该文主要探讨的是基于反向传播神经网络模型在优化冶金废水单级脱氮试验中的应用。反向传播神经网络（Backpropagation Neural Network, BNN）是一种常用的深度学习模型，常用于解决复杂非线性问题的数据建模。在这个研究中，BNN模型与Box-Behnken设计方法结合，用于提高冶金废水中氨氮（NH+）和总氮（Total Nitrogen, TN）的去除效率。
研究者采用厌氧氨氧化和部分硝化（SNAP）工艺，利用上流式污泥床（Upflow Sludge Bed, USB）反应器进行废水处理。SNAP工艺是一种经济高效的脱氮方式，它通过部分硝化过程将氨氮转化为亚硝酸盐，随后在厌氧条件下进行氨氧化，最终生成氮气，从而达到脱氮目的。
在构建神经网络模型时，研究者优化了网络的结构参数，包括隐层神经元的数量和学习速率等，以提高模型的预测精度。通过Levenberg-Marquardt算法对模型进行训练，使得模型对NH+和TN去除的预测偏差较小，拟合优度（R-squared）和分数方差（Fraction of Variance Unexplained, FVU）均达到理想水平，协议指数（IA）在0.989至0.998之间，显示出模型的高准确性。
此外，研究还通过16SrRNA高通量测序分析了微生物群落结构，发现库尼尼假丝酵母属、亚硝基单胞菌属和蛋白链球菌属在脱氮过程中起着重要作用。这些微生物的活动揭示了USB反应器中脱氮的主要途径是部分硝化/氨氧化。
传统的生物脱氮工艺成本较高，而SNAP工艺结合BNN模型的优化可以降低成本并提高效率。然而，废水处理过程中的控制因素和优化参数尚不明确，常规的建模方法如单因素/正交试验和物理-数学模型在应对环境变化时可能需要重新校准。因此，研究者引入了机器学习和数据驱动模型，特别是人工神经网络（ANN），来克服这些挑战。
通过优化的BNN模型，可以更精确地预测废水处理过程，有助于实施过程控制策略，提高去除效率，并减少反应器占用的空间。然而，ANN和响应表面方法（RSM）的进一步研究仍然是必要的，以完善模型的预测能力和泛化能力。
这篇研究展示了如何利用深度学习技术，尤其是反向传播神经网络，来优化冶金废水的脱氮处理，为废水处理提供了新的技术思路和优化手段，对于环保和资源回收领域具有重要的实践意义。
VIP享7折，此内容立减4.47元 
