郑小发，杨 丽，刁 月，王秀模

(重庆机电职业技术大学，重庆 402760)

生物废水处理高度依赖于各种微生物之间复杂的生物化学反应[10]，通过控制生物反应影响因素可提高处理效率，但基本控制因素及具有稳定处理效率的优化参数尚未明确。目前，用于废水处理过程控制和参数优化的常规建模方法主要基于单因素/正交试验和物理-数学机制[11-13]。大多数现有模型(物理-数学模型)，包括厌氧消化模型(ADM1)、活性污泥模型(ASM1，ASM2)都是基于过程动力学和传质学[14]；而当反应器、废水或微生物工作环境发生变化时，这些模型都需要重新校准[15]。影响废水中主要污染物质去除的因素主要有流体参数、微生物群落特性及反应器操作条件[16]。利用全面自适应模型，如机器学习和数据驱动模型，结合数学工具(如artificial neural network，ANN)和方差多变量逐步聚类分析[17]对生物过程进行建模，可以大大减少复杂生物过程建模中所面临的挑战。虽然ANN已用于需氧、厌氧系统和其他各种复杂的网络应用模式识别，但ANN和试验设计响应面法(response surface methodology，RSM)都还需进一步研究。

试验提出优化2种反向传播神经网络模型，开发并应用网络连接时间模型，用上流污泥床(upflow-sludge-bed，USB)反应器经由SNAP工艺处理富氮废水去除其中的铵和总氮。ANN模型中，以主成分分析为基础，选取一些参数作为输入变量，通过优化隐层神经元数目建立优化的ANN结构，采用基准比较和多重非线性回归(multiple nonlinear regression，MNR)模型的Box-Behnken设计模型的自适应值(初始值)和权重/偏差值(初始值)，预测所提出模型的效率，利用16S rRNA高通量基因测序微生物群落序列，评价USB-SNAP过程中的生物脱氮途径和效率。……