面对氨氮浓度高并且水质水量波动较大的垃圾渗滤液,反渗透技术由于其在出水稳定达标上的优势而被广泛的应用。无论对于设计者还是运行管理者来说,垃圾渗滤液的反渗透分离性能都是他们所关注的重点。但是在实际工程中,影响反渗透分离性能或者说产水膜通量的因素往往较为复杂,难以用传统的理论模型进行有效的描述。针对此问题,文章以西南某生活垃圾填埋场渗滤液两级碟管式反渗透(DTRO)系统为研究对象,探究了反渗透膜通量的主要影响因素与径向基人工神经网络(RBF)对反渗透膜通量的预测能力。主要研究结果如下:1、利用两级DTRO系统,试验通过控制运行压差与进水pH,验证了其与产水膜通量有着较强的相关性,相关系数R~2分别为0.987和0.864。试验通过分析在进水电导变化不大与进水电导不断上升这两个清洗周期内,跨膜压差随着运行时间的变化关系,验证了进水电导与运行时间与反渗透膜通量有着重要的联系。2、文章通过在短时间内控制一级DTRO系统的运行压力,发现在经过了最初的7min内产水膜通量随着跨膜压差的升高而增加,之后37 min内虽然跨膜压差持续升高但是产水膜通量却几乎不发生变化。分析其原因,随着运行压力增加导致原料侧的溶质浓度增加从而出现了浓差极化现象,这使得局部阻力与渗透压升高抵消了增加的机械压。3、文章基于不可逆热力学理论,利用回归分析的方法分别建立了两级DTRO膜通量的理论模型。虽然该理论模型对训练数据能够较好的拟合,一级系统调整后的R~2=0.973、二级系统调整后的R~2=0.976。但是对于测试数据的预测结果并不理想,两级系统的平均相对误差及最大相对误差均明显劣于RBF神经网络模型。4、文章选择时间、电导、温度、pH、压差5个参数,分别采用K-means聚类、OLS及资源分配三种具有代表性的算法建立了RBF神经网络对两级DTRO膜通量的预测模型。测试结果表明,K-means算法和资源分配算法在预测性能及训练时间上较OLS算法有一定的优势,OLS算法和资源分配算法则相对能找到更小的网络结构。从实际工程应用的角度出发,资源分配神经网络是动态学习的神经网络,其能够克服运行过程中收集信息的不充分问题,从而不断的适应运行环境的改变。