申請日2015.06.19
公開(公告)日2015.09.23
IPC分類號G06F19/00
摘要
本發(fā)明公開了基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，首先利用LSSVM算法建立膜蒸餾污水處理過程的預測模型;其次分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化預測模型的參數(shù);然后分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用優(yōu)化的預測模型對膜通量以及膜污染阻力的變化趨勢進行預測，并分析膜蒸餾的基本操作參數(shù)對膜通量和膜污染阻力的影響;最后對預測結(jié)果進行靈敏度分析計算，確定出影響膜通量和膜污染阻力的主導因素。本發(fā)明利用GA-LSSVM實時預測膜通量以及膜污染阻力變化情況，將膜蒸餾基本操作參對膜污染的影響明晰化、量化。
摘要附圖
權利要求書
1.基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，其特 征在于，包括以下步驟：
(1)利用LSSVM算法建立膜蒸餾污水處理過程的預測模型;
(2)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化步驟(1)建立 的預測模型的參數(shù);
(3)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用步驟(2)優(yōu)化的預測模型對 膜通量以及膜污染阻力的變化趨勢進行預測，并分析膜蒸餾的基本操作參數(shù)對膜 通量和膜污染阻力的影響;
(4)對步驟(3)得到的預測結(jié)果進行靈敏度分析計算，確定出影響膜通量 和膜污染阻力的主導因素。
2.根據(jù)權利要求1所述基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于，步驟(1)的具體過程如下：
首先，輸入數(shù)據(jù)記為X，輸出數(shù)據(jù)記為Y，這些數(shù)據(jù)分為訓練數(shù)據(jù)和測試數(shù) 據(jù)，所述訓練數(shù)據(jù)的集合記為A={(x1,y1),…,(xi,yi),…,(xN,yN)}，其中，xi∈X，yi∈Y， 1≤i≤N，N為訓練數(shù)據(jù)集合的大小，利用非線性映射函數(shù)建立如下式(1)的回歸 模型，將輸入數(shù)據(jù)X映射到高維特征空間，
式(1)中，w為權值，b為偏置項，為非線性映射函數(shù);
然后，建立式(2)所示的LSSVM優(yōu)化問題，
式(2)中，ξi為松弛因子，ξi>0，γ為正則常數(shù);
最后，構造式(3)所示的拉格朗日函數(shù)，求解LSSVM最優(yōu)化問題，
式(3)中，ai為拉格朗日乘數(shù);分別對w,b,ξi,ai求偏導數(shù)，并令偏導數(shù)為0，消 去w和ξi，得式(4)，
式(4)中，Y=[y1,...,yN]T，1N=[1,...,1]T，a=[a1,...,aN]T，IN為N×N的單位矩陣， Ω為N×N的矩陣，它的第i行第j列的元素κ(xi,xj) 是內(nèi)核函數(shù)。
3.根據(jù)權利要求2所述基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于：所述內(nèi)核函數(shù)為徑向基函數(shù)：
式(5)中，σ2為內(nèi)核參數(shù)。
4.根據(jù)權利要求3所述基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于：步驟(2)中所述利用GA算法優(yōu)化的參數(shù)包括正 則常數(shù)γ和內(nèi)核參數(shù)σ2。
5.根據(jù)權利要求2所述基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于，步驟(3)的具體過程為，分別在擬穩(wěn)定狀態(tài)和非 穩(wěn)定狀態(tài)下進行如下操作：
