、氨氮、堿度、揮發(fā)性脂肪酸、C/N、微量元素、有機負荷率、pH以及其它潛在的有毒有害物質(zhì)，只有將這些影響因素控制在合適的范圍內(nèi)，才可以保證厭氧消化產(chǎn)氣系統(tǒng)的穩(wěn)定[8～12]。

3 厭氧消化產(chǎn)氣預測模型研究現(xiàn)狀

前人研究采用的厭氧消化產(chǎn)氣預測模型主要可分為線性回歸模型、動力學模型以及人工神經(jīng)網(wǎng)絡模型等，各模型的原理、復雜性和適應性均不相同。

3.1 線性回歸模型

李軼等[13]將餐廚垃圾和牛糞作為厭氧發(fā)酵原料，利用SAS 統(tǒng)計分析軟件，以總產(chǎn)氣量為目標函數(shù)，以餐廚垃圾與牛糞質(zhì)量比、溫度、pH 值、接種物與原料質(zhì)量比為自變量，建立二次回歸模型，模型的修正決定系數(shù)為0.90。通過驗證分析，模型預測值與試驗值之間的誤差小于0.6%，表明模型擬合程度較好。張文陽等[14]基于多元線性回歸模型對脂肪類單基質(zhì)和城市污水廠剩余污泥厭氧發(fā)酵的產(chǎn)氣量進行預測，以產(chǎn)氣量升降的節(jié)點為界限，將整個產(chǎn)氣階段分為兩個階段，并以pH、氨氮、VFA作為自變量，分別建立回歸模型，結(jié)果表明兩個階段的預測平均準確率分別為75.69%和79.29%，預測值與實測值擬合程度總體較好，但模型對于產(chǎn)氣值的波動擬合較差。胡克勤等[15]將巴西象草、華南象草、矮象草、臺牧B和7種不同月份收割的雜交狼尾草作為發(fā)酵基質(zhì)，以原料組分C含量、N含量、C/N、纖維素含量、半纖維素含量以及木質(zhì)素含量為自變量，以累計產(chǎn)氣率為因變量，基于多元線性回歸的方法建立兩個厭氧發(fā)酵產(chǎn)氣預測模型，但相關(guān)性系數(shù)R2僅為0.779和 0.783，模型標準誤差分別為0.175 和0.179，基本驗證了模型的有效性。

線性回歸模型是分析兩個或兩個以上變量之間的因果關(guān)系模型，在厭氧消化產(chǎn)氣預測中通常將影響產(chǎn)氣量的因素作為自變量，通過線性擬合的手段得出影響因素與產(chǎn)氣量之間的定量關(guān)系。線性回歸模型主要研究線性問題，適用范圍比較局限，在具有非線性特點的厭氧消化產(chǎn)氣預測過程中，模擬效果不穩(wěn)定，模型預測準確率有待進一步提高。

