医学焚烧炉排放污染气体的灰色模型和神经网络预测分析外文翻译资料

 2022-12-07 16:24:51

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

医学焚烧炉排放污染气体的灰色模型和神经网络预测分析

Tzu-Yi Pai（a），Huang-Mu Lo（b），Terng-jou wan（c），Li Chen（d），Pei-Shan Hung，（b）Hsuan-Hao Lo（b），Wei-Jia Lai（b），Hsin-Yi Lee（c）

a 国立台中教育大学硕士，主修环境教育与管理科学中的应用与传播系课程，台中40306，台湾，中华民国

b 环境工程与管理，朝阳科技大学，吴峰，台中41349，台湾，中华民国

c环境与安全工程学院，国立云林科技大学，窦丽鸥，云林64002，台湾，中华民国

d教育中心，医学和管理学院，路局，高雄市82144，台湾，中华民国

摘要

本文首次研究利用灰色模型(GM)预测医疗垃圾焚烧厂排放出的CO2、SO2和O2，并将人工神经网络(ANN)与其比较。将四个控制参数作为输入变量。结果表明，温度的两个控制参数高度影响了空气污染物的排放。当使用GM模型分析CO2、SO2和O2时，平均绝对百分比误差（MAPE），最小值能够分别达到 3.70%, 6.11% 和1.08%，同时，根均方误差(RMSE)的最小值达到0.1660,2.4521和0.2112。控制参数，可以用来预测空气污染物的排放。它还揭示出，即使空气污染物的排放数据不够，GM模型也可以很好地进行预测。

2014爱思唯尔有限公司保留所有权利。

1.介绍

在台湾，处理和处置废物变得越来越重要，因为家务产生的垃圾数量，商业和工业扩张的人口每年都在稳步增加。在过去的几十年，比较容易接受废物处理方法是垃圾填埋，但是这个方法遇到了严重的挑战，由于可利用的垃圾填埋场地变得越来越少。为了战胜这些困难，台湾的环境保护管理局(EPA)采用了这样一种战略，即采用焚烧的主要方法来作为原始处理和垃圾填埋场的补充。

将废物、医疗废物的定义为危险废物和严格处置处理是必需的。如果采用焚烧处理医疗垃圾，空气污染物排放必须符合废物焚化炉空气污染物排放标准(WIAPES)。为了节省成本，焚化炉排放的空气污染物的调查只是满足WIAPES进行，所以他们在一般的研究情况下采用用很少而且不完整的调查数据。在这种情况下，空气污染物排放不能适当地使用一些数值模型预测，特别是机制模型。一些软计算技术，如人工神经网络(ANN)的机制反应可以忽略目前可用空气污染物排放量的预测和应用。尽管ANN可以成功地预测焚化炉排放的空气污染物，许多数据需要进一步计算[1 - 5]。

因为只有少数参数选择WIAPES标准，有必要采用一种合适的方法来适当地呈现这些有限的数据。为了从调查数据和预测空气污染物的排放获得一致的结果，灰色系统理论不失为一种合适的方法。 Deng [6，7] 提出的可以解决不完整的数据的问题，并且已经应用于我们之前的一些研究工作中。GST注重于相关分析，模型建立和不确定和不完整的信息的预测。它只需要少量的数据，就可以获得较好的预测结果。在GST中有很多分析方法包括灰色模型(GM)。GM可以用来建立许多序列之间的数据关系，而且它的系数可以用来评估的数据序列影响系统的异常。在我们先前的研究中采用GM预测不同污水处理厂污水质量并得到较佳的结果。然而，由于气体扩张或收缩，焚化炉温度不仅影响空气污染物的种类也会影响空气的浓度，空气污染物排放变得更加复杂。因此如果可以建立控制参数和空气污染物的排放量之间的关系，就能够找到医疗垃圾焚烧的比较好的操作方案。

