厌氧消化产气预测模型研究进展

黄小英，黄 涛，彭道平，刘轶鋆，张毅博

(西南交通大学地球科学与环境工程学院，成都 611756)

1 引 言

随着我国工业化和城市化的飞速发展，能源短缺和环境污染已经成为制约我国经济发展的主要问题。新能源的开发利用及清洁生产是解决上述问题的重要途径，厌氧消化技术是传统化石能源替代技术，可以将废弃物中的有机质转化成可再生能源甲烷[1]，而甲烷作为清洁能源，可以有效减少污染物的排放。厌氧发酵生物质能的规模化应用既可以有效缓解日益紧张的能源供需矛盾，同时解决有机废弃物造成的环境污染等问题，作为实现污染物资源化、减量化、无害化的重要途径，成为当前国内外学者研究的热点。二十世纪以来，我国畜禽粪便、作物秸秆、有机废水和餐厨垃圾等废弃物的产生量快速增加[2]，沼气工程得到迅猛的发展[3]。厌氧消化是一个连续、动态的过程，目前，大中型沼气工程的进料方式一般为半连续发酵方式，基于半连续进料的方式下，合理设置发酵参数，达到沼气产量最大化是沼气工程亟待解决的问题[4]。因此，准确地预测产气量对优化发酵参数设置和提高产气效率具有重要的意义和价值。

近年来，国内外学者在沼气产量预测方面开展了一定的研究。厌氧消化产气过程包含很多的生化、物化反应过程，这些过程十分复杂，使得产气量与很多参数之间呈现出非线性的关系，给产气预测建模技术的建立带来了一定的困难。目前，国内外的厌氧消化产气预测模型主要可分为线性回归模型、动力学模型以及人工神经网络模型等，本文系统分析线性回归模型、动力学模型、人工神经网络模型的研究进展，明确其存在的问题，同时重点介绍人工神经网络产气预测模型，并对其发展趋势进行展望，以期为今后产气预测模型的选择提供指导，为模型在实际工程中的应用提供依据。

2 厌氧消化技术原理

厌氧消化是在多种微生物的作用下实现复杂有机大分子转化降解的过程[5]。Zeikus 等提出了厌氧消化的四阶段理论，将厌氧消化过程划分为水解、产酸、产乙酸和产甲烷四个阶段[6-7]。水解阶段是将复杂有机物在厌氧菌胞外酶的作用下，分解成简单的有机物，如纤维素、淀粉等水解转化成较简单的糖，蛋白质转化成较简单的氨基酸，油脂转化成脂肪酸和甘油等；产酸阶段是指水解阶段产生的较简单小分子化合物在产酸菌作用下转化为简单的以挥发性脂肪酸为主的末端产物，如乙酸、丙酸、丁酸和甲醇等；产乙酸阶段是指在产氢产乙酸菌的作用下，将产酸阶段产生的除乙酸、甲酸、甲醇以外的脂肪酸和醇等转化为H2、CO2和乙酸；产甲烷阶段是指在产甲烷菌的作用下将前几阶段产生的乙酸、H2和CO2等转化为甲烷。在厌氧消化过程中，微生物群落的合理和稳定是沼气产量稳定的基础，微生物群落受到多种因素影响，如温度、氨氮、碱度、挥发性脂肪酸、C/N、微量元素、有机负荷率、pH以及其它潜在的有毒有害物质，只有将这些影响因素控制在合适的范围内，才可以保证厌氧消化产气系统的稳定[8～12]。