3.2 動力學模型

黃月等[16]以餐廚垃圾和剩余污泥為發(fā)酵底物，利用一級動力學對甲烷產(chǎn)量進行擬合分析，相關(guān)性系數(shù)R2大于0.989，預測值與實際測量值之間的誤差較小。研究表明，一級動力學方程擬合適用于不存在延滯期的厭氧反應，而對于明顯存在延滯期的厭氧反應，動力學僅適用于延滯期以后的階段[17-18]。孫志巖等[19]以牛糞和玉米秸稈作為原料進行產(chǎn)甲烷潛力實驗，模擬得到修訂的 Gompertz模型，牛糞組和玉米秸稈組擬合方程的相關(guān)性系數(shù)分別為0.983 和0.991，預測值與實測值的誤差率分別為12.3%和1.7%，但模型較為復雜，動力學常數(shù)λ對環(huán)境條件變化敏感。Miao 等[20]和Syaichurrozi 等[21]也基于修訂的Gompertz模型分別預測了藍藻、豬糞和酒糟的厭氧消化甲烷產(chǎn)量，為今后進行各類原料的產(chǎn)甲烷潛力預測提供了科學的評估方法，但修訂的Gompertz模型只能表征發(fā)酵底物的產(chǎn)氣潛力，難以反映實際沼氣工程中有機負荷和水力停留時間等影響因素對消化產(chǎn)氣率的影響。劉林等[22]研究了自制有機廢水的厭氧消化產(chǎn)氣預測模型，以進水有機負荷、溫度、pH 值、氧化還原電位、乙酸和進水堿度為輸入量，產(chǎn)氣量為輸出量，建立PSO ( 粒子群算法) -SVM( 支持向量機) 模型，并在此基礎(chǔ)上，引入動力學模型，極大地改善了模型的預測精度，線性相關(guān)性系數(shù)R由0.87提高為0.96。此外，一些學者也將ADM1機理模型用于厭氧消化預測領(lǐng)域，Jurado 等[23-24]基于ADM1動力學模型預測水相氨浸濕法處理對豬糞厭氧消化效果的影響，結(jié)果表明，對于未經(jīng)水相氨浸濕法處理的以豬糞為底物的厭氧消化過程，ADM1 模型具有較好的預測能力，但對水相氨浸濕法處理后的豬糞消化過程預測能力較差，這可能是因為處理后的豬糞水解率提高了，水解常數(shù)需要進一步修訂才能滿足預測要求。Lauwers等[25]的研究也表明ADM1 中的甲烷產(chǎn)率方程比較適合于單一基質(zhì)底物(即乙酸和氫)，在復雜的實際應用中比較困難。ADM1模型比較復雜，涉及的方程和參數(shù)較多，有些參數(shù)比如比生長率，需要在特定的實驗條件下計算得到。

產(chǎn)氣動力學模型是通過微分方程的形式，定量化表達影響因素與厭氧消化產(chǎn)氣效率之間的定量關(guān)系，根據(jù)采用的動力學形式不同可以分為一階動力學，二階動力學等。動力學模型雖然具有一定的通用性，但在厭氧消化產(chǎn)氣預測中模型復雜且動力學常數(shù)對環(huán)境條件變化敏感[26]，大大影響了模型的適用性。

3.3 人工神經(jīng)網(wǎng)絡預測模型

人工神經(jīng)網(wǎng)絡，又稱神經(jīng)網(wǎng)絡，是一種計算機和神經(jīng)生理學的新興結(jié)合技術(shù)[27]。它模擬人腦的結(jié)構(gòu)和信息處理機制，是由大量神經(jīng)元(或節(jié)點)互相連接而組成的大規(guī)模非線性并行分布式信息處理系統(tǒng)，具有良好的容錯性和聯(lián)想能力，以及自學習、自組織、自適應能力[28]。與傳統(tǒng)的信息和數(shù)據(jù)處理方法相比，人工神經(jīng)網(wǎng)絡是一種非線性動力學系統(tǒng)[29-30]，能將分布儲存的信息進行并行協(xié)同處理，通過訓練學習大量數(shù)據(jù)樣本，尋找其存在的內(nèi)在規(guī)律，從而實現(xiàn)非線性信息處理和復雜邏輯操作[31]，因而在處理的多維非線性問題方面具有十分明顯的優(yōu)勢。人工神經(jīng)網(wǎng)絡現(xiàn)已廣泛應用于摩擦學、經(jīng)濟學、自動化、醫(yī)療、化學、污染預測、房價預測等領(lǐng)域[32～36]，并取得了一定的進展。

目前，人工神經(jīng)網(wǎng)絡在厭氧消化產(chǎn)氣預測領(lǐng)域常用的是BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network，BP)，又稱反向傳播神經(jīng)網(wǎng)絡，模型結(jié)構(gòu)簡單，應用最為廣泛且最具有代表意義[37-38]。BP神經(jīng)網(wǎng)絡是一種利用誤差反向傳播算法的前饋型人工神經(jīng)網(wǎng)絡，包含3層或3層以上的層內(nèi)無互聯(lián)的網(wǎng)絡結(jié)構(gòu)[39]。

