应用倒传递类神经网路预测焚化炉底灰对掩埋场产气量之影响.docVIP

應用灰色系統以及類神經網路預測下水道污泥與焚化飛灰 共熔之熔流點 林凱隆1、白子易2、蘇漢昌3、余呂豐3 摘要本研究應用倒傳遞類神經網路 (Back-Propagation Neural Network, BNN) 與灰色系統（Grey System）且應用GM(,N) 分析法篩選系統決策參數建立下水道污泥之模擬架構，並對其下水道污泥點進行模擬預測，類神經網路分別以SiO2、CaO、Al2O3、Fe2O3、K2O、P2O5、MgO、SO3等為網路輸入參數建立最適化網路，對下水道污泥溶點作預測，並與GM(1,N)、GM(1,)、GM(1,1)作比較。研究結果顯示類神經網路，，，GM(1,N)，，，GM(1,)之MAPE為1.59%，，，GM(1,1)之MAPE為1.31%，，，研究結果，、類神經網路之預測結果較GM(1,N)、GM(1,)、 GM(1,1)佳。而所得預測效果良好，可提供相關管理者即時污染之因應對策。 關鍵字：平均殘差値 一、前言 下水污泥灰之化學組成份，會因為脫水時所添加之凝聚劑種類的不同而有所差異，使用高分子凝聚劑稱為高分子系污泥或稱有機系污泥，而使用消石灰及氯化鐵等凝聚劑稱為石灰石系污泥或稱無機系污泥。污泥灰化學成份主要由 SiO2、Al2O3、Fe2O3、CaO、P2O5 及MgO 所組成，約佔總成份80 ~ 90%之間。O佔11-35%，熔流點達2570℃，難單獨熔融。下水污泥灰與焚化飛灰在共同熔融時，熔液的流動性是相當重要的。一般而言，當物質溫度上升黏性將降低且流動性增加。 如何以目前資料，排除其他擾動之影響而能展現成效，便顯得相當重要。而自然界大學環境工程系 副教授朝陽科技大學環境工程與管理系 副教授朝陽科技大學環境工程與管理系 碩士 中，許多系統之機制、邊界條件及狀態等，無法完全精確描述，而只能以邏輯推理或運用某些意識或判斷準則，對系統反應之特性進行瞭解。 經驗模式有多種演算法，其中包含類神經網路（Artificial Neural Networks , ANNs）、模糊邏輯（Fuzzy Logic）、灰色系統 ( Grey System ) 等，將其統稱為柔性計算。其涵蓋基礎理論具有獨特的學理特徵，彼此之間具有高度的支援性與互補性，因此對於許多不易解決的複雜問題都可獲得不錯的解決。倒傳遞類神經網路（Backpropagation Neural Network, BNN）為一種能快速且正確地映射出其中之輸入─輸出關係模式，其主要運作方式為透過訓練，不斷地調整節點間之權重值與偏權值，使網路所計算之輸出越接近目標輸出。由於類神經網路具有將資料分類、預測、雜訊過濾、訊號分析、控制等功能，應用之層面非常廣泛。經過不斷研究發展，類神經網路之應用已擴展至各個領域。根據研究結果顯示，實際觀測值與預測值呈現良好之成果。 由於許多大系統都具有信息不完備的特性，所以很難建立精確的數學模型以提供精確的控制，導致控制效果較差。中國大陸華中科技大學鄧聚龍教授提出灰色系統 (Grey system,GM)，主張利用灰色系統中的白色訊息以解決問題。因此灰色系統主要針對系統模型不明確、資訊不完整之情況下，由系統現有的資訊推知系統的未來，在系統雜亂無章的表象之中，利用灰生成方式尋找出系統內部潛藏著的規律，藉此建立灰色系統模型以近似此規律，要灰色系統求少量數據，且可以針對事物的不明確性、多變量輸入、信息不完全進行關聯分析、模型建構及預測等，也獲致良好的成果。而目前BNN及GM系統已被廣泛的應用於污水處理及空氣污染之預測上，例如： Pai et al.等利用 BNN 及 GM 系統進行醫療廢水處理廠出流水水質預測，結果顯示 BNN 模型對出流水之化學需氧量 (Chemical Oxygen Demand,　COD)，懸浮固體 （Suspended Solids,　SS）預測值與實際值間平均殘差值（Mean Absolute Percentage Error, MAPE）分別為19.81%及48.22%。GM(1,N) 系統預測結果之平均殘差分別為26.67%及55.38%。白子易等 (2002) 以TNCU (Taiwan National Central University) 程序之水力停留時間 (Hydraulic Retention Time；HRT)、污泥循環比 (ratio of return sludge,. RRS)、混合液循環比 (mixed liquid recycling ratios, MLRR)、進流COD、NH3、NOx及總磷預測其出流COD、NH3、NOx及總磷。其預測之COD 其R值為0.95，MAPE為19.79%，NH3 其（Correlation Coefficient, R）值為0.6