污泥脱水在污泥处理及处置流程中是一个重要的环节, 目前, 向污泥中投加的调理剂包括传统的化学调理药剂如聚氯化铁、聚氯化铝、聚硫酸铁、三氯化铁和PAM等高分子聚合物, 主要是通过电中和及吸附架桥作用促使污泥颗粒絮凝来改善污泥脱水性。有时利用氧化、酸碱、热处理等方法破坏污泥絮体结构以提高脱水效果^[1,2]。曹秉帝等^[3]利用过氧乙酸预氧化破解污泥和聚氯化铝和氯化铁絮凝协同提高污泥的脱水性能, 试验表明, 氧化后再絮凝的污泥脱水性能有显著提高。次氯酸钠也是一种氧化剂, 柯水洲等^[4]考察了次氯酸钠对污泥脱水性能的影响, 研究表面, 在一定投加范围内, 次氯酸钠对脱水效果有改善作用, 且成本较低。在污泥脱水调理剂优化研究方面, 邢奕等^[5]利用响应面曲线法对3种污泥脱水药剂CaO、PAFC联合表面活性剂 (1227) 的投加量进行了优化, 得到了联合调理的最佳工艺参数, 并在最优条件下进行了验证试验, 结果与模型预测值基本吻合。刘欢^[6]选用毛细吸水时间 (CST) 作为评价指标进行基于响应面法 (RSM) 的优化试验, 对影响F-S复合调理剂效果的影响因素进行分析, 确定了最优试验参数。多种污泥脱水调理剂的投配优化为一个非线性的拟合过程, RSM和基于人工神经网络 (ANN) 的遗传算法 (GA) 是2种在非线性优化中应用最广的方法^[7~10], 但利用神经网络对污泥脱水调理剂进行优化的研究较少。本研究以CST作为评价指标, 考察NaClO、PFS和PAM联合调理对污泥脱水性能的影响, 并通过响应面法和人工神经网络方法进行优化, 建立预测模型并分析其有效性的同时得到最优工艺参数, 为污泥处理及条件优化提供参考和依据^[11,12]。

　　 试验所用污泥取自某污水处理厂的A²/O剩余污泥, 该水厂处理规模为100万m³/d。污泥的基本性质如下:重力浓缩后的剩余污泥含水率为97.5%, pH为6.9, CST为216s。

　　 主要化学试剂:次氯酸钠 (NaClO, 西陇化工股份有限公司) 、聚硫酸铁 (PFS, 天津市光复精细化工研究所) 、阳离子聚丙烯酰胺 (PAM, 德国巴斯夫的8160) , 以上药品均为分析纯。

　　 污泥调理脱水:取300mL污泥放入500mL烧杯中, 加入NaClO搅拌 (150r/min) 5min, 然后加入PFS搅拌 (150r/min) 5min, 最后加入PAM继续搅拌 (100r/min) 5 min。搅拌采用磁力搅拌器, CST采用毛细吸水时间测定仪。

　　 响应面分析法:根据Box-Behnken试验设计原理, 以CST作为响应值, 采用三因素三水平响应曲面设计方法, 试验因子及水平见表1。

　　 神经网络模拟:为了比较神经网络和响应面法的拟合度, 神经网络的训练数据与响应面BBD设计试验结果相同, 为了能够达到更好的训练效果, 利用Matlab中的归一化函数mapminmax对样本数据进行了归一化处理, 样本被归一到[-1, 1]之间。输入层的神经元数目为3个, 分别代表NaClO、PFS和PAM的投配率, CST值作为网络的输出单元。神经网络模型的模拟应用Matlab R2016b软件实现。

　　 试验包含5次中心点重复, 共17次试验, 其试验设计及结果见表2。

　　 通过Design-Expert 7.0软件可以求得式 (1) 中的系数, 通过对试验结果的回归分析, 得到二次多项式回归方程:

　　 其中X₁, X₂, X₃分别表示NaClO、PFS和PAM投配率的编码值。式 (1) 中的二次项系数为正, 表明方程的抛物面开口向上, 具有极小值点, 能够进行最优分析。并对表2中的响应值进行回归分析, 得到回归方程的方差分析结果见表3。

　　 由表3可知, NaClO、PFS和PAM投配率三因素拟合模型的F值为679.063, P值 (Prob>F) <0.000 1, 说明回归方程描述的3个因素因子与响应值之间的非线性方程关系是高度显著的。该模型相关系数R²为0.995 2, 因而该模型与试验结果拟合良好, 试验误差较小。模型的校正决定系数R²_adj为0.989 1, 信噪比为42.32大于4, 且拟合不足不显著 (P=0.149 9>0.05) , 因此该模型能够反映真实的曲面, 可以对不同投配率的NaClO、PFS和PAM联合调理污泥时的CST进行预测。在该模型下, NaClO投加1.28%、PAFS投加9.17%、PAM投加1.09‰时预测的CST最小值为24.06s, 脱水效果最优。

　　 BP网络是按误差逆传播算法训练的多层前馈网络, 是目前各行业应用最广泛的网络模型之一。本试验通过选取不同隐含层数对预测数据准确度进行比较, 最终确定的神经网络隐含层神经元数目为10个节点, 输入层3个节点, 输出层1个节点, 建立了Feed-forward backprop神经网络模型, 训练函数采用LM算法的trainlm, 网络中隐含层神经元传递函数采用S型正切函数tansig, 输出层神经元传递函数采用纯线性函数purelin, 网络最大训练次数为1 000次。

　　 如图1所示, 人工神经网络模型的相关系数为0.998 18, 说明网络模型对试验数据的拟合度很高, 能够描述NaClO、PFS和PAM这3种污泥调理剂的投配率与CST之间的关系。

　　 把该模型作为遗传算法的基础, 通过Matlab和其附带的GAOT遗传算法工具箱实现脱水效果最优化即CST最小值的预测, 将训练后的BP神经网络作为遗传算法的适应函数进行极值寻优, 由图2可知, 经过迭代100次后, 群体的适应度函数变化趋势达到最小值为22.9, 即CST预测的最小值是22.9s, 此时NaClO投加1.3%、PFS投加11.7%、PAM投加1.02‰, 脱水效果最优。

　　 响应面优化和神经网络优化的数据都基于表1中的参数范围和表2中的BBD设计表的结果, 因此具有可比性。由图3可见, 通过RSM和ANN优化方法所拟合的数据的R²值分别是0.995 2和0.985 6, 都具有较高的拟合度, 均可用于污泥调理药剂的配比优化。为考察响应曲面模型方程和人工神经网络模型最优条件的准确性和实用性, 在NaClO投加1.28%、PFS投加9.17%、PAM投加1.09‰条件下进行验证试验, CST的实测值为24.13s;在NaClO投加1.3%、PFS投加11.7%、PAM投加1.02‰条件下进行验证试验, CST的实测值为23.15s;通过人工神经网络模型预测的CST最优值更小些, 两种方法均可用于污泥脱水调理剂的优化。

　　 通过对3种污泥板框脱水调理剂投配率的BBD设计试验, 应用响应面曲线法和神经网络模型对多组试验数据和预测数据进行了比较, 两种方法的拟合度和预测准确性良好, 用RSM法预测的最小CST值为24.06s, 实测值为24.13s;ANN法预测的最小CST值为22.9s, 实测值为23.15s。同时, 这两种方法均可对其他投配率下的污泥脱水效果进行较为准确的预测, 大大提高了试验效率。