3.3.1 BP神經(jīng)網(wǎng)絡及其改進算法

Holubard等[40]基于Matlab軟件平臺構(gòu)建了污泥厭氧消化的BP神經(jīng)網(wǎng)絡模型，選擇有機負荷、pH、揮發(fā)性脂肪酸等9個參數(shù)作為輸入變量，以沼氣組分和沼氣產(chǎn)量為輸出變量。預測結(jié)果表明，沼氣組分和沼氣產(chǎn)量的擬合相關(guān)系數(shù)分別為0.90 和 0.80。此外，還通過模型調(diào)節(jié)優(yōu)化工藝參數(shù)，實現(xiàn)了對整個厭氧消化系統(tǒng)的進料控制，使系統(tǒng)的沼氣產(chǎn)率維持在5～5.6m3m-3d-1之間，甲烷含量維持在60%左右。Strik等[41]也通過Matlab神經(jīng)網(wǎng)絡工具箱來預測厭氧發(fā)酵氣體產(chǎn)物中的痕量組分—硫化氫和氨氣含量，硫化氫預測模型的輸入?yún)?shù)為硫酸鹽負荷、有機負荷和沼氣中硫化氫含量等，而氨氣預測模型的輸入?yún)?shù)為總氮負荷、有機負荷、沼氣中氨氣含量、沼氣產(chǎn)率等，結(jié)果表明擬合相關(guān)系數(shù)分別為0.91和0.83，預測效果較好。Bestamin Ozkaya等[42]以垃圾填埋場為研究對象，建立了BP神經(jīng)網(wǎng)絡預測填埋產(chǎn)生沼氣中的甲烷含量，輸入?yún)?shù)為pH、堿度、COD、硫化物、電導率、氯化物等，輸出參數(shù)為甲烷含量，模擬得到的相關(guān)性系數(shù)為0.95，均方差為0.002 6。趙孝文等[43]基于BP 神經(jīng)網(wǎng)絡預測牛糞厭氧消化時的沼氣產(chǎn)量和甲烷含量，將溫度、進料濃度、配料成分中鮮牛糞和水、pH 值、含氧量作為輸入變量，結(jié)果表明建立的模型具有良好的預測性能。董瑞蘭[44]采用多元線性回歸方程和3層BP神經(jīng)網(wǎng)絡建模預測肉牛混合飼料體外發(fā)酵CH4產(chǎn)量、CO2產(chǎn)量和總產(chǎn)氣量。結(jié)果表明，與多元線性回歸方程相比，BP神經(jīng)網(wǎng)絡在預測CO2產(chǎn)量和總產(chǎn)氣量的準確性更高。類似的，張文陽等[14]也分別采用多元回歸和BP 神經(jīng)網(wǎng)絡對脂肪類單基質(zhì)和城市污水廠剩余污泥厭氧消化產(chǎn)氣量進行預測，實驗結(jié)果表明BP 神經(jīng)網(wǎng)絡平均預測準確率為79.05%，比多元回歸模型的預測準確率更高，更適用于混合厭氧消化產(chǎn)氣量預測，但BP神經(jīng)網(wǎng)絡預測的準確率只處于良好水平，仍有待進一步提高。Sathish 和Vivekanandan[45]將溫度、pH、基質(zhì)濃度、攪拌時間作為輸入?yún)?shù)，建立了BP神經(jīng)網(wǎng)絡產(chǎn)氣預測模型，相關(guān)系數(shù)R2為0.998，平均絕對誤差為1.01%，還實現(xiàn)了工藝參數(shù)的優(yōu)化，模擬效果優(yōu)于響應曲面法。Holubard[46]同時提出了用BP神經(jīng)網(wǎng)絡和自組織映射神經(jīng)網(wǎng)絡建模預測厭氧消化過程沼氣的組分和產(chǎn)氣率，沼氣組分的擬合相關(guān)系數(shù)為0.69，沼氣產(chǎn)率的擬合相關(guān)系數(shù)為0.76，但模擬效果不如前饋BP神經(jīng)網(wǎng)絡，并認為沼氣組分擬合效果差于沼氣產(chǎn)率的原因，有待進一步研究。