3 厌氧消化产气预测模型研究现状

前人研究采用的厌氧消化产气预测模型主要可分为线性回归模型、动力学模型以及人工神经网络模型等，各模型的原理、复杂性和适应性均不相同。

3.1 线性回归模型

李轶等[13]将餐厨垃圾和牛粪作为厌氧发酵原料，利用SAS 统计分析软件，以总产气量为目标函数，以餐厨垃圾与牛粪质量比、温度、pH 值、接种物与原料质量比为自变量，建立二次回归模型，模型的修正决定系数为0.90。通过验证分析，模型预测值与试验值之间的误差小于0.6%，表明模型拟合程度较好。张文阳等[14]基于多元线性回归模型对脂肪类单基质和城市污水厂剩余污泥厌氧发酵的产气量进行预测，以产气量升降的节点为界限，将整个产气阶段分为两个阶段，并以pH、氨氮、VFA作为自变量，分别建立回归模型，结果表明两个阶段的预测平均准确率分别为75.69%和79.29%，预测值与实测值拟合程度总体较好，但模型对于产气值的波动拟合较差。胡克勤等[15]将巴西象草、华南象草、矮象草、台牧B和7种不同月份收割的杂交狼尾草作为发酵基质，以原料组分C含量、N含量、C/N、纤维素含量、半纤维素含量以及木质素含量为自变量，以累计产气率为因变量，基于多元线性回归的方法建立两个厌氧发酵产气预测模型，但相关性系数R2仅为0.779和 0.783，模型标准误差分别为0.175 和0.179，基本验证了模型的有效性。

线性回归模型是分析两个或两个以上变量之间的因果关系模型，在厌氧消化产气预测中通常将影响产气量的因素作为自变量，通过线性拟合的手段得出影响因素与产气量之间的定量关系。线性回归模型主要研究线性问题，适用范围比较局限，在具有非线性特点的厌氧消化产气预测过程中，模拟效果不稳定，模型预测准确率有待进一步提高。

3.2 动力学模型

黄月等[16]以餐厨垃圾和剩余污泥为发酵底物，利用一级动力学对甲烷产量进行拟合分析，相关性系数R2大于0.989，预测值与实际测量值之间的误差较小。研究表明，一级动力学方程拟合适用于不存在延滞期的厌氧反应，而对于明显存在延滞期的厌氧反应，动力学仅适用于延滞期以后的阶段[17-18]。孙志岩等[19]以牛粪和玉米秸秆作为原料进行产甲烷潜力实验，模拟得到修订的 Gompertz模型，牛粪组和玉米秸秆组拟合方程的相关性系数分别为0.983 和0.991，预测值与实测值的误差率分别为12.3%和1.7%，但模型较为复杂，动力学常数λ对环境条件变化敏感。Miao 等[20]和Syaichurrozi 等[21]也基于修订的Gompertz模型分别预测了蓝藻、猪粪和酒糟的厌氧消化甲烷产量，为今后进行各类原料的产甲烷潜力预测提供了科学的评估方法，但修订的Gompertz模型只能表征发酵底物的产气潜力，难以反映实际沼气工程中有机负荷和水力停留时间等影响因素对消化产气率的影响。刘林等[22]研究了自制有机废水的厌氧消化产气预测模型，以进水有机负荷、温度、pH 值、氧化还原电位、乙酸和进水碱度为输入量，产气量为输出量，建立PSO ( 粒子群算法) -SVM( 支持向量机) 模型，并在此基础上，引入动力学模型，极大地改善了模型的预测精度，线性相关性系数R由0.87提高为0.96。此外，一些学者也将ADM1机理模型用于厌氧消化预测领域，Jurado 等[23-24]基于ADM1动力学模型预测水相氨浸湿法处理对猪粪厌氧消化效果的影响，结果表明，对于未经水相氨浸湿法处理的以猪粪为底物的厌氧消化过程，ADM1 模型具有较好的预测能力，但对水相氨浸湿法处理后的猪粪消化过程预测能力较差，这可能是因为处理后的猪粪水解率提高了，水解常数需要进一步修订才能满足预测要求。Lauwers等[25]的研究也表明ADM1 中的甲烷产率方程比较适合于单一基质底物(即乙酸和氢)，在复杂的实际应用中比较困难。ADM1模型比较复杂，涉及的方程和参数较多，有些参数比如比生长率，需要在特定的实验条件下计算得到。

产气动力学模型是通过微分方程的形式，定量化表达影响因素与厌氧消化产气效率之间的定量关系，根据采用的动力学形式不同可以分为一阶动力学，二阶动力学等。动力学模型虽然具有一定的通用性，但在厌氧消化产气预测中模型复杂且动力学常数对环境条件变化敏感[26]，大大影响了模型的适用性。

