污水处理厂（WWTP）是环境和公共卫生保护的关键设施，为满足出水水质要求，需持续高水平的运行。由于污水处理过程的复杂性和动态性，传统的线性模型难以进行准确预测。人工神经网络（artificial neural network, ANN）模型基于人工智能（AI）和机器学习，存在处理复杂问题的优势，已成为污水处理领域最常见、最广泛的人工智能预测模型。巴西米纳斯吉拉斯联邦大学的研究者们在IWA期刊Water Science & Technology上分享了他们研究成果《Artificial neural networks for performance prediction of full-scale wastewater treatment plants: a systematic review》，对2011至2021年间使用ANN进行WWTPs性能预测的文献进行检索，提取并分析总结了不同类型ANN模型的主要架构和参数，探讨了本研究的局限以及对未来的展望。
图1. 综述中入选的44篇文献分布
（1）数据划分
数据通常被分为训练集和测试集，大多选用75%用于训练，25%用于测试，部分研究（12篇，27%）进一步划分出验证集以优化模型。数据划分方式包括时间顺序划分和随机划分，但没有统一规则，通常依赖于研究者的判断。
（2）输入与输出参数
输入变量多样，52%的研究以进水质量和数量指标为主，关键输入参数包括进水的TSS、pH值、营养物质浓度和流量。大多数文献（91%）以出水质量指标（如BOD和COD）作为目标参数，少数（9%）关注去除效率。
（3）ANN方法分类
最常用的ANN模型结构是前馈神经网络（FFNN），占比48%。FFNN由输入层、多个隐藏层和输出层组成，适用于污水处理系统的水质预测。其他常见的网络类型包括多层感知器（MLP）、径向基函数网络（RBF）、极限学习机（ELM）、深度学习和长短期记忆递归（LSTM）神经网络。这些网络通过不同的学习和逼近策略，适应于解决复杂的问题，但需要注意过拟合问题和参数的调整。混合方法如自适应神经模糊推理系统（ANFIS）将神经网络和模糊逻辑相结合，以改善模型性能。
图2. 具有一个隐藏层的典型神经网络结构
（4）ANN算法训练
ANN算法训练通过调整神经元权重以最小化实际数据与网络输出间的误差。反向传播算法是训练中使用最广泛的学习算法，它通过从输出层向输入层反向调整权重来减少误差。这种算法在环境控制和工程领域广泛应用，常结合梯度下降法优化权重和偏置，以提升网络性能。
（5）模型性能评价
模型性能通过比较实验数据和预测数据来评估，常用的统计指标包括均方误差（MSE）、均方根误差（RMSE）、相关系数（R）和决定系数（R²）。这些指标反映了模型预测的准确性和数据之间的相关性。
机器学习技术的持续发展为污水处理领域带来了广泛的应用前景。本篇综述专注于使用ANN预测WWTPs的出水质量和去除效率，但并未重点关注模型在实际WWTPs中的应用。考虑到机器学习在污水处理中的发展，未来应探索微生物动态、多目标优化和特定条件下的水质预测等方向，并特别是在磷、有机污染物和新污染物去除方面的应用。
原文链接：https://iwaponline.com/wst/article/88/6/1447/97229/Artificial-neural-networks-for-performance