然而，標準的BP神經(jīng)網(wǎng)絡存在學習收斂速度慢、易陷入局部極小值以及結(jié)構(gòu)分析復雜等缺陷[47]。一些學者針對以上一些不足，進一步研究了標準BP神經(jīng)網(wǎng)絡的改進算法，改進后的模型收斂速度更快，準確性更高。例如，花亞梅等[4]為準確預測大中型沼氣工程日產(chǎn)氣量，為避免神經(jīng)網(wǎng)絡陷入局部極限小值，引入動量因子和自適應率學習方法改進 BP 算法，建立以溫度、TS濃度以及pH值作為輸入層節(jié)點，日產(chǎn)氣量為輸出層節(jié)點的預測模型。結(jié)果表明，改進的BP神經(jīng)網(wǎng)絡收斂速度快，平均預測準確率為84.02%，對沼氣的日產(chǎn)氣量具有良好的預測能力，同時減少了人為因素對參數(shù)設置的影響。Behera[48]也建立了BP神經(jīng)網(wǎng)絡預測沼氣中的甲烷含量，分別基于4種改進學習算法(Levenberg-Marquardt算法、彈性算法、 梯度下降算法以及極限學習機算法)建立了BP神經(jīng)網(wǎng)絡，結(jié)果表明基于極限學習算法的BP神經(jīng)網(wǎng)絡模擬效果優(yōu)于比其他三種算法。

3.3.2 與其它理論結(jié)合的人工神經(jīng)網(wǎng)絡

除了BP神經(jīng)網(wǎng)絡，一些學者研究了將神經(jīng)網(wǎng)絡與模糊邏輯理論結(jié)合，拓寬了神經(jīng)網(wǎng)絡的應用范圍。Turkdogan-AydΙnol和Yetilmezsoy[49]以有機負荷、化學需氧量去除率、進水堿度、進水pH和出液pH為輸入變量，建立了模糊邏輯神經(jīng)網(wǎng)絡預測沼氣和甲烷產(chǎn)率，結(jié)果表明預測偏差較小，獲得了滿意的預測結(jié)果。Chaiwat Waewsak[50]也將人工神經(jīng)網(wǎng)絡與模糊邏輯理論結(jié)合，實現(xiàn)了對厭氧產(chǎn)氫反應器參數(shù)的控制。賴夏頡[51]以逐步提高有機負荷的半連續(xù)式餐廚垃圾和豬糞混合厭氧消化實驗數(shù)據(jù)為基礎(chǔ)，分別基于BP 神經(jīng)網(wǎng)絡和模糊神經(jīng)網(wǎng)絡(FNN)對實驗日產(chǎn)氣量建立了預測模型，結(jié)果表明，BP和FNN神經(jīng)網(wǎng)絡的準確率分別為77.63%和 82.33%，在傳統(tǒng)神經(jīng)網(wǎng)絡模型基礎(chǔ)上加入了模糊控制，可提高預測準確率，更好地適用于混合厭氧消化產(chǎn)氣量預測。

此外，一些學者也研究了將神經(jīng)網(wǎng)絡與遺傳算法理論結(jié)合，實現(xiàn)了對厭氧消化過程參數(shù)的優(yōu)化。Qdais等[52]將人工神經(jīng)網(wǎng)絡與遺傳算法結(jié)合，考察了溫度、總固體、總揮發(fā)性固體和pH 對沼氣產(chǎn)量的影響，建立了含2層隱含層的人工神經(jīng)網(wǎng)絡預測甲烷產(chǎn)量，并用遺傳算法對甲烷產(chǎn)量進行極值尋優(yōu)，得到最大的甲烷含量為77%。Jacob和Banerjee[53]建立了響應曲面法和與遺傳算法耦合的神經(jīng)網(wǎng)絡模型，分別模擬并優(yōu)化厭氧消化過程控制參數(shù)，神經(jīng)網(wǎng)絡模擬的均方差和相關(guān)系數(shù)R分別為0.136 和0.997 2，對比發(fā)現(xiàn)耦合遺傳算法的神經(jīng)網(wǎng)絡模擬效果更好，該模型優(yōu)化得到的甲烷產(chǎn)量比響應曲面法高6%。與此類似的是，余美娟等[54]采用基于BP神經(jīng)網(wǎng)絡的遺傳算法模型、正交試驗設計、響應曲面設計對餐廚垃圾厭氧消化產(chǎn)沼氣的操作參數(shù)進行優(yōu)化，并比較分析這3種模型的優(yōu)化效果，結(jié)果表明經(jīng)BP神經(jīng)網(wǎng)絡的遺傳算法模型優(yōu)化后的實測值分別比正交設計模型和響應曲面設計模型的實測值提高5.15%和3.67%，而且具有更高的準確度。

