摘要：【目的】 人工智能（AI）因其强大的数据处理能力，在污水处理过程控制和参数优化已有研究，在反应结果预测、参数模型构建、成本优化方面具有明显优势。将AI应用于紫外光芬顿（UV-Fenton）氧化体系以提升反应参数预测准确度和时效性，考察FeSO4·7H2O投加量、30%（质量分数）H2O2投加量、催化剂投加量、反应时间、pH和底物质量浓度6个因素对总有机碳（TOC）去除率和TOC含量/H2O2投加量的影响，确定最佳反应条件，减少氧化剂投加量的同时提高其利用率，使得反应保持较高的污染物去除率。【方法】 对比人工神经网络（ANN）和响应面法（RSM）对不同工艺条件的TOC去除率和TOC含量/H2O2投加量的关系拟合结果，训练集中ANN的R2（分别为0.988 6和0.952 7）高于RSM的R2（分别为0.913 0、0.825 3），在6组测试集上ANN的均方误差（MSE）分别为27.11、149.22远小于RSM的124.45、450.44。【结果】 在ANN训练好的TOC去除率模型中通过枚举法寻找最佳反应条件：FeSO4·7H2O投加量为20.94 mg/L，30%（质量分数）H2O2投加量为1.52 mL/L，催化剂投加量为0.16 g/L，反应时间为22.36 min，初始pH值为4.53，间甲酚底物质量浓度为83.75 mg/L，UV-Fenton反应TOC去除率为84.81%，与预测TOC去除率89.95%相近，TOC去除率最大的同时H2O2没有剩余，说明预测模型准确性较高与效率较高。【结论】 因此，利用AI可以快速、高效地确定及优化反应参数，提高污染物去除率，降低药剂投加量，降低运行成本。

关键词：人工智能；人工神经网络；预测模型；优化参数；紫外光芬顿；间甲酚

基金资助：2023年度中国石化联合会科技指导计划

下载

查看