活性炭吸附甲基橙模拟废水预测模型研究.pdf

《活性炭吸附甲基橙模拟废水预测模型研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第44卷第5期当代化工Vo1．44．NO．52015年5月ContemporaryChemicalIndustryMay，2015活性炭吸附甲基橙模拟废水预测模型研究侯珂珂，孟耀伟，李彦平，赵晨(I．许昌学院化学化工学院，河南许昌461000；2．许昌学院信息工程学院，河南许昌461000)摘要：分别采用BP人工神经网络算法及多元线性回归法，以实验所得的36组数据为样本，建立了以吸附时间、活性炭投加量及甲基橙废水浓度为输入变量，以活性炭吸附处理后甲基橙溶液的吸光度为输出变量的吸附预测模型，并进行了两模型预测效果的对比。结果

2、表明，BP神经网络模型获得了比多元线性回归更好的拟合预测效果。使用BP神经网络模型可以实现同时考虑三个操作因素条件下活性炭吸附特性的预测，而且预测结果与实验数据吻合度较高，其预测样本最大和最小相对偏差分别为2．92％和0．029％，残差绝对值小于0．0505。关键词：BP神经网络；多元线性回归；活性炭；吸附；预测模型中图分类号：TQ03文献标识码：A文章编号：1671—0460(2015)05—0939—03PredietionModelf0rAetivatedCarbonAdsorption0fMethyl0rangeS

3、imulatedWastewaterHOUKe．keI，MENGYa0．weiz，LIYan-ping1．ZHA0ChenI(1．CollegeofChemistryandChemicalEngineering，XuchangUniversitY,HenanXuchang461000，China；2．SchoolofInformationEngineering，XuchangUniversity,HenanXuchang461000，China)Abstract：Selectingtheadsorptiontime．the

4、dosageofactivatedcarbonandtheconcentrationofmethylorangeSOlutionasinputitems，theabsorbanceofdifferentconcentrationsofmethylorangesolutionadsorbedbytheactivatedcarbonasoutputitem．twomodelstoforecasttheactivatedcarbonadsorptionofmethylorangewastewaterwereestablished

5、byBPartificialneuralnetworkalgorithmandmultivariatelinearregression，respectively．Taking36groupsexperimentaldataastrainingandcheckingsamples．thetwomodelscompared．TheresultsshowthattheBPneuralnetworkmodel—predictedresultsareinbeReragreementwiththeexperimentaldatatha

6、nthoseofstatisticalmode1．ThepredictionofadsorptioncharacteristicsofactivatedcarboncanberealizedunderconsideringthreeoperationfactorsbyusingBPneuralnetworkmode1．Themaximumandminimumrelativedeviationsofpredictionsampleare2．92％and0．029％respectively,andtheabsolutevalu

7、eofresidualiSlessthan0．0505．Keywords：BPneuralnetwork；Multivariatelinearregression；Activatedcarbon；Adsorption；Predictionmode1染料和印染行业生产的废水是水污染的主要来机理模型非常复杂，难以建立数学方程组求解时，源，其中甲基橙是一种水溶性偶氮染料，在染料废通常采用黑箱模型法，其中常用的、比较有效的方水中具有一定的代表性。随着新型吸附剂的开发，法为回归统计模型法及人工神经网络法，这两种模吸附法将为含甲基橙废

8、水的处理提供更经济、更高型的建立均是依据试验或实际生产数据，不注重过效的途径。但是其处理过程涉及到的参数较多，程本质，所建立模型的处理相对比较简单。尤其为考察某参数的影响需要进行多次试验，试验过程是基于误差反向传播算法的BP神经网络具有较强比较复杂，而且耗时并会产生二次污染，如果采用的非线性映射能力、泛