外文翻译--使用两种废物的厌氧微生物发酵的生物制氢生产中操作参数的影响和仿真模型中文(编辑修改稿)

外文翻译--使用两种废物的厌氧微生物发酵的生物制氢生产中操作参数的影响和仿真模型中文(编辑修改稿)内容摘要：

D / （ M d）至 40kgCOD / （ M d）时，氢气产量为最高值： / （ Lreactor d）时。 从图 4 中可知，相似的关系在 IBR 也可以观察到。 因此， VLR 对氢气生产有重大的影响。 碱度对产氢的影响 对 CSTR 和 IBR 反应器来说碱度是非常重要的参数。 碱度不仅与氢的生产有关，而且还影响了 污泥的活性。 碱度对产氢的影响可用图 5，图 6 说明。 如图 5所示，碱度和氢气产率呈正相关。 在 CSTR 反应器中，当气体产生速率为 0 至 / d 时，碱度是在 / L 至 / L，但处于特殊时期； 当气体产生速率增加，在 3L / d 来 5L / d 时，碱度维持在 500mg / L 时至 1000mg/ L。 当提高产氢速率，对应于碱度增加，而气体产率为最大高达 / d 时，碱度急剧增加且比为 2020mg / L 的高。 需要注意的是，随着氢气产量的下降，碱度显著下降。 在图 6 中 IBR 反应器 ，表明碱度 随氢气产生的速率缓慢增加而增加。 当产氢速率是在一个较低的值，碱度为约 400mg / L，随后碱度随产氢速率增加而增加。 因此，碱度的趋势反映在产氢速率变化中 图五： CSTR 反应器中的碱度和氢气产量 图六： IBR 反应器中的碱度和氢气产量 产氢速率仿真模型 为了优化操作参数，并预测 CSTR 反应器对厨余垃圾处理的出水水质，建立了一个基于向后神经网络（ BPNN）的仿真模型。 最后，我们也用这个模型来研究 IBR。 BP 神经网络对非线性系统具有较强的逼近和泛化能力。 与此同时，数据的完善和精确性决定了该模 型的适用性。 这为过程的在线控制提供了一种可行的方方案。 BPNN 的拓扑架构如图 7 所示 图 7： BPNN 的拓扑架构 如图 7 所示，在输入层层中有四个节点，隐藏层中有 3 个节点，输出层有一个节点。 每个节点是一个 BP 神经。 网络的输入层是四个参数： VLR ， ORP，碱度和出水水质的 pH 值。 这四个参数具有生物反应器的操作特性，发挥了关键作用，而且容易被量化。 这些参数有普遍的特殊性并且在神经网络中使用。 隐藏层采用单层结构，包括 3 个 神经元，以保证不确定的权重占据一半的训练样本。 以这种方式，它保证了不仅在网络中有中度的规模和紧凑的结构，而且也被有效地锻炼，也可以防止过度拟合的现象。 整个网络的输出是产氢效率。 BP 神经网络模型被用来模拟系统，其中 t 包括三层：输入层，隐藏层和输出层。 隐藏层和输出层分别采用 tansig 和 purelin 作为激活功能。 Traingdx ，动量适应性训练的功能之一，被用于网络训练。 这个算法基于经典的 BP 算法，能够自动调节学习效率和额外的动量，避免了局部极小，极大的加速了收敛速度。 为了调试和完善方案，实验值和 BP 神经网络值的之间的比较是如图 8，图 9 所示。 图八： CSTR 反应器中实验数据和 BPNN 数据的比较 图九： IBR 反应器中实验数据和 BPNN 数据的比较 如图 8 所示，图 9 ，该方案是比较完善的。 调试程序的结果表明，大量的隐藏层和节点的数量可以更好地实现逼近和泛化效应，均方误差（ MSE ）为。 图 8 ，图 9 表明，通过仿真模型的模拟结果与实验值基本一致。 这表明，基于 BPNN 的仿真模型是有效的。 因此，我们可以使用该程序来建立产氢速率和其它的一些设计的仿真模型，因此，我们可以使用该程序来建立的 产氢速率的仿真模型和一些设计中，在 CSTR 和 I。