與線性回歸模型、動力學模型不同的是，人工神經(jīng)網(wǎng)絡模型為黑箱模型，將影響產(chǎn)氣量的因素作為輸入?yún)?shù)，產(chǎn)氣量作為輸出參數(shù)，忽略輸入與輸出的耦合關(guān)系，可以實現(xiàn)非線性發(fā)酵系統(tǒng)中產(chǎn)氣量的預測以及發(fā)酵參數(shù)的調(diào)控。總體來說，人工神經(jīng)網(wǎng)絡建模簡單，可以以任意精度逼近任意非線性映射，適用于復雜的非線性厭氧消化過程。

4 結(jié)論與展望

綜上所述，線性回歸模型、動力學模型以及人工神經(jīng)網(wǎng)絡模型各具特點，其復雜性和適應性也各不相同。多元線性回歸模型適用范圍比較局限，效果不穩(wěn)定；動力學預測模型通用性較高，但模型復雜且動力學常數(shù)對環(huán)境變化敏感，易受環(huán)境條件的影響；人工神經(jīng)網(wǎng)絡模型可以以任意精度逼近任意非線性映射，對于復雜的非線性厭氧消化產(chǎn)氣過程具有較高的適用性。相對于線性回歸模型、動力學模型，人工神經(jīng)網(wǎng)絡模型在厭氧消化領(lǐng)域展現(xiàn)出較高的實用性，具有良好的應用前景，也取得了較多的應用成效，這對于優(yōu)化厭氧消化產(chǎn)氣工藝條件和推動厭氧消化產(chǎn)氣工程應用具有十分重要的意義。通過對人工神經(jīng)網(wǎng)絡模型的研究分析，發(fā)現(xiàn)還存在以下幾方面的問題：

4.1 目前，BP神經(jīng)網(wǎng)絡應用得最為廣泛，但預測準確性只能基本滿足模擬要求，改進優(yōu)化后的BP神經(jīng)網(wǎng)絡雖然在訓練速度、準確性等方面有一定的改善，但仍存在網(wǎng)絡拓撲結(jié)構(gòu)難以確定、參數(shù)設置困難、學習速度慢等問題。因此，此后可以進一步研究BP神經(jīng)網(wǎng)絡的改進算法，優(yōu)化網(wǎng)絡結(jié)構(gòu)。

4.2 在人工神經(jīng)網(wǎng)絡的理論研究方面，還存在一些亟待解決的問題，如網(wǎng)絡輸入?yún)?shù)和隱含層節(jié)點數(shù)難以確定、網(wǎng)絡過擬合問題等，用人工神經(jīng)網(wǎng)絡解決實際問題時，都是根據(jù)具體問題來分析確定模型的輸入輸出參數(shù)、拓撲結(jié)構(gòu)、算法和主要參數(shù)設置等，目前尚無一套普適性的預測理論。因此，今后可以進一步研究建立人工神經(jīng)網(wǎng)絡模型的一般規(guī)律和方法。

