论文部分内容阅读
紫外吸收法(简称为UV法)COD测定技术利用的是物理方法,即在朗伯-比尔定律的基础上,利用紫外吸光度与COD浓度的关系求得COD浓度。与传统测定COD方法相比,紫外吸收法具有明显的优势,是一种能够应用于快速测定,特别是在连续监测领域广泛应用的技术。然而,紫外吸收法快速测定COD,对水质稳定性的要求给紫外吸收法COD监测技术的推广带来障碍。基于紫外吸收光谱法直接测定COD存在的优势以及其测定中需要解决的问题,本文对紫外吸收法COD监测技术进行了深入的研究和探讨:(1)采用了23种废水,包括8种生活污水和15种工业废水,对其COD浓度进行了UV法和化学法的对比实验,以得到两者的对比实验结果。从实验的角度验证紫外吸收法COD测定技术的可行性。对于水质较为稳定的生活废水,紫外吸光度能很好地反映COD浓度,而成分复杂不稳定的工业废水,其相关性较差,而且COD浓度越大,相关度越低。(2)通过实验探讨影响紫外吸收法COD测定技术的影响因素,包括浊度、温度、pH、干扰离子、背景污染对测定结果的影响规律。(3)从有机物的紫外吸收光谱入手,选择有一定代表性的有机物,探讨其紫外吸收规律与水样有机物成分、含量的关系,采用误差反向传播人工神经网络(Back Porpgaation Artfiicial Neural Netwotk,简称BP-ANN),建立紫外吸收光谱直接测定废水COD的化学计量学方法,并利用此模型对模拟废水样和实际废水样进行预测。本文利用LmNetPF(V2.3)神经网络通用平台完成建模和相关的数学运算。实验采用36个样本训练集建立的BP-ANN模型,预测自配模拟废水结果较好,相对误差<5%。但预测实际废水COD值效果不理想,相对误差>10%,不能满足分析要求,主要原因在于建模的训练集样品组成与实际废水相差太大。最后,本文针对建立的BP-ANN模型的不足,从废水成分的剖析、训练集样品的组成以及人工神经网络模型改进等方面提出了建议。本文结果对深入研究BP人工神经网络紫外吸收光谱法直接测定COD提供了有价值的参考,并为此方法的进一步完善打下了基础。