將溫度差、錯流速度、進水pH、膜孔徑和膜蒸餾處理時間作為預測模型的 輸入數(shù)據(jù)，將膜通量和膜污染阻力作為預測模型的輸出數(shù)據(jù)，每次僅改變溫度差、 錯流速度、進水pH、膜孔徑和膜蒸餾處理時間中的一個參數(shù)，保證其他參數(shù)不 變，運用GA算法優(yōu)化LSSVM模型的參數(shù)，并將優(yōu)化后的參數(shù)代入LSSVM模 型進行預測，再利用均方根誤差RMSE和回歸系數(shù)R2這兩個評價參數(shù)對預測性 能進行評價，當RMSE越接近于0且R2越接近于1時，表明預測性能越好。
6.根據(jù)權利要求1所述基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污 染趨勢的方法，其特征在于：在步驟(4)中，分別采用斯皮爾曼相關性、伽馬 相關性、肯德爾相關性和皮爾遜相關性對預測結(jié)果進行靈敏度分析計算。
說明書
基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法
技術領域
本發(fā)明屬于膜蒸餾技術、污水廢水處理領域，特別涉及了基于GA-LSSVM 模型預測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法。
背景技術
近年來，膜分離技術發(fā)展迅速，包括納濾膜、超濾膜、反滲透膜、膜蒸餾， 它們的快速發(fā)展為城市污水處理和工業(yè)廢水處理提供新途徑。膜蒸餾是基于氣液 平衡及傳熱傳質(zhì)原理的熱驅(qū)動過程，以微孔疏水膜為介質(zhì)，在膜兩側(cè)蒸氣壓差的 作用下，進水中的揮發(fā)性組分以蒸汽形式透過膜孔，在膜的低溫側(cè)冷凝為液態(tài)， 而非揮發(fā)性組分留在熱側(cè)進料液中，從而達到分離并去除污染物的目的。膜蒸餾 技術應用于污水處理過程的優(yōu)點在于：1、膜蒸餾濃縮過程在常壓下進行，設備 簡單，操作方便;2、在非揮發(fā)性水溶液的膜蒸餾過程中，僅有水蒸氣能透過疏 水膜孔，因此出水水質(zhì)好;3、與反滲透相比，鹽濃度以及濃差極化對膜蒸餾影 響較小，因此可以處理含有高濃度無機鹽的溶液，甚至可以將溶液濃縮到過飽和 狀態(tài)。
然而，利用膜蒸餾技術處理污水最主要的限制來源于膜污染，膜污染會嚴重 導致膜通量的降低，膜蒸餾處理效率的下降。此外，膜污染還將增加額外的膜清 洗費用，縮短膜的使用壽命，并且因污水處理過程中需要頻繁地更換新膜，而增 加了處理費用。膜的運行過程中，其污染程度主要取決于3個因素：1、系統(tǒng)的 運行參數(shù);2、進水水質(zhì);3、膜本身性能。由于膜分離過程的非線性特征以及膜 污染與系統(tǒng)操作參數(shù)之間關系的模糊性，導致了膜蒸餾處理過程中，其基本操作 參數(shù)(比如：溫度差、錯流速度、進水pH、膜孔徑、溶質(zhì)粒子的粒徑大小等) 對膜污染的具體量化的影響還不明晰，有待進一步的研究。因此，為探明系統(tǒng)操 作參數(shù)對膜污染的具體影響并將這種影響進行量化，需對膜蒸餾處理過程進行數(shù) 學模擬，即建立膜蒸餾污水處理過程的預測模型。
目前，用于預測膜分離過程的數(shù)學模型大致分為兩類：1、理論模型(參數(shù) 模型);2、非參數(shù)模型;其中理論模型是基于機理知識的(即基本參數(shù)對膜污染 的影響機理)，要求對相應的膜污染影響機理非常了解，才可以應用理論模型進 行膜污染預測，但運算復雜、計算處理費用昂貴。而非參數(shù)模型則不需要對相應 機理(基本參數(shù)對膜污染的影響機理)了解得很透徹，彌補了理論模型存在的弊 端。由于膜蒸餾處理過程的復雜性以及基本操作參數(shù)對膜污染影響機理的不明確 性，因此需要選取合適的非參數(shù)模型對膜蒸餾過程進行預測。目前，應用較多的 算法模型有很多，包括GP(遺傳規(guī)劃算法)、模糊系統(tǒng)、ANN(人工神經(jīng)網(wǎng)絡) 等，其中當前應用最多的是ANN模型，它被廣泛運用于各種膜分離處理過程(例 如：微濾MF、超濾UF、反滲透RO、納濾NF、電滲析ED),其中ANN還成功 用于膜蒸餾過程的模擬預測。但是ANN存在以下缺點：1、預測結(jié)果僅為局部 極小值，而非全局極小值;2、難以確定其網(wǎng)絡拓撲結(jié)構;3、易出現(xiàn)過度擬合問 題。
發(fā)明內(nèi)容