4.3 厭氧消化是多個學科行為之間強耦合的結(jié)果。人工神經(jīng)網(wǎng)絡和其他學科的理論與技術(shù)進行交叉結(jié)合，取長補短，模擬效果明顯優(yōu)于單獨一種技術(shù)或模型。在厭氧消化產(chǎn)氣預測領(lǐng)域，目前已經(jīng)實現(xiàn)了人工神經(jīng)網(wǎng)絡與遺傳算法、模糊邏輯等理論的融合，拓寬了人工神經(jīng)網(wǎng)絡方法處理的范圍和能力，不僅具有預測功能，還實現(xiàn)了工藝條件的優(yōu)化，但研究深度還不夠，可以進一步探索不同理論方法與人工神經(jīng)網(wǎng)的結(jié)合，建立新的神經(jīng)網(wǎng)絡模型，以優(yōu)化人工神經(jīng)網(wǎng)絡模擬效果。因此，在今后的研究中，要重點關(guān)注上述問題，以期能夠使人工神經(jīng)網(wǎng)絡在厭氧產(chǎn)氣預測中得到更好的應用。

參考文獻：

[1] Zhang W, Wei Q, Wu S, et al.Batch anaerobic co-digestion of pig manure with dewatered sewage sludge under mesophilic conditions[J].Applied Energy, 2014, 128(3):175-183.

[2] 董保成, 王久臣, 李景明,等.沼氣標準體系的研究[J].中國沼氣, 2014, 32(2):3-5.

[3] 冉 毅, 王 超, 羅 秦,等.沼氣工程物聯(lián)網(wǎng)構(gòu)建及應用分析[J].中國沼氣, 2015, 33(1):65-69.

[4] 花亞梅, 趙賢林, 王效華,等.基于改進BP神經(jīng)網(wǎng)絡的厭氧發(fā)酵產(chǎn)氣量預測模型[J].環(huán)境工程學報, 2016, 10(10):5951-5956.

[5] Narihiro T, Sekiguchi Y.Microbial communities in anaerobic digestion processes for waste and wastewater treatment: a microbiological update[J].Current Opinion in Biotechnology, 2007, 18(3):273-278.

[6] 伍南琪, 王愛杰.厭氧生物技術(shù)原理與應用[M].北京:化學工業(yè)出版社, 2004:18-21.

[7] Mao C L, Feng Y Z, Wang X J, et al.Review on research achievements of biogas from anaerobic digestion.[J].Renewable & Sustainable Energy Reviews, 2015, 45(2015):540-555.

[8] Kayhanian M, Rich D.Sludge management using the biodegradable organic fraction of municipal solid waste as a primary substrate[J].Water environment research, 1996, 68(2): 240-254.

[9] 吳樹彪, 郎乾乾, 張萬欽, 等.微量元素對餐廚垃圾厭氧發(fā)酵的影響實驗[J].農(nóng)業(yè)機械學報, 2013, 44(11): 128-132.

[10] Bernal M P, Navarro A F, Sanchez-Monedero M A, et al.Influence of sewage sludge compost stability and maturity on carbon and nitrogen mineralization in soil[J].Soil Biology and Biochemistry, 1998, 30(3): 305-313.

[11] Karim K, Hoffmann R, Klasson K T, et al.Anaerobic digestion of animal waste: Effect of mode of mixing[J].Water research, 2005, 39(15): 3597-3606.

[12] Palmowski L M, Müller J A.Influence of the size reduction of organic waste on their anaerobic digestion[J].Water science and technology, 2000, 41(3): 155-162.

[13] 李 軼, 李 磊, 張大雷,等.餐廚垃圾和牛糞混合厭氧發(fā)酵工藝優(yōu)化[J].農(nóng)業(yè)機械學報, 2012, 43(s1):180-185.

[14] 張文陽, 張良均, 李 娜,等.多元回歸和BP人工神經(jīng)網(wǎng)絡在預測混合厭氧消化產(chǎn)氣量過程中的應用比較[J].環(huán)境工程學報, 2013, 7(2):747-752.

[15] 胡克勤, 李連華, 孫永明,等.基于原料組分的能源草厭氧發(fā)酵產(chǎn)氣預測模型[J].新能源進展, 2016, 4(2):100-104.

[16] 黃 月, 趙明星, 楊莉麗,等.餐廚垃圾與剩余污泥混合消化產(chǎn)甲烷性能及動力學分析研究[J].食品與生物技術(shù)學報, 2017, 36(5):486-493.

[17] Du L Z, Liang J F, Yang P, et al.Influence of total solid content on anaerobic digestion of swine manure and kinetic analysis.[J].Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(24):246-251 .

