《表1 不同人工神经网络方法在污水污染物去除率预测中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《人工智能技术对长江流域水污染治理的思考》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:RMSE为均方根误差，可衡量模拟值与实测值之间的偏差．下同．

流域污水污染物去除过程是指采取物理、化学或生物处理方法将污水中所含的污染物分离出来，从而使污水得到净化的过程[16]．人工智能技术ANN及由其衍生出来的MLPNN、RBFNN、多层前馈网络-人工神经网络（BP-ANN）、自适应模糊神经网络（ANFIS）通过模拟大脑神经网络结构，利用网络中神经元连接矩阵反映信息输入与输出的非线性关系，能够有效克服污水污染物分离过程的复杂非线性问题，在污染物去除过程的模拟中具有突出的应用效果[24]，因此，将这些技术应用于重金属、营养盐、持久性有机污染物去除过程的建模与优化，为实现高精度预测污染物去除率提供重要的参考价值．如表1所示，YU等[27]将污水pH、DO浓度、Cr含量和接触时间作为输入变量，利用BP-ANN预测污水中Cr的去除效率，结果表明，BP-ANN能够实现对Cr去除率的高精度预测（R2=0.988）.Philip等[28]选取有机负荷率、NH4+-N浓度、pH、CODCr浓度、沼气产量与出水挥发性脂肪酸6个重要的厌氧工艺参数作为输入变量，利用BP-ANN预测污水中CODCr去除率，结果表明，试验数据与预测数据高度一致，BP-ANN能够解释CODCr实际去除率的87%（R2=0.87）.Dolatabadi等[29]采用MLPNN和ANFIS预测污水中Cu去除率，结果表明，MLPNN和ANFIS对Cu去除率均有良好地预测效果（R2分别为0.987和0.999）.JING等[30]采用MLPNN预测持久性有机污染物萘的去除过程，结果表明，MLPNN能够高精度地预测污水中萘去除率[RMSE（均方根误差）=0.042].Turan等[31]研究表明，利用RBFNN对污水中Cu去除率的预测能力优于MPNN，这是由于RBFNN具有模块化的网络结构和无监督的学习特性，其对输入的噪声具有很高容忍度[32]．因此，RBFNN对流域污水重金属去除率的精确预测具有重要的参考价值．