為了解決上述背景技術提出的技術問題，本發(fā)明旨在提供基于GA-LSSVM 模型預測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，利用GA-LSSVM實時預測膜 通量以及膜污染阻力變化情況，將膜蒸餾基本操作參對膜污染的影響明晰化、量 化。
為了實現(xiàn)上述技術目的，本發(fā)明的技術方案為：
基于GA-LSSVM模型預測膜蒸餾水處理系統(tǒng)中膜污染趨勢的方法，包括以 下步驟：
(1)利用LSSVM算法建立膜蒸餾污水處理過程的預測模型;
(2)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用GA算法優(yōu)化步驟(1)建立 的預測模型的參數(shù);
(3)分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下，利用步驟(2)優(yōu)化的預測模型對 膜通量以及膜污染阻力的變化趨勢進行預測，并分析膜蒸餾的基本操作參數(shù)對膜 通量和膜污染阻力的影響;
(4)對步驟(3)得到的預測結(jié)果進行靈敏度分析計算，確定出影響膜通量 和膜污染阻力的主導因素。
步驟(1)的具體過程如下：
首先，輸入數(shù)據(jù)記為X，輸出數(shù)據(jù)記為Y，這些數(shù)據(jù)分為訓練數(shù)據(jù)和測試數(shù) 據(jù)，所述訓練數(shù)據(jù)的集合記為A={(x1,y1),…,(xi,yi),…,(xN,yN)}，其中，xi∈X，yi∈Y， 1≤i≤N，N為訓練數(shù)據(jù)集合的大小，利用非線性映射函數(shù)建立如下式(1)的回歸 模型，將輸入數(shù)據(jù)X映射到高維特征空間，
式(1)中，w為權值，b為偏置項，為非線性映射函數(shù);
然后，建立式(2)所示的LSSVM優(yōu)化問題，
式(2)中，ξi為松弛因子，ξi>0，γ為正則常數(shù);
最后，構造式(3)所示的拉格朗日函數(shù)，求解LSSVM最優(yōu)化問題，
式(3)中，ai為拉格朗日乘數(shù);分別對w,b,ξi,ai求偏導數(shù)，并令偏導數(shù)為0，消 去w和ξi，得式(4)，
式(4)中，Y=[y1,...,yN]T，1N=[1,...,1]T，a=[a1,...,aN]T，IN為N×N的單位矩陣， Ω為N×N的矩陣，它的第i行第j列的元素κ(xi,xj) 是內(nèi)核函數(shù)。
所述內(nèi)核函數(shù)采用徑向基函數(shù)：
式(5)中，σ2為內(nèi)核參數(shù)。
步驟(2)中所述利用GA算法優(yōu)化的參數(shù)包括正則常數(shù)γ和內(nèi)核參數(shù)σ2。
步驟(3)的具體過程為，分別在擬穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)下進行如下操作：
將溫度差、錯流速度、進水pH、膜孔徑和膜蒸餾處理時間作為預測模型的 輸入數(shù)據(jù)，將膜通量和膜污染阻力作為預測模型的輸出數(shù)據(jù)，每次僅改變溫度差、 錯流速度、進水pH、膜孔徑和膜蒸餾處理時間中的一個參數(shù)，保證其他參數(shù)不 變，運用GA算法優(yōu)化LSSVM模型的參數(shù)，并將優(yōu)化后的參數(shù)代入LSSVM模 型進行預測，再利用均方根誤差RMSE和回歸系數(shù)R2這兩個評價參數(shù)對預測性 能進行評價，當RMSE越接近于0且R2越接近于1時，表明預測性能越好。
在步驟(4)中，分別采用斯皮爾曼相關性、伽馬相關性、肯德爾相關性和 皮爾遜相關性對預測結(jié)果進行靈敏度分析計算。
采用上述技術方案帶來的有益效果：
本發(fā)明采用最小二乘支持向量機LSSVM來建立預測模型，克服了常用模型 的缺點，其適應性和預測性能較好，預測的速度也更快;本發(fā)明選用遺傳算法 GA對LSSVM模型參數(shù)進行優(yōu)化，具有既可處理離散變量又可處理連續(xù)變量、 針對非線性目標以及不需要梯度信息來約束函數(shù)等優(yōu)點，優(yōu)化精度較高;本發(fā)明 還對預測結(jié)果進行靈敏度分析計算，篩選出影響膜通量以及膜污染阻力的主導因 素。