[18] Li D, Sun Y, Yuan Z, et al.Kinetic study of the mesophilic anaerobic digestion of organic waste components[J].Taiyangneng Xuebao/acta Energiae Solaris Sinica, 2010, 31(3):385-390.

[19] 孫志巖, 張君枝, 劉翌晨,等.牛糞和玉米秸稈厭氧消化產(chǎn)甲烷潛力及動力學[J].環(huán)境工程學報, 2016, 10(3):1468-1474.

[20] Miao H F, Wang S Q, Zhao M X, et al.Codigestion of Taihu blue algae with swine manure for biogas production.[J].Energy Conversion & Management, 2014, 77(1):643-649.

[21] Syaichurrozi I, Budiyono, Sumardiono S.Predicting kinetic model of biogas production and biodegradability organic materials: biogas production from vinasse at variation of COD/N ratio[J].Bioresource Technology, 2013, 149(2):390-397.

[22] 劉 林, 謝 彬, 馬邕文,等.基于動力學和PSO-SVM的廢水厭氧處理產(chǎn)氣量的混合軟測量模型[J].中國造紙, 2017, 36(3):31-36.

[23] Jurado E,Gavala H N,Skiadas I.ADM1-1based modeling of anaerobic digestion of swine manure fibers pretreated with aqueous ammonia soaking.Proceedings of the 4thinternational symposium on energy from biomass and waste 2012[A]. San Servolo, Venice, Italy,12-115.

[24] Jurado E, Antonopoulou G, Lyberatos G, et al.Continuous anaerobic digestion of swine manure: ADM1-based modelling and effect of addition of swine manure fibers pretreated with aqueous ammonia soaking[J].Applied Energy, 2016, 172:190-198.

[25] Lauwers J, et al.Mathematical modelling of anaerobic digestion of biomass and waste: Power and limitations[J].Progress in Energy and Combustion Science 2013, 39: 383-402.

[26] 曹 剛, 徐向陽, 馮孝善.神經(jīng)網(wǎng)絡在厭氧消化過程中的模擬應用[J].中國沼氣, 2001, 19(4):3-6.

[27] 陽范文, 趙耀明.人工神經(jīng)網(wǎng)絡用于高分子材料的性能預測與優(yōu)化設計的研究進展[J].計算機與應用化學, 2001, 18(2):131-134.

[28] 楊曉帆, 陳延槐.人工神經(jīng)網(wǎng)絡固有的優(yōu)點和缺點[J].計算機科學, 1994, 21(2):23-26.

[29] 宋 劍, 王 松, 廖振華,等.人工神經(jīng)網(wǎng)絡方法在摩擦學領(lǐng)域的應用研究進展[J].潤滑與密封, 2016, 41(11):117-123.

[30] Mohammed J.K.Bashir, Application of response surface methodology (RSM) for optimization of ammoniacal nitrogen removal from semi-aerobic landfill leachate using ion exchange resin[J]. Desalination,2010,254(1-3): 154-161.

[31] 聞 新.MATLAB神經(jīng)網(wǎng)絡應用設計[M].科學出版社, 2000.

[32] 向 杰, 黃繼鋒.人工神經(jīng)導管基礎(chǔ)與臨床研究進展[J].中國臨床解剖學雜志, 2012, 30(5):587-589.

[33] 周志權(quán), 張婷婷, 賈 濱,等.人工神經(jīng)網(wǎng)絡用于直接化學電離質(zhì)譜分析食用油品質(zhì)的研究[J].分析化學, 2011, 39(11):1665-1669.

[34] 王國勝, 郭聯(lián)金, 董曉清,等.深圳市區(qū)空氣污染的人工神經(jīng)網(wǎng)絡預測[J].環(huán)境工程學報, 2015, 9(7):3393-3399.

[35] 李英柳.人工神經(jīng)網(wǎng)絡在環(huán)境災害預測中的應用進展[J].地質(zhì)災害與環(huán)境保護, 2010, 21(1):8-11.