3.3 人工神经网络预测模型

人工神经网络，又称神经网络，是一种计算机和神经生理学的新兴结合技术[27]。它模拟人脑的结构和信息处理机制，是由大量神经元(或节点)互相连接而组成的大规模非线性并行分布式信息处理系统，具有良好的容错性和联想能力，以及自学习、自组织、自适应能力[28]。与传统的信息和数据处理方法相比，人工神经网络是一种非线性动力学系统[29-30]，能将分布储存的信息进行并行协同处理，通过训练学习大量数据样本，寻找其存在的内在规律，从而实现非线性信息处理和复杂逻辑操作[31]，因而在处理的多维非线性问题方面具有十分明显的优势。人工神经网络现已广泛应用于摩擦学、经济学、自动化、医疗、化学、污染预测、房价预测等领域[32～36]，并取得了一定的进展。

目前，人工神经网络在厌氧消化产气预测领域常用的是BP神经网络(Back Propagation Neural Network，BP)，又称反向传播神经网络，模型结构简单，应用最为广泛且最具有代表意义[37-38]。BP神经网络是一种利用误差反向传播算法的前馈型人工神经网络，包含3层或3层以上的层内无互联的网络结构[39]。

3.3.1 BP神经网络及其改进算法

Holubard等[40]基于Matlab软件平台构建了污泥厌氧消化的BP神经网络模型，选择有机负荷、pH、挥发性脂肪酸等9个参数作为输入变量，以沼气组分和沼气产量为输出变量。预测结果表明，沼气组分和沼气产量的拟合相关系数分别为0.90 和 0.80。此外，还通过模型调节优化工艺参数，实现了对整个厌氧消化系统的进料控制，使系统的沼气产率维持在5～5.6m3m-3d-1之间，甲烷含量维持在60%左右。Strik等[41]也通过Matlab神经网络工具箱来预测厌氧发酵气体产物中的痕量组分—硫化氢和氨气含量，硫化氢预测模型的输入参数为硫酸盐负荷、有机负荷和沼气中硫化氢含量等，而氨气预测模型的输入参数为总氮负荷、有机负荷、沼气中氨气含量、沼气产率等，结果表明拟合相关系数分别为0.91和0.83，预测效果较好。Bestamin Ozkaya等[42]以垃圾填埋场为研究对象，建立了BP神经网络预测填埋产生沼气中的甲烷含量，输入参数为pH、碱度、COD、硫化物、电导率、氯化物等，输出参数为甲烷含量，模拟得到的相关性系数为0.95，均方差为0.002 6。赵孝文等[43]基于BP 神经网络预测牛粪厌氧消化时的沼气产量和甲烷含量，将温度、进料浓度、配料成分中鲜牛粪和水、pH 值、含氧量作为输入变量，结果表明建立的模型具有良好的预测性能。董瑞兰[44]采用多元线性回归方程和3层BP神经网络建模预测肉牛混合饲料体外发酵CH4产量、CO2产量和总产气量。结果表明，与多元线性回归方程相比，BP神经网络在预测CO2产量和总产气量的准确性更高。类似的，张文阳等[14]也分别采用多元回归和BP 神经网络对脂肪类单基质和城市污水厂剩余污泥厌氧消化产气量进行预测，实验结果表明BP 神经网络平均预测准确率为79.05%，比多元回归模型的预测准确率更高，更适用于混合厌氧消化产气量预测，但BP神经网络预测的准确率只处于良好水平，仍有待进一步提高。Sathish 和Vivekanandan[45]将温度、pH、基质浓度、搅拌时间作为输入参数，建立了BP神经网络产气预测模型，相关系数R2为0.998，平均绝对误差为1.01%，还实现了工艺参数的优化，模拟效果优于响应曲面法。Holubard[46]同时提出了用BP神经网络和自组织映射神经网络建模预测厌氧消化过程沼气的组分和产气率，沼气组分的拟合相关系数为0.69，沼气产率的拟合相关系数为0.76，但模拟效果不如前馈BP神经网络，并认为沼气组分拟合效果差于沼气产率的原因，有待进一步研究。

