近红外光谱和极限学习机分析反硝化除磷中胞内聚合物
本文选题:反硝化除磷 + 聚-β-羟基丁酸酯 ; 参考:《中国环境科学》2017年05期
【摘要】:为利用近红外光谱技术同时实现反硝化除磷工艺中胞内聚-β-羟基丁酸酯(PHB)、多聚磷酸盐(Poly-P)、糖原(Gly)含量的快速分析,采用多元散射校正预处理法和极限学习机算法建立PHB、Poly-P、Gly含量分析的校正模型(ELM模型).结果表明:多元散射校正预处理法可以有效消除散射对原始近红外光谱数据的影响.采用极限学习机算法对预处理后的光谱数据建立PHB、Poly-P、Gly的定量分析模型,优选出的PHB、Poly-P、Gly的ELM模型主成分数分别为6、6、7,隐含层节点数分别为18、12、17.模型对PHB、Poly-P、Gly含量的校正相关系数(rc)分别为0.9835、0.9499、0.9589,校正均方根误差(RMSECV)分别为0.0541、0.0579、0.0489.模型对PHB、Poly-P、Gly含量的预测相关系数(rp)分别为0.9683、0.9288、0.9488,预测均方根误差(RMSEP)分别为0.0668、0.0776、0.0501,模型对PHB、Poly-P、Gly含量有较好的预测效果.用近红外光谱技术结合极限学习机算法建立ELM模型为反硝化除磷工艺中PHB、Poly-P、Gly的同时快速定量分析提供了较为简便的方法.
[Abstract]:In order to realize the rapid analysis of the contents of poly- 尾 -hydroxybutyrate (PHB), polyphosphate (Poly-P) and glycogen (gly) in denitrifying phosphorus removal process by near infrared spectroscopy (NIR). A correction model (ELM model) for the analysis of Poly-Py gly content in PHBs is established by using multivariate scattering correction preprocessing method and extreme learning machine algorithm. The results show that the multivariate scattering correction preprocessing method can effectively eliminate the influence of scattering on the original near infrared spectral data. The quantitative analysis model of PHBP Poly-Py gly was established by using the extreme learning machine algorithm. The main scores of the ELM model of PHBP Poly-PU gly were 6 / 6 / 7, respectively, and the number of hidden layer nodes were 18 / 1212 / 17, respectively. The calibration correlation coefficient (rc) of the model for the content of Poly-Pu gly in the model is 0.9835 ~ 0.949 9 ~ 0.958 9, respectively, and the corrected root mean square error (RMSECV) is 0.0541 ~ 0.0579 ~ 0.0489. The predicted correlation coefficient (rp) and root mean square error (RMSEP) of the model for the content of Poly-Pu gly were 0.9683 / 0.92880.488and 0.0668 / 0.0776/ 0.0501, respectively. The ELM model established by Near-Infrared Spectroscopy (NIR) combined with extreme Learning Machine (LLM) algorithm provides a simple and convenient method for the simultaneous rapid quantitative analysis of PHBH Poly-Pu gly in denitrifying phosphorus removal process.
【作者单位】: 安徽建筑大学环境与能源工程学院;水污染控制与废水资源化安徽省重点实验室;
【基金】:安徽省高校优秀青年骨干人才国内外访学研修项目(gxfx2017054) 安徽省高校优秀青年人才支持计划重点项目(gxyq ZD2017059) 安徽省高校自然科学研究重点项目(KJ2016A817) 国家“水体污染控制与治理”科技重大专项(2014ZX07405-003-03)
【分类号】:X703
【相似文献】
相关期刊论文 前10条
1 万金保;王建永;;反硝化除磷理论及运用现状[J];水处理技术;2008年03期
2 王德兴;孙立柱;沈耀良;;废水反硝化除磷影响因素的分析[J];环境科技;2008年05期
3 张红;张可方;张朝升;荣宏伟;;反硝化除磷菌的培养及驯化[J];广东化工;2009年06期
4 张少辉;姜应和;;短程反硝化除磷技术研究[J];安徽农业科学;2011年20期
5 王亚宜,彭永臻,王淑莹,李勇智,潘绵立;反硝化除磷理论、工艺及影响因素[J];中国给水排水;2003年01期
6 刘丽玲,操家顺,林涛;脱氮除磷新途径——反硝化除磷[J];化工设计;2004年02期
7 张洁;黄仁刚;常建伟;张魁峰;王海燕;;亚硝酸盐等因素对反硝化除磷的影响及对策[J];江苏环境科技;2005年S1期
8 王春丽;马放;米海蓉;刘慧;;反硝化除磷系统的启动及其稳定性研究[J];给水排水;2006年S1期
9 张杰;李小明;杨麒;陈瑶;;反硝化除磷技术及其实现新途径[J];工业用水与废水;2007年03期
10 刘建广;宋武昌;王珊珊;;反硝化除磷菌驯化富集方式的探讨[J];环境污染与防治;2008年12期
相关会议论文 前1条
1 朱光灿;王佳;雷晓芬;余冉;吕锡武;;耦合SND与反硝化除磷的SBR系统运行影响因素研究[A];2014中国环境科学学会学术年会论文集(第五章)[C];2014年
相关博士学位论文 前6条
1 李微;短程反硝化除磷脱氮工艺与微生物特性研究[D];东北大学;2013年
2 吕小梅;反硝化除磷菌群结构与工艺调控策略[D];哈尔滨工业大学;2014年
3 石玉明;A~2SBR反硝化除磷工艺效能及微生物生理生态特征研究[D];哈尔滨工业大学;2009年
4 刘洪波;低浓度城市污水强化反硝化除磷[D];同济大学;2007年
5 苗志加;强化生物除磷系统聚磷菌的富集反硝化除磷特性[D];北京工业大学;2013年
6 李相昆;反硝化除磷工艺与微生物学研究[D];哈尔滨工业大学;2006年
相关硕士学位论文 前10条
1 杨瑞丰;以硝氮为主要氮源反硝化除磷细菌的驯化及影响因素研究[D];大连理工大学;2015年
2 高会杰;城市污水反硝化除磷工艺及N_2O减量控制研究[D];河北科技大学;2014年
3 李梅芳;厌氧—好氧—缺氧模式的SBR处理生活污水的研究[D];太原理工大学;2013年
4 康婷婷;猪场沼液自养脱氮耦合反硝化除磷技术研究[D];浙江大学;2016年
5 邹杰;短程反硝化除磷菌培养及分离的实验研究[D];东北大学;2014年
6 李平;序批式移动床生物膜反应器强化反硝化除磷处理城镇生活污水[D];吉林大学;2016年
7 杨胤;改良A~2/O工艺反硝化除磷性能的中试研究[D];华南理工大学;2016年
8 徐立然;SND与反硝化除磷耦合过程碳源利用及微生物作用机制研究[D];东南大学;2015年
9 郭意;纤维填料型A~2/O工艺生活污水处理及反硝化除磷效能[D];东北林业大学;2016年
10 杨杰;生活污水SBR后置缺氧反硝化除磷实验研究[D];北京工业大学;2016年
,本文编号:2093196
本文链接:https://www.wllwen.com/shengtaihuanjingbaohulunwen/2093196.html