MBR中膜污染的人工神经网络预测研究进展

张浩良,刘聪,洪乾坤,王侃鸣,王红宇

Research progress of artificial neural network for membrane fouling prediction in MBR

Haoliang ZHANG,Cong LIU,Qiankun HONG,Kanming WANG,Hongyu WANG

表1 几种经典预测膜污染数学模型

Table 1 Several classical mathematical models for predicting membrane fouling

模型	公式	适用情况	文献来源
串联阻力模型	$R = R_{m} + R_{p} + R_{c} + R_{g} + R_{c p}$	根据实际选择阻力建模	〔11〕
Tansel通量预测模型	$t = \frac{τ l n [0.6 - (1 - α)] / α}{l n (e)}$	通量下降至60%的时间	〔12〕
Chang通量模型	$J (x) = \frac{λ l J_{m i}}{e^{λ l} - e^{- λ l}} (e^{λ x} + e^{- λ x})$	描述通量分布情况	〔13〕
Hagen-Poisenille公式	$\frac{d P (x, t)}{d x} = - \frac{8 μ}{r^{2}} u (x, t)$	描述黏性液体在水平圆管中的变化	〔14〕
Hermia通量模型	$\frac{d^{2} t}{d V^{2}} = K {[\frac{d t}{d V}]}^{n}$	根据n取值建立的通量模型	〔15〕
Zuthi半经验数学模型	$\frac{d r_{p}}{d t} = - α_{p} c_{S M P} (t) J (t)$ $ρ_{c} \frac{d h_{c}}{d t} = J (1 - k) C_{c} (t)$	结合MLSS的过滤模型	〔16〕
Takeshi Sato通量模型	$J = \frac{Δ P}{R_{m} + 843 Δ P C_{M L S S}^{0,926} C_{C O D}^{1.37} μ^{0.326}}$	以MLSS与溶解性COD来预测过滤滤阻	〔17〕
Meng膜污染模型	$R_{f} = 2.25 e x p (M L S S \times 9 \times 10^{- 5}) + 0.111 E P S - 1.99 \times 10^{- 2} P S D - 3.2$	基于污泥混合液特性的膜污染预测模型	〔18〕