Professional Documents
Culture Documents
研 究 生 : 資源環境研究所 李
成得
學 號 : E09514009
指導教授 : 吳 春 生 教授
胡 子 陵 教授
林 淑 真 教授
2008/1/5 1
壹、前言
貳、文獻回顧
參、研究方法
肆、預期結果
伍 、 參考文獻
2
壹、 前 言
3
一、研究動機 壹、前言
探討污水處理廠活性污泥處理系統操作參數因
子與主成分分析各變數之變異之後,資料經正
規化處理並以線性迴歸方式組合成全新的輸入
變數,再利用類神經網路之倒傳遞類神經網路
預測結果進行比較,判定優化方法。
本研究採試誤法決定網路隱藏層神經元數,進
行網路效能訓練與測試,並依據網路輸出結果
與目標值間之相關係數( correlation
corfficient,R )值,選取最高 R 值之神經
元建構最佳網路,驗證以及預測污水處理廠放
流水水質 COD 濃度及 SS 濃度之準確性,做為
污水處理廠現場工程師監測內容操作改善之依
據。 5
貳、文獻回顧
6
貳、文獻回顧
一、 Belanche et al.,(1999) 使用類神經
網路以模廠進行放流水 COD 濃度之預測,所使用
之輸入變數包括進流水流量、進流水 COD 濃度、
進流水 BOD 濃度、進流水 TSS 、曝氣槽曝氣量
、迴流流量、廢棄污泥量、放流水 COD 濃度及放
流水 BOD 濃度等,其採用之類神經網路之類型為
時間延遲類神經網路,內含 13 個輸入神經元,
8 個隱藏層神經元及 1 個輸出神經元,其研究結
果顯示,實際值與預測值呈現良好之一致性。
貳、文獻回顧 8
貳、文獻回顧
9
貳、文獻回顧
五、黃建源,( 2000 )以多變量統計法分析民國
82 年- 87 年日月潭水庫監測資料,分析日月潭
水庫水質變異之主成份因子與研判污染源,主
成份分析結果顯示日月潭水庫水質變異之
成份分析結果顯示 主成
份因子,分別是總磷、總氮與硝酸鹽氮組成的
「營養鹽供給因子」;透明度與濁度組成的
「混濁因子」及葉綠素與化學需氧量組成的
「有機物供給因子」。
10
貳、文獻回顧
六、簡家宏,( 2004 )使用相關性分析作為倒傳
)使用相關性分析作為
遞類神經網路輸入變數之篩選方式,以空氣品
質監測資料進行 PM10 濃度之預測,選取空氣品
質之間所得相關性高之參數作為輸入變數。
相關性高之參數作為
11
參、研究方法
12
參、研究方法
一、網路工具:
1.MATLAB 7.0 軟體是主要應用於工程科學方
面運算之高階程式語言。
2.SPSS 統計軟體 12.0 。
3.Sigmaplot 繪圖軟體。
二、網路隱藏層神經元數目:
輸入神經元數 + 輸出神經元數。
13
參、研究方法
三、應用數據:
依據案例污水處理廠 2004 年 1 月〜 2007 年 9 月
之水質檢測數據為之,執行訓練數據 959 筆,
測試數據 221 筆,數據資料共計 1180 筆。
四、網路訓練及測試水質因子:
經由活性污泥生物處理單元取得之因子有水
溫、 pH 、透視度、曝氣槽 BOD 、曝氣槽 SS 、
曝氣槽進流量、 MLSS 、 MLVSS 、 SV30 、 SVI 、
迴流污泥 SS 、迴流污泥 VSS 、 F/M 、 HRT(hr) 等
15 個自變數。
14
蒐集污水處理廠基本資料
五、研究架構 參、研究方法
活性污泥系統參數整理
數據資料正規化處理
建立訓練及測試資料
進行類神經網路架構及修正
最佳模式
15
肆、預期結果
16
一、篩選之參數 肆、預期結果
表一 應用類神經網路預測放流水 COD 濃度訓練及測試結果
顯著性 .000
18
肆、預期結果
轉軸後空間中的成 份圖
1.0
曝氣槽進流量
食微 比
SVI
0.5 曝氣槽 BODi
曝氣槽 pHi SV30
成 曝氣槽 SSi
0.0 MLSS MLVSS
份 曝氣槽 CODi 曝氣槽 透視 度i
2
曝氣槽水 溫
-0.5
曝氣槽 HRT
-1.0
-1.0
-1.0 -0.5
-0.5 0.0
0.0 0.5
0.5 1.0 1.0 3
成份 1 成份
圖七 萃取方法:主成分分析。
旋轉方法:旋轉方法:含 Kaiser 常態化的 Varimax 法。
19
肆、預期結果
未篩選之參數應用類神經網路預測放流水
未篩選之參數
COD 濃度訓練及測試結果,由表一可得知
: 廢 ( 污 ) 水經活性污泥生物處理系統之後
,預測放流水 COD 濃度之網路最佳隱藏層
神經元數為 15 個, Train-Mse 值為