然而，标准的BP神经网络存在学习收敛速度慢、易陷入局部极小值以及结构分析复杂等缺陷[47]。一些学者针对以上一些不足，进一步研究了标准BP神经网络的改进算法，改进后的模型收敛速度更快，准确性更高。例如，花亚梅等[4]为准确预测大中型沼气工程日产气量，为避免神经网络陷入局部极限小值，引入动量因子和自适应率学习方法改进 BP 算法，建立以温度、TS浓度以及pH值作为输入层节点，日产气量为输出层节点的预测模型。结果表明，改进的BP神经网络收敛速度快，平均预测准确率为84.02%，对沼气的日产气量具有良好的预测能力，同时减少了人为因素对参数设置的影响。Behera[48]也建立了BP神经网络预测沼气中的甲烷含量，分别基于4种改进学习算法(Levenberg-Marquardt算法、弹性算法、 梯度下降算法以及极限学习机算法)建立了BP神经网络，结果表明基于极限学习算法的BP神经网络模拟效果优于比其他三种算法。

3.3.2 与其它理论结合的人工神经网络

除了BP神经网络，一些学者研究了将神经网络与模糊逻辑理论结合，拓宽了神经网络的应用范围。Turkdogan-AydΙnol和Yetilmezsoy[49]以有机负荷、化学需氧量去除率、进水碱度、进水pH和出液pH为输入变量，建立了模糊逻辑神经网络预测沼气和甲烷产率，结果表明预测偏差较小，获得了满意的预测结果。Chaiwat Waewsak[50]也将人工神经网络与模糊逻辑理论结合，实现了对厌氧产氢反应器参数的控制。赖夏颉[51]以逐步提高有机负荷的半连续式餐厨垃圾和猪粪混合厌氧消化实验数据为基础，分别基于BP 神经网络和模糊神经网络(FNN)对实验日产气量建立了预测模型，结果表明，BP和FNN神经网络的准确率分别为77.63%和 82.33%，在传统神经网络模型基础上加入了模糊控制，可提高预测准确率，更好地适用于混合厌氧消化产气量预测。

此外，一些学者也研究了将神经网络与遗传算法理论结合，实现了对厌氧消化过程参数的优化。Qdais等[52]将人工神经网络与遗传算法结合，考察了温度、总固体、总挥发性固体和pH 对沼气产量的影响，建立了含2层隐含层的人工神经网络预测甲烷产量，并用遗传算法对甲烷产量进行极值寻优，得到最大的甲烷含量为77%。Jacob和Banerjee[53]建立了响应曲面法和与遗传算法耦合的神经网络模型，分别模拟并优化厌氧消化过程控制参数，神经网络模拟的均方差和相关系数R分别为0.136 和0.997 2，对比发现耦合遗传算法的神经网络模拟效果更好，该模型优化得到的甲烷产量比响应曲面法高6%。与此类似的是，余美娟等[54]采用基于BP神经网络的遗传算法模型、正交试验设计、响应曲面设计对餐厨垃圾厌氧消化产沼气的操作参数进行优化，并比较分析这3种模型的优化效果，结果表明经BP神经网络的遗传算法模型优化后的实测值分别比正交设计模型和响应曲面设计模型的实测值提高5.15%和3.67%，而且具有更高的准确度。

与线性回归模型、动力学模型不同的是，人工神经网络模型为黑箱模型，将影响产气量的因素作为输入参数，产气量作为输出参数，忽略输入与输出的耦合关系，可以实现非线性发酵系统中产气量的预测以及发酵参数的调控。总体来说，人工神经网络建模简单，可以以任意精度逼近任意非线性映射，适用于复杂的非线性厌氧消化过程。

4 结论与展望

综上所述，线性回归模型、动力学模型以及人工神经网络模型各具特点，其复杂性和适应性也各不相同。多元线性回归模型适用范围比较局限，效果不稳定；动力学预测模型通用性较高，但模型复杂且动力学常数对环境变化敏感，易受环境条件的影响；人工神经网络模型可以以任意精度逼近任意非线性映射，对于复杂的非线性厌氧消化产气过程具有较高的适用性。相对于线性回归模型、动力学模型，人工神经网络模型在厌氧消化领域展现出较高的实用性，具有良好的应用前景，也取得了较多的应用成效，这对于优化厌氧消化产气工艺条件和推动厌氧消化产气工程应用具有十分重要的意义。通过对人工神经网络模型的研究分析，发现还存在以下几方面的问题：

