[发明专利]基于智能化SBR电极工艺的印染废水高效脱毒梯度处理方法

权利要求书

1.基于智能化SBR电极工艺的印染废水高效脱毒梯度处理方法，其特征在于：该方法用于对印染废水中偶氮染料进行加速脱毒处理；通过生物电极作用实现印染废水中的偶氮染料分子的高效开环脱毒，通过循环批次进水出水方式实现SBR反应器内印染废水的梯度浓度循环处理，通过结合神经网络模型对SBR反应器的实时预测与精准调控以实现智能化运行；

通过生物电极作用实现印染废水中偶氮染料分子的高效开环脱毒的方法为，偶氮染料分子先在电极区经电极作用开环分解以加速脱毒，再经过厌氧污泥区的水解酸化作用再次分解脱毒；其中，印染废水中存在的COD作为电极阳极的电子供体，在阳极被氧化为CO₂和H⁺，同时产生电子e^-，经过外电路作用传递至电极阴极表面，偶氮染料大分子在阴极和阴极微生物作用下接收阳极电子加速开环，开环产生的小分子作为COD再次在阳极被氧化，实现电子e^-的自供给，最后开环产物在厌氧污泥区进一步水解酸化；

印染废水的梯度浓度循环处理基于3个SBR反应器，分别以高、中、低三个浓度在3个SBR反应器内进行循环去除，3个SBR反应器中印染废水浓度分别以“高中低”、“中低高”和“低高中”流程进行反应，具体反应流程如下：

浓度为a的高浓度进水先在第一SBR反应器反应，浓度降低后一部分进水分流至第二SBR反应器，使第一、第二SBR反应器内底物浓度均为中浓度b；待第一、第二SBR反应器浓度下降，第一SBR反应器出水分流至第三SBR反应器，此时第一、第二和第三SBR反应器的印染废水浓度均为低浓度c，第一、第三SBR反应器排水，向第二SBR反应器补充废水使其底物浓度提升至a；第二SBR反应器废水反应后，分流至第三SBR反应器，使第二、第三SBR反应器的印染废水浓度为b，再经过反应后将第二SBR反应器分流至第一SBR反应器，使第一、第二和第三SBR反应器的印染废水浓度均为c，反应结束后第一、第二SBR反应器排水，向第三SBR反应器补充废水使其底物浓度提升至a；待第三SBR反应器浓度下降，将进水分配至第一SBR反应器，此时第一、第三SBR反应器进水浓度为b，反应后再将第三SBR反应器底物分流至第二SBR反应器，使第一、第二和第三SBR反应器的浓度均为c，反应完成后进行排水，再向第一SBR反应器增加进水浓度，此时完成一次循环。

2.根据权利要求1所述基于智能化SBR电极工艺的印染废水高效脱毒梯度处理方法，其特征在于：所述电极区由外电路连接的阳极区和阴极区组成，阳极区由附着在阳极表面的微生物和阳极材料组成，阴极区由附着在阴极表面的微生物和阴极材料组成，阳极区与阴极区发生不同的电化学反应，通过调控电源的开路与闭路实现阳极区与阴极区的断开或连接；阳极区微生物来源为由电极在SBR反应器的厌氧污泥中运行驯化获得，或者先在其他反应器氧化COD驯化获得；阴极微生物来源为由电极在SBR反应器运行，由处理印染废水的厌氧污泥附着后获得。

3.根据权利要求1所述基于智能化SBR电极工艺的印染废水高效脱毒梯度处理方法，其特征在于：通过结合神经网络模型对SBR反应器的实时预测与精准调控以实现智能化运行的方法为，在SBR反应器内设置偶氮染料传感器和水力水质传感器，及时采集SBR反应器内运行情况和偶氮染料脱毒反应情况，通过神经网络模型对已获得的运行和反应情况进行分析，预测下一时序的反应情况并对现行运行条件进行调整，反馈调节电位、进水水泵流量及相关反应运行参数指标，以实现偶氮染料梯度循环高效脱毒与深度处理。

4.根据权利要求3所述基于智能化SBR电极工艺的印染废水高效脱毒梯度处理方法，其特征在于：所述神经网络模型为RBF神经网络模型。

5.根据权利要求4所述基于智能化SBR电极工艺的印染废水高效脱毒梯度处理方法，其特征在于：所述RBF神经网络模型的构建方法如下：

步骤1：对偶氮处理过程中通过各传感器监测数据进行整理，将偶氮染料浓度、偶氮染料脱毒生成物浓度、COD浓度、阴极电位、阳极电位、pH、温度、进水水泵流量和水力停留时间HRT作为RBF神经网络模型的输入参数，并对输入参数进行归一化操作：

上式中，x′为归一化后的值，x为输入参数的值，A为每种输入变量的集合，min和max分别表示取集合中的最小值和最大值；

并选择下一时间段最佳的阴极电位、阳极电位、COD浓度、pH、温度、进水水泵流量和水力停留时间HRT作为RBF神经网络模型的输出；

步骤2：构建RBF神经网络模型：

(201)根据步骤1中所得的数据确定输入参数为X，X＝[x₁,x₂,...,x_n]^T，n为输入层单元数；

(202)确定输出向量Y＝[y₁,y₂,...,y_q]，q为输出层单元数；

(203)初始化隐含层值输出层的连接权值W_k＝[w_k1,w_k2,...,w_kp]^T，p为隐含层单元数，k＝1,2,…,q，w_kj的初始化方法如下：

上式中，mink是训练集中第k个输出神经元中所有期望输出的最小值，maxk是训练集中第k个输出神经元中所期望输出的最大值，j＝1,2,…,p；

(204)初始化隐含层神经元的中心参数C_j＝[c_j1,c_j2,...,c_jn]^T，其中c_ji的初始化方法如下：

上式中，min i是隐含层神经元的中心参数中的最小值，max i是隐含层神经元的中心参数中的最大值，i＝,1,2,…,n，

(205)初始化隐含层神经元的宽度向量D_j＝[d_j1,d_j2,...,d_jn]^T，其中d_ji的初始化方法如下：

上式中，d_f为宽度调节系数，i＝,1,2,…,n，N₁为输入样本的数量，为第i组样本的第k个输出神经元；

步骤3：训练RBF神经网络模型：

(301)计算隐含层第j个神经元的输出z_j：

上式中，||·||表示欧式范数；

(302)计算输出向量Y＝[y₁,y₂,...,y_q]，其中

(303)迭代计算各参数：

上式中，w_kj(t)、c_ji(t)、d_ji(t)分别为第t次迭代的w_kj、c_ji、d_ji的值；η为学习因子；E为RBF神经网络评价函数，其中o_lk为第k个输出神经元在第l个输入样本时的期望输出值，y_lk为第k个输出神经元在第l个输入样本时的网络输出值，N₂为输入样本的数量，α是学习率；

(304)计算RBF神经网络的均方根误差RMS：

若RMS≤ε，ε为预设阈值，则训练结束，否则返回步骤(303)。