论文部分内容阅读
氯酚类物质广泛应用于石油化工、医药、杀虫剂、防腐剂等领域,具有难生物降解,已被世界各国列入优先控制名单。电氧化技术因其高效、无需添加试剂、无二次污染等优点而被广泛应用于难降解污染物处理。本文针对现有反向传播-人工神经网络（BP-ANN）预测存在的精度低、不确定性等问题,提出采用粒子群优化算法（PSO）,开展氯酚类化合物电氧化过程的PSO-BP-ANN预测研究。氧化还原电位（ORP）反映了微观层面单一物质氧化-还原能力相互影响所反应出来的宏反应体系观氧化还原特性,表征其氧化性或还原性的相对强弱。本文首先考察了电流密度、电解质浓度和初始pH等工艺参数对PbO2电极电氧化2-氯苯酚效果的影响规律,监测了反应体系的ORP变化,分析了ORP和电流密度、pH、ORP、电解质之间的关系,建立了ΔORP和COD去除之间的数学关联,获得了基于ORP的COD去除率和总能耗（TEC）的多元线性方程式,相关系数R2分别为0.8878和0.93223。因此,ORP是电氧化过程控制的一个重要参数。本文确定了电流密度、电解质浓度、电解时间、ORP等作为主要输入参数,构建了BP-ANN电氧化过程预测模型。采用测试数据集的相对误差和均方误差为指标,以logsig激活函数为隐含层传递函数、pureline函数为输出层传递函数,通过函数性能曲线图分析,选择了trainlm算法为训练函数;对比不同隐含层节点数的相关系数和均方误差,确定隐含层10为最佳隐含层节点数。建立的BP-ANN电氧化过程测试数据集预测COD去除效率和TEC的R2分别为0.9344和0.9355,MSE分别为0.0137232和0.013127。结果显示,BP-ANN可以预测电氧化过程,但存在精度不高、个别点误差大等问题,而且网络的初始权值和阈值存在不确定性,学习收敛速度慢,易陷入局部极小值。本文采用粒子群优化算法（PSO）优化网络初始权值和阈值。以相关系数和均方误差为评价指标,确定PSO-BP-ANN网络的种群粒子数为50,最大迭代数为200,动量因子C1,C2为1.5时,建立的PSO-BP-ANN预测COD去除效率和TEC测试数据集的R2分别为0.99和0.9944,MSE分别为0.0015526和0.0023456。测试数据集显示,PSO-BP-ANN模型能有效预测电氧化过程,对比BP-ANN,网络消除了BP-ANN个别点误差大的问题,提高了COD去除率和TEC的预测精确度,网络运行速度快,稳定性好。对输入参数的权重分析可知,PSO-BP-ANN的5个输入参数的相关度为,电流密度18.85%,初始pH为21.11%,电解质浓度19.69%,电氧化时间21.30%,ORP 19.05%。