AAO污水处理工艺简介.ppt

1.城市污水脱氮除磷工艺及模拟控制 2.研究内容与技术路线 3.交互式反应器研究与中试装置设计 4.交互式反应器中试运行研究 生物处理过程氮的转化 2.1化学除磷 3.1 A/A/O系列 3.1 A/A/O系列 3.2 SBR系列 3.3 氧化沟系列 4.1 BICT工艺 1.1 实现碳调控的脱氮除磷目的 2.1 工艺概念 2.2 平面布置 2.3 流程布置 3.1 运行模式图 3.2 运行模式表 3.3 运行控制目标 4.1 串联运行模式1 4.2 串联运行模式2 6.1 设计参数 6.2 中试基地平面 6.3 中试流程 6.4 相关照片 6.4 相关照片 3.1 结论1 3.3 结论3 3.5 结论5 1.1 特点 2.1 双隐含层MIMO 3.1 出水NH3-N预测 3.4 出水NO3-N预测 1.1 特点 2.1 输入输出 3.1 出水NH3-N预测 3.2 出水TN预测 3.3 出水NO2-N预测 3.4 出水NO3-N预测 3.5 出水TP预测 3、中试运行小结 四、交互式反应器中运行研究  交互式反应器系统AAO运行模式下，降雨季节，进水COD较低， SVI基本50mL/g，MLVSS/MLSS降雨频繁时有下降的趋势，在0.25~0.4 雨水较少时，SVI和MLVSS/MLSS均有升高的趋势， SVI在50~90mL/g，MLVSS/MLSS在0.4~0.5之间。 3.6 结论6 增加抗冲击负荷能力措施： ①增大混合液回流比； ②加大系统进水流量； ③维持反应器系统MLVSS在1000mg/L以上； ④投加混凝剂。 当进水COD平均值小于70mg/L，为提高系统抗冲击负荷的能力，保证出水氨氮达标，可将HRT缩短为4h，以增加污泥的有机负荷，减缓污泥的内源呼吸过程，维持系统MLVSS在1000mg/L以上。 考虑到低碳高氮磷城市污水的脱氮和抗冲击负荷能力，系统的混合液回流比宜在1~2之间，污泥回流比宜在0.5~1.0之间。 1、BP神经网络技术 五、交互式反应器BP神经网络模型研究  (1)高度的并行性； (2)高度的非线性全局作用； (3)良好的容错性与联想记忆功能； (4)强大的自适应、自学习功能。 1.2 设计 (1)网络的层数（输入层、隐含层、输出层）； (2)隐含层的神经元数量； (3)传递函数（Sigmoid) 2、交互式反应器BP神经网络模型 五、交互式反应器BP神经网络模型研究  2.2 双隐含层MISO (1)记忆能力强； (2)自学能力和抗干扰能力差； (3)训练时间长 (4)模拟结果较差 (1)记忆能力强； (2) 预测能力差 (3)自学能力和抗干扰能力差； (4)训练时间长 2.3 单隐含层MISO (1)预测表现稳定； (2) 预测能力强； (3)训练速度快； (4)神经元数量以10个为宜 3、BP神经网络模型模拟结果 五、交互式反应器BP神经网络模型研究  3.2 出水TN预测 A:输入进水：COD、SS、NH3-N、NO3-N B:输入进水：COD、SS、NH3-N、TN (1)二组相关系数基本一样 (2)A组预测性优于B组 A:输入进水：COD、SS、NH3-N、TP B:输入进水：COD、SS、TN、TP (1)二组相关系数基本一样 (2)A组预测数据、训练数据均优于B组 3.3 出水NO2-N预测 A:输入进水：COD、NO3-N、NO2-N、NH3-N B:输入进水： COD、NO3-N、NO2-N、TN (1)二组训练误差接近 (2)A组预测数据误差优于B组 3、BP神经网络模型模拟结果 五、交互式反应器BP神经网络模型研究  A:输入进水：COD、NO3-N 、NO2-N、NH3-N B:输入进水：COD、 NO3-N 、NO2-N、 TN (1)预测误差接近，A组训练误差小 (2)二组误差均较大 C：输入进水：COD、NO3-N 、NO2-N、NH3-N、TN 隐含层神经元个数由10增加为12 (3) 误差依然较大：原始数据变化幅度大；进水NO3-N 较小时，对网络性能影响大；数据量和数据精度有限 3.5 出水TP预测 A:输入进水：COD、SS、TP、NH3-N B:输入进水： COD、SS、TP、TN (1)二组训练误差接近 (2)B组预测数据误差优于A组,但二组预测误差均较大 (3)进水中TP浓度低；测量误差致出水TP大于进水；数据规律性差 1、ANFIS网络模型 六、交互式反应器ANFIS仿真模型研究  (1)很好的推理功能； (2)较强自学习能力； (3)理解经验语言； (4)融合神经网络与模糊推理。 1.2 设计 (1) M