www.gusucode.com > 数学建模论文_城市供水处理混凝投药过程的建模与控制文章 > 数学建模论文_城市供水处理混凝投药过程的建模与控制文章/说明.txt

     摘　要：
针对水厂混凝投药过程，本文根据广东省某水厂历史数据，建立了进水流量、浊度、PH值、加药量和沉淀池出水浊度之间的四个阶段性数学模型，并对模型进行优化最终建立了最佳投药量的闭环预测系统，实现对投药量的实时控制。
第一阶段：忽略PH对投药量的影响，综合已有文献[3]中的投药量与各因素间的指数关系，建立了基于非线性回归辨识指数模型，并采用取对数方法将其转换为线性回归问题，最终求得出水浊度与投药量、原水浊度及取水量之间的函数表达式（可信度为99%），并通过式（2-5）计算反应到沉淀结束的时间为90min。
第二阶段：考虑时间的滞后性，本文建立了基于改进的BP神经网络的非线性黑箱投药控制模型，将原水PH、原水浊度、取水量以及投药量作为输入参数，出水浊度作为输出参数。通过设置学习参数和动量系数，并控制出水浊度达到标准值，最终确定了4-12-1最佳的神经网络结构，其泛化误差为0.0014。运用此模型，计算了在不同原水条件下的最佳投药量，具体可见表2-6；并分析了原水PH、原水浊度及取水量对最佳投药量的影响，可见图2-7、2-8、2-9。
第三阶段：鉴于混凝投药过程是一个反馈控制过程，在投药时混凝剂量不仅与控制本次出水浊度有关，还与上次的出水浊度相关，模型二只是通过控制出水浊度来寻找最佳的投药量的正向反馈。为使模型更有效，与实际情况更接近，本文在模型二基础上，增加出水浊度作为输入量，投药量作为输出量建立新的BP神经网络模型，并通过样本数据的训练和误差控制确定了最佳网络结构。出水浊度作为反馈参数实现对最佳投药量的反馈控制：以1.0NTU为临界点，大于1.0NTU会使投加量增加，且越大增加越多，小于1.0NTU会使投加量减少，且越小减少越多，具体可见表2-7和图2-12.
第四阶段：由于温度会影响分子的布朗运动和水的动力粘度，最终会影响到最佳PAC量的投加，故需要将温度也作为输入参数，研究温度对最佳PAC量投加影响，其模型是在模型三基础上增加温度作为输入量构建新的神经网络模型，从气象局搜集到2013年8月22日到2014年9月5日的气温数据，并利用文献[11]气温与水温函数关系计算得日均水温数据，同时将附件数据集预处理后的数据进行日均化后与温度数据进行标准化处理后作为输入参数进行网络训练，最终确定较优的神经网络结构，在10-250C时最佳投药量几乎不变，而在温度升高投药量降低；反之升高，具体可见图2-17.
最后，本文根据BP神经网络的缺陷，设计了基于RBF神经网络结构的投药控制模型，并基于之前的模型最终设计出最佳投药量的闭环预测系统（图2-20），实现对投药量在水发生变化情况下的实时控制。 
关键词：混凝投药，非线性预测，回归模型，BP神经网络，RBF神经网络