外文翻译--通过BP神经网络算法和改进的BP算法研究预测电渗析过程中分离百分比.docx

外 文 翻 译 彭海平 201053100219 用BP神经网络算法和改进的BP神经网络算法研究预测电渗析过程的分离百分比 摘要 在电渗析过程中，分离百分比(SP)与一些影响因素(进料浓度(C)、稀室的流通率(Q)、反应温度(T)和应用电压(V))有非线性关系，并且这些关系很难用一个简单的公式来表示。四个影响因素对SP产生了显著影响。在这篇论文中，对四个因素进行了电渗析实验研究。反向传播(BP)神经网络算法和改进BP算法被用于SP的预测，并且他们的预测能力可以反映出他们在非线性关系的复杂数据上的适应能力。使用不同的神经网络结构、神经元传递函数和学习率，可以获得最佳训练参数。比较BP神经网络算法和改进的BP神经网络算法，由于改进BP神经网络算法适当地改变了正确学习率和权值的比率，所以它比BP神经网络算法更好。在高温和高电压的情况下，改进BP神经网络算法将有更好的预测性能，这是因为改进BP神经网络算法有大数值的泛化能力。 关键字：BP神经网络算法;改进BP算法;电渗析法分离百分比;改进BP算法;自适应学习算法  PAGE \* MERGEFORMAT 8 1.导言 电渗析（ED）是在电势差驱动力的帮助下，离子从溶液的一个带电膜分离到另一个电膜的过程。这一过程广泛用于生产饮用水及从半咸水和海水中处理水、处理工业废水、从污水和盐生产恢复有用的物料。文献[1-6]中对电渗析的应用和基本原则进行了检验。因为其化学稳定性高、灵活性和由于其强大的离子特征带来的高离子电导率，人们开发了许多使用离子交换膜的电渗析应用并且商业化[7-10]。两种不同类型的离子交换膜用于常规电渗析：阳离子交换(CEM)和阴离子交膜换(AEM)，分别渗透阳离子和阴离子[11]。 然而，在性能经营过程中，电流密度应保持小于极限电流密度，因为水的离解引起的结垢和膜破损[12]。所以测定的极限电流密度和系统的潜力也被执行。极限电流密度是最大电流密度（当前每单位面积膜），它可以使用而且不会导致高的电阻和较低的电流功率等负面影响。在极限电流密度下，在阳离子交换膜或阴离子交换膜表面的阳离子或阴离子的浓度，恰到好处的，在稀室内消耗的溶液是零[12-14]。超越极限电流密度后，水分解时生成的H+和OH?运输一部分的电流[15]。 人工神经网络(人工神经网络）利用相互联系的数学节点或神经元以形成一个网络，可以模拟复杂的功能关系[16]。它的发展始于20世纪40年代以帮助认知科学家理解中枢神经系统的复杂性。它已经稳步发展，并适应科学的许多领域。基本上，人工神经网络是源自人类的大脑在学习的过程中的数值结构灵感。他们构造作为替代的数学工具用于解决不同领域问题的系统辨识、预测、模式识别、分类、过程控制及其他许多 [17]。人工神经网络已广泛的在膜过程中应用（反渗透、纳滤、超滤、微滤膜、膜过滤、气体分离、膜生物反应器和燃料电池) [18]。然而，在文献中很少有几条应用人工神经网络预测电渗析过程中SP（分离百分比）的记录。 人工神经网络中受到最多关注的是反向传播网络(BPN)[19]。BPNs有分层的前馈网络框架。在经典BPNs结构中，产出的每个图层被直接送到每个神经元的下一层。BPNs有许多层，但人们认为至少三个图层：一个接收和分发输入的输入层、捕捉输入和输出的非线性关系的中间层或隐藏层，和一个生产计算数据的输出层。BPNs神经元也可能包含产生恒定的输出但没有收到输入这样的偏差 [20-21]。BP算法基于神经网络错误最小化。这些错误被描述为期望的产出与实际之间的差异 [22]。当训练精度满足时即训练完成（图1）。 BPNs操作具有更好的推广和容错功能，然而，它也有一些不足之处： (1)慢收敛性可能导致较长的训练时间。 (2)在训练过程中出现可能局部极值点。 所以在这项研究中，改进的BP算法被用来改进电渗析过程中分离百分比的预测能力。在这篇论文中，自适应学习算法和灵活的BP算法是改进的BP算法在电渗析过程中的应用。 2.材料和方法 2.1.实验仪器和材料 电渗析过程中，在表1中显示了实验仪器和材料。 此外，其他实验材料：量筒、烧杯、去离子水等。这些实验的目的是研究进料浓度、温度、电压和流通率对电渗析电池性能的影响。 2.2. 电渗析池和电渗析膜 有机玻璃(PMMA)做成的板和框架的电渗析池被用来进行电渗析实验（图2）。电渗析池由三部分组成，一对CEM（阳离子交换膜）和AEM（阴离子交换膜）和一对电极。电渗析池的长度、宽度和高度分别为0.191m、0.021m和0.181m。阳离子交换膜和阴离子交换膜有效区域都是0.11×0.09m2。这两个电极由纯铂金制成，每个电极的表面积是0.115×0.09m2。稀释容量和浓缩容量分别是0.12×0.1×0.003m3和0.12×0.1×0.