[36] 高玉明, 張仁津.基于遺傳算法和BP神經(jīng)網(wǎng)絡的房價預測分析[J].計算機工程, 2014, 40(4):187-191.

[37] 林 香, 姜青山, 熊騰科.一種基于遺傳BP神經(jīng)網(wǎng)絡的預測模型[J].計算機研究與發(fā)展, 2006, 43(s3):338-343.

[38] Maier H R, Dandy G C.Understanding the behaviour and optimising the performance of back-propagation neural networks: an empirical study[J].Environmental Modelling & Software, 1998, 13(2):179-191.

[39] 朱雙東.神經(jīng)網(wǎng)絡應用基礎(chǔ)[M].沈陽:東北大學出版社, 2000.

[40] Holubar P, Zani L, Hager M, et al.Advanced controlling of anaerobic digestion by means of hierarchical neural networks.[J].Water Research, 2002, 36(10):2582-8.

[41] Strik D P, Domnanovich A M, Zani L, et al.Prediction of trace compounds in biogas from anaerobic digestion using the MATLAB Neural Network Toolbox[J].Environmental Modelling & Software, 2005, 20(6): 803-810.

[42] Ozkaya B, Demir A, Bilgili M S.Neural network prediction model for the methane fraction in biogas from field-scale landfill bioreactors[J].Environmental Modelling & Software, 2007, 22(6):815-822.

[43] 趙孝文, 蔣繼成.厭氧發(fā)酵工藝的BP神經(jīng)網(wǎng)絡建模與粒子群算法優(yōu)化[J].應用能源技術(shù), 2015,(3):8-12.

[44] 董瑞蘭.基于人工神經(jīng)網(wǎng)絡的人工瘤胃發(fā)酵甲烷與揮發(fā)性脂肪酸產(chǎn)量預測模型研究[D].北京:中國農(nóng)業(yè)大學, 2015.

[45] Sathish S, Vivekanandan S.Parametric optimization for floating drum anaerobic bio-digester using Response Surface Methodology and Artificial Neural Network[J].Alexandria Engineering Journal, 2016, 55(4).

[46] Holubar P, Zani L, Hagar M, et al.Modelling of anaerobic digestion using self-organizing maps and artificial neural networks[J].Water science and technology, 2000, 41(12): 149-156.

[47] 魯娟娟, 陳 紅.BP神經(jīng)網(wǎng)絡的研究進展[J].控制工程, 2006, 13(5):449-451.

[48] Behera S K, Meher S K, Hungsuck P.Artificial neural network model for predicting methane percentage in biogas recovered from a landfill upon injection of liquid organic waste.[J].Clean Technologies & Environmental Policy, 2015, 17(2):443-453.

[49] Turkdogan-Aydinol Fl, Yetilmezsoy K.A fuzzy-logic-based model to predict biogas and methane production rates in a pilot-scale mesophilic UASB reactor treating molasses wastewater[J].Journal of Hazardous Materials, 2010, 182(1-3):460.

[50] Waewsak C, Nopharatana A, Chaiprasert P.Neural-fuzzy control system application for monitoring process response and control of anaerobic hybrid reactor in wastewater treatment and biogas production[J].環(huán)境科學學報(英文版), 2010, 22(12):1883.

[51] 賴夏頡, 張文陽, 張良均,等.基于人工神經(jīng)網(wǎng)絡的半連續(xù)式混合厭氧消化產(chǎn)氣量預測[J].環(huán)境工程學報, 2015, 9(1):459-463.

[52] Qdais H A, Hani K B, Shatnawi N.Modeling and optimization of biogas production from a waste digester using artificial neural network and genetic algorithm.[J].Resources Conservation & Recycling, 2010, 54(6):359-363.

[53] Jacob S, Banerjee R.Modeling and optimization of anaerobic codigestion of potato waste and aquatic weed by response surface methodology and artificial neural network coupled genetic algorithm.[J].Bioresource Technology, 2016, 214:386.

[54] 余美娟, 席克忠, 趙明星,等.不同優(yōu)化模型在餐廚垃圾厭氧消化中的應用與比較[J].環(huán)境科學與技術(shù), 2017,(8):164-170.