0.0124144 , Train-R 值為 0.8728 , Test-R
值為 0.8812 。
篩選之參數應用類神經網路預測放流水
篩選之參數
COD 濃
度訓練及測試結果,由表四可得知 : 廢
( 污 ) 水經
活性污泥生物處理系統之後,預測放流
水 COD 20
肆、預期結果
未篩選之參數應用類神經網路預測放流水
未篩選之參數
SS 濃度訓練及測試結果,由表二可得知 :
廢 ( 污 ) 水經活性污泥生物處理單元之後
,預測放流水 SS 濃度之網路最佳隱藏層
神經元數為 14 個, Train-Mse 值為
0.0343010 , Train-R 值為
0.8312 , Test-R 值為 0.8595 。 。
篩選之參數應用類神經網路預測放流水
篩選之參數 SS
濃度訓練及測試結果,由表五可得知 :
廢 ( 污 ) 水經活性污泥生物處理單元之後
,預測放流水 SS 濃度之網路最佳隱藏層
神經元數為 9 個, Train-Mse 值為
0.0617920 , Train-R 值為 21
伍、參考文獻
Pearson , 1901 所提出主成份分析,再由 Hotelling , 1933 加以發展的一
種統計方法。
Rebecca Su , 2005 ,統計生活
館, http//web.thu.edu.tw/wenwei/www/egi/stat/index.htm 2008/1/4 查看
( )。
萬騰州、施東河、倪榮興,
萬騰州、施東河、倪榮興 1997 ,「污水處理廠水質管理專家系統之研
究」,雲林技術學院學報,第 6 卷,第 2 期, 245-252 頁。
何佳祥、莊淳元、林玉萍、陳建谷、萬騰州, 萬騰州 2002 ,「應用類神經網路
系統及灰色系統理論於 UASB 廢水處理程序放流水水質之預測」,第 15
屆環境規劃與管理研討會論文,中華民國環境工程學會。
22
黃建源, 2000 ,「多變量統計方法在日月潭水
庫水質管理之應用」,碩士論文,逢甲大學,土
木及水利工程研究所。
簡家宏, 2004 ,「應用基因類神經網路於空氣
,「應用基因
品質短期預測及監測資料異常值診斷之研究 - 以
台中縣沙鹿空品測站為例」,碩士論文,
」, 雲林科
技大學,環境與安全工程系。
洪明松, 2004 ,「工業廢水處理廠放流水質模
擬 - 軟性演算之應用」,碩士論文,朝陽科技大
學,環境工程與管理系。
葉昭憲,( 2007 )數量分析法,國立高雄第一
科技大學環資所簡報。
湯健文等 (2002) 類神經網路於因果關係模型
湯健文等,
與時間數列模型之應用。
23
Belanche Llu’is A.,Valde’s J.J.,Comas J.,Roda I.R.,Poch
M.,1999.Towards a Model of input-output Behaviour of
Wastewater Treament Plants Using Soft Computing
Techniques,Environmental Modelling &Software,14:409-419.
Choi D.J and Park H.,2001.A Hybrid Artificial Neural as A
Software Sensor for Optimal Control of A Wastewater Treatment
Process,Water Research,35:3959-3961.
Homik K.,Stinchcombe M.,and White H.,1989.Multilayer
Feedforward Networks are Universal Approximators,Neural
Networks,2:359-366.
Hack M.and Kohne M.,1996. Estimation of Wasterwater
Process Paramenters Using Neural
Networks,Wat.Sci.Tech.,33 ( 1 ) :101-115.
24
Prybutok V. R.,Yi J.,and Mitchell
D.,2000.Comparison of Neural Network Models
with ARIMAand Regression for Prediction of
Houston’s Daily Maximum Ozone
Concentrations,European Journal ofOperational
Research,122:31-40.
25
26