本研究的目的如下：（1）采用GM确定高度影响空气污染物排放的医疗垃圾的控制参数；（2）利用GM建立所排放的 CO2,SO2 及O2的特征关系，之后对空气污染物排放量进行预测；（3）此外，通过比较所提出的GM模型与传统的人工神经网络从而对结果进行评估。

2.资料和方法

2.1处理过程

选取位于台湾中部的医疗垃圾焚烧厂作为研究对象。这个医疗焚烧炉的类型是固定床，且分批加入投料。它的最大设计处理能力(MDHC，送入焚化炉的每批废物最大质量)和最大设计投放率(MDFR、最大设计处理容量除以每批处理时间)分别是9吨/天和375公斤。MDHC和MDFR依照焚烧炉功能和质量平衡来确定的固定值。尽管MDHC和MDFR是固定值，但处理容量(HC，每批送入焚烧炉处理的废物质量)和投放率(FR，处理容量除以每批处理时间)随每天处理的医疗废物数量和操作时间而变化。HC和FR反映医疗焚化炉的运转和性能。因此，控制参数包括HC、FR、第一阶段的温度(Temp1)和第二阶段的温度(Temp2)作为输入变量。输出变量包括排放的CO2，SO2 和 O2。使用气体分析仪 (SIEMENS， ULTRAMAT 23)对这些化合物不断监控。每天调查并记录下控制参数和空气污染物排放数据。每隔5分钟进行一次抽样调查，样本总数是78。数据的总样本中，训练和测试（预测）的样本数分别是是68和10。

2.2灰色建模过程

当系统信息不够时，可以通过创建GM模型，使用少量(至少4个)系统信息描述几个输出信息。通过累加生成操作(AGO)，利用系统信息的特征，用一阶微分方程可能将无序的数据转换成指数系统有序的形式。解决微分方程预测可能产生时间相对的解决方案。通过逆累积生成操作(IAGO)预测可以转换回原来的顺序。灰色建模过程描述如下：

假设原始数据序列有n个样本，并描述为，其中，中的指数0表示原始序列。为的一次累加生成序列，它的元素都来自于：，其中，。可以进一步进行之前的操作从而推导出r-AGO系列：，其中，。IAGO是AGO的逆操作，它将AGO-操作序列还原成一个低阶的序列形式。IAGO的一阶操作序列描述如下：，。扩展到r阶的IAGO序列，相应的形式可以表示如下：。AGO的趋势可以用一个指数函数近似，其动态行为类似于微分方程的一种形式，因此，灰色模型GM(h,N)采用符合AGO-操作系列的N阶微分方程。GM (h,N)模型中的参数h和N表示相对微分方程中的变量顺序和数量。GM (h,N) 模型一般表示为， （1）

其中，参数a是发展系数和b是灰色输入。本文采用不同的GM模型，即GM(1,N)，滚动GM(1,1)(RGM(1,1))。

GM(1,N)，按照GM(h,N)模型的定义，GM(1,N)模型是灰色微分方程的次序为1，并表示如下:

(2)

这里。将方程（2）展开，可以得到如下方程：

（3）

将方程（3）转换成矩阵形式，表述如下：

（4）

则求解矩阵就能得到系数解，，

这里， ，，

其中，值表示比较序列相对于参考序列的权重。此外GM（1，N）模型可以用来预测并表述如下： （5）

当分别采用GM(1,N)模型，更高权重的2参数模型（GM(1,N2-1)），3参数模型（GM(1,N3-1)），4参数模型（GM(1,N4-1)）来作为比较序列，也就是说N分别是3,4,5.本文中建立的GM(1,N)模型表示不同权重下空气污染物排放量与控制参数的相关关系。

GM(0,N)。根据GM(h,N)模型的定义，GM(0,N)模型是灰色微分方程次序为0，定义如下:

（6）

展开方程（6），可以得到方程（7）如下：

（7）

同理，将方程（7）转换成矩阵形式，可以得到如下方程：

（8）

则求解矩阵就能得到系数解，，

这里， ，，

其中，值表示比较序列相对于参考序列的权重。

GM(1,1)，如果比较系列的数量进一步减少,模型是GM(1,1)的简化。一个特定空气污染物的所有时间序列值就会被用来建立GM(1,1)模型，进而用建立的GM(1,1)模型预测。

RGM(1,1),在GM(1,1)模型中，一个特定空气污染物的所有时间序列值都会用来建立GM(1,1)模型。而在RGM(1,1)中，用于建立模型一般是特定的空气污染物的时间序列数据预测点的前4的数据点。也就是说，每一步必须建立的模型，并且必须只有4个数据用于模型建立。在GM(1,1)和RGM(1,1)中，医疗垃圾焚烧厂的控制参数均被忽略。

2.3人工神经网络

人工神经网络的方法模拟人类神经系统的重要的操作特性和试图通过使用信息从过去的经验中获得新的信息，从而解决问题。为了模仿人类大脑,在人工神经网络中，许多称为人工神经元简单的计算元素被变量权重连接起来。通过模拟相互连接的神经元的层次网络结构,人工神经网络能处理复杂的计算。在许多不同类型的结构中,通常采用多层感知器结构。一个神经网络模型通常包括三个独立层：输入层、隐藏层和输出层。每层均由几个操作神经元组成。输入神经元接收输入变量值和存储扩展输入值,随后输出神经元分配计算结果到输出层。隐藏层执行一个完全连接的输入和输出接口层。隐层的模式可以是多个层或一个层。每个神经元与相邻层的每个神经元通过权重连接起来，权重一般估计为强度两个连接神经元之间的关系强度。每个神经元数目的所有输入值和数目都基于激活、转让、功能转换为一个输出值。为了进行，监督学习算法通常把输入数据和输出数据联系起来，用于训练网络。Bp算法被广泛用于训练多层神经网络。该算法通常使用一个梯度搜索技术(最陡梯度下降法)使得期望值和实际的网络输出值之间的误差最小化。

本文中,人工神经网络由三个独立的层:输入、隐藏层和输出层。为了与GM模型作比较，将权重较高的2参数(ANN2-1)，权重较高的3参数(ANN3-1)和所有4参数(ANN4-1)分别作为输入层变量。同时每个空气污染物排放指标,例如二氧化碳,二氧化硫和氧气,作为单输出层变量。隐藏层由10个操作神经元组成。训练次数和速度分别是10000和0.1。本文使用MATLAB进行计算。

2.4误差分析

为了评估GM和ANN的预测效果，我们给出平均绝对百分比误差（MAPE）和根均方误差(RMSE)，如下：

， （9）

， （10）

这里，和 分别是观测变量和预测变量。

2.5控制参数的权重

根据方程（8），空气污染排放物(CO2,SO2 和 O2)和4个不同控制参数 (HC, FR, Temp1, 和Temp2) 之间的权重（）的计算结果如表1.CO2的权重排序为：Temp2(0.7352) gt; Temp1 (0.1509) gt; FR (0.1378) gt; HC (0.0337).SO2的权重排序为Temp1 (2.1014) gt; Temp2

(1.3978) gt; FR 和 HC (0.0197). O2的权重排序为: Temp1 (1.5064) gt; Temp2 (0.7631) gt; FR (0.3279) gt; HC。基于GM (0,N)模型的结果，选定的输入变量在三种GM(1,N)类型（GM（1，N2-1） GM（1，N3-1）和GM（1，N4-1））和三种类型人工神经网络模型（(ANN2-1， ANN3-1和ANN3-1)如表2所示。图1和图2描述他们的结构。

表1.

空气污染排放物与不同控制参数间的权重

HC

FR

Temp1

Temp2

CO2

0.0337

0.1378

0.1509

0.7352

SO2

0.0197

0.0197

2.1014

1.3978

O2

0.1026

0.3279

1.5064

0.7631

表2.

GM and ANN中选取的输入变量

GM

Input variables

 lt;

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[31890]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章