4.1 目前，BP神经网络应用得最为广泛，但预测准确性只能基本满足模拟要求，改进优化后的BP神经网络虽然在训练速度、准确性等方面有一定的改善，但仍存在网络拓扑结构难以确定、参数设置困难、学习速度慢等问题。因此，此后可以进一步研究BP神经网络的改进算法，优化网络结构。

4.2 在人工神经网络的理论研究方面，还存在一些亟待解决的问题，如网络输入参数和隐含层节点数难以确定、网络过拟合问题等，用人工神经网络解决实际问题时，都是根据具体问题来分析确定模型的输入输出参数、拓扑结构、算法和主要参数设置等，目前尚无一套普适性的预测理论。因此，今后可以进一步研究建立人工神经网络模型的一般规律和方法。

4.3 厌氧消化是多个学科行为之间强耦合的结果。人工神经网络和其他学科的理论与技术进行交叉结合，取长补短，模拟效果明显优于单独一种技术或模型。在厌氧消化产气预测领域，目前已经实现了人工神经网络与遗传算法、模糊逻辑等理论的融合，拓宽了人工神经网络方法处理的范围和能力，不仅具有预测功能，还实现了工艺条件的优化，但研究深度还不够，可以进一步探索不同理论方法与人工神经网的结合，建立新的神经网络模型，以优化人工神经网络模拟效果。因此，在今后的研究中，要重点关注上述问题，以期能够使人工神经网络在厌氧产气预测中得到更好的应用。

参考文献：

[1] Zhang W, Wei Q, Wu S, et al.Batch anaerobic co-digestion of pig manure with dewatered sewage sludge under mesophilic conditions[J].Applied Energy, 2014, 128(3):175-183.

[2] 董保成, 王久臣, 李景明,等.沼气标准体系的研究[J].中国沼气, 2014, 32(2):3-5.

[3] 冉 毅, 王 超, 罗 秦,等.沼气工程物联网构建及应用分析[J].中国沼气, 2015, 33(1):65-69.

[4] 花亚梅, 赵贤林, 王效华,等.基于改进BP神经网络的厌氧发酵产气量预测模型[J].环境工程学报, 2016, 10(10):5951-5956.

[5] Narihiro T, Sekiguchi Y.Microbial communities in anaerobic digestion processes for waste and wastewater treatment: a microbiological update[J].Current Opinion in Biotechnology, 2007, 18(3):273-278.

[6] 伍南琪, 王爱杰.厌氧生物技术原理与应用[M].北京:化学工业出版社, 2004:18-21.

[7] Mao C L, Feng Y Z, Wang X J, et al.Review on research achievements of biogas from anaerobic digestion.[J].Renewable & Sustainable Energy Reviews, 2015, 45(2015):540-555.

[8] Kayhanian M, Rich D.Sludge management using the biodegradable organic fraction of municipal solid waste as a primary substrate[J].Water environment research, 1996, 68(2): 240-254.

[9] 吴树彪, 郎乾乾, 张万钦, 等.微量元素对餐厨垃圾厌氧发酵的影响实验[J].农业机械学报, 2013, 44(11): 128-132.

[10] Bernal M P, Navarro A F, Sanchez-Monedero M A, et al.Influence of sewage sludge compost stability and maturity on carbon and nitrogen mineralization in soil[J].Soil Biology and Biochemistry, 1998, 30(3): 305-313.

[11] Karim K, Hoffmann R, Klasson K T, et al.Anaerobic digestion of animal waste: Effect of mode of mixing[J].Water research, 2005, 39(15): 3597-3606.

[12] Palmowski L M, Müller J A.Influence of the size reduction of organic waste on their anaerobic digestion[J].Water science and technology, 2000, 41(3): 155-162.

[13] 李 轶, 李 磊, 张大雷,等.餐厨垃圾和牛粪混合厌氧发酵工艺优化[J].农业机械学报, 2012, 43(s1):180-185.

[14] 张文阳, 张良均, 李 娜,等.多元回归和BP人工神经网络在预测混合厌氧消化产气量过程中的应用比较[J].环境工程学报, 2013, 7(2):747-752.

[15] 胡克勤, 李连华, 孙永明,等.基于原料组分的能源草厌氧发酵产气预测模型[J].新能源进展, 2016, 4(2):100-104.

[16] 黄 月, 赵明星, 杨莉丽,等.餐厨垃圾与剩余污泥混合消化产甲烷性能及动力学分析研究[J].食品与生物技术学报, 2017, 36(5):486-493.

[17] Du L Z, Liang J F, Yang P, et al.Influence of total solid content on anaerobic digestion of swine manure and kinetic analysis.[J].Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(24):246-251 .

[18] Li D, Sun Y, Yuan Z, et al.Kinetic study of the mesophilic anaerobic digestion of organic waste components[J].Taiyangneng Xuebao/acta Energiae Solaris Sinica, 2010, 31(3):385-390.

[19] 孙志岩, 张君枝, 刘翌晨,等.牛粪和玉米秸秆厌氧消化产甲烷潜力及动力学[J].环境工程学报, 2016, 10(3):1468-1474.

[20] Miao H F, Wang S Q, Zhao M X, et al.Codigestion of Taihu blue algae with swine manure for biogas production.[J].Energy Conversion & Management, 2014, 77(1):643-649.

[21] Syaichurrozi I, Budiyono, Sumardiono S.Predicting kinetic model of biogas production and biodegradability organic materials: biogas production from vinasse at variation of COD/N ratio[J].Bioresource Technology, 2013, 149(2):390-397.

[22] 刘 林, 谢 彬, 马邕文,等.基于动力学和PSO-SVM的废水厌氧处理产气量的混合软测量模型[J].中国造纸, 2017, 36(3):31-36.

[23] Jurado E,Gavala H N,Skiadas I.ADM1-1based modeling of anaerobic digestion of swine manure fibers pretreated with aqueous ammonia soaking.Proceedings of the 4thinternational symposium on energy from biomass and waste 2012[A]. San Servolo, Venice, Italy,12-115.

[24] Jurado E, Antonopoulou G, Lyberatos G, et al.Continuous anaerobic digestion of swine manure: ADM1-based modelling and effect of addition of swine manure fibers pretreated with aqueous ammonia soaking[J].Applied Energy, 2016, 172:190-198.

[25] Lauwers J, et al.Mathematical modelling of anaerobic digestion of biomass and waste: Power and limitations[J].Progress in Energy and Combustion Science 2013, 39: 383-402.

[26] 曹 刚, 徐向阳, 冯孝善.神经网络在厌氧消化过程中的模拟应用[J].中国沼气, 2001, 19(4):3-6.

[27] 阳范文, 赵耀明.人工神经网络用于高分子材料的性能预测与优化设计的研究进展[J].计算机与应用化学, 2001, 18(2):131-134.

[28] 杨晓帆, 陈延槐.人工神经网络固有的优点和缺点[J].计算机科学, 1994, 21(2):23-26.

[29] 宋 剑, 王 松, 廖振华,等.人工神经网络方法在摩擦学领域的应用研究进展[J].润滑与密封, 2016, 41(11):117-123.

[30] Mohammed J.K.Bashir, Application of response surface methodology (RSM) for optimization of ammoniacal nitrogen removal from semi-aerobic landfill leachate using ion exchange resin[J]. Desalination,2010,254(1-3): 154-161.

[31] 闻 新.MATLAB神经网络应用设计[M].科学出版社, 2000.

[32] 向 杰, 黄继锋.人工神经导管基础与临床研究进展[J].中国临床解剖学杂志, 2012, 30(5):587-589.

[33] 周志权, 张婷婷, 贾 滨,等.人工神经网络用于直接化学电离质谱分析食用油品质的研究[J].分析化学, 2011, 39(11):1665-1669.

[34] 王国胜, 郭联金, 董晓清,等.深圳市区空气污染的人工神经网络预测[J].环境工程学报, 2015, 9(7):3393-3399.

[35] 李英柳.人工神经网络在环境灾害预测中的应用进展[J].地质灾害与环境保护, 2010, 21(1):8-11.

[36] 高玉明, 张仁津.基于遗传算法和BP神经网络的房价预测分析[J].计算机工程, 2014, 40(4):187-191.

[37] 林 香, 姜青山, 熊腾科.一种基于遗传BP神经网络的预测模型[J].计算机研究与发展, 2006, 43(s3):338-343.

[38] Maier H R, Dandy G C.Understanding the behaviour and optimising the performance of back-propagation neural networks: an empirical study[J].Environmental Modelling & Software, 1998, 13(2):179-191.

[39] 朱双东.神经网络应用基础[M].沈阳:东北大学出版社, 2000.

[40] Holubar P, Zani L, Hager M, et al.Advanced controlling of anaerobic digestion by means of hierarchical neural networks.[J].Water Research, 2002, 36(10):2582-8.

[41] Strik D P, Domnanovich A M, Zani L, et al.Prediction of trace compounds in biogas from anaerobic digestion using the MATLAB Neural Network Toolbox[J].Environmental Modelling & Software, 2005, 20(6): 803-810.

[42] Ozkaya B, Demir A, Bilgili M S.Neural network prediction model for the methane fraction in biogas from field-scale landfill bioreactors[J].Environmental Modelling & Software, 2007, 22(6):815-822.

[43] 赵孝文, 蒋继成.厌氧发酵工艺的BP神经网络建模与粒子群算法优化[J].应用能源技术, 2015,(3):8-12.

[44] 董瑞兰.基于人工神经网络的人工瘤胃发酵甲烷与挥发性脂肪酸产量预测模型研究[D].北京:中国农业大学, 2015.

[45] Sathish S, Vivekanandan S.Parametric optimization for floating drum anaerobic bio-digester using Response Surface Methodology and Artificial Neural Network[J].Alexandria Engineering Journal, 2016, 55(4).

[46] Holubar P, Zani L, Hagar M, et al.Modelling of anaerobic digestion using self-organizing maps and artificial neural networks[J].Water science and technology, 2000, 41(12): 149-156.

[47] 鲁娟娟, 陈 红.BP神经网络的研究进展[J].控制工程, 2006, 13(5):449-451.

[48] Behera S K, Meher S K, Hungsuck P.Artificial neural network model for predicting methane percentage in biogas recovered from a landfill upon injection of liquid organic waste.[J].Clean Technologies & Environmental Policy, 2015, 17(2):443-453.

[49] Turkdogan-Aydinol Fl, Yetilmezsoy K.A fuzzy-logic-based model to predict biogas and methane production rates in a pilot-scale mesophilic UASB reactor treating molasses wastewater[J].Journal of Hazardous Materials, 2010, 182(1-3):460.

[50] Waewsak C, Nopharatana A, Chaiprasert P.Neural-fuzzy control system application for monitoring process response and control of anaerobic hybrid reactor in wastewater treatment and biogas production[J].环境科学学报(英文版), 2010, 22(12):1883.

[51] 赖夏颉, 张文阳, 张良均,等.基于人工神经网络的半连续式混合厌氧消化产气量预测[J].环境工程学报, 2015, 9(1):459-463.

[52] Qdais H A, Hani K B, Shatnawi N.Modeling and optimization of biogas production from a waste digester using artificial neural network and genetic algorithm.[J].Resources Conservation & Recycling, 2010, 54(6):359-363.

[53] Jacob S, Banerjee R.Modeling and optimization of anaerobic codigestion of potato waste and aquatic weed by response surface methodology and artificial neural network coupled genetic algorithm.[J].Bioresource Technology, 2016, 214:386.

[54] 余美娟, 席克忠, 赵明星,等.不同优化模型在餐厨垃圾厌氧消化中的应用与比较[J].环境科学与技术, 2017,(8):164-170.