膜生物反应器(MBR)作为污水处理领域中的新兴技术,具有良好的发展前景,并且逐渐受到相关领域专家与学者的重视。然而,膜污染严重影响了 MBR技术的应用效果,如何调节系统运行条件和参数,减缓膜污染现象,以及如何建立膜污染的仿真模型已经成为研究热点。本文旨在建立影响MBR膜污染因素与表征膜污染程度的膜通量间的非线性关系,从而完成对膜通量的预测。理论研究证明,神经网络能够任意精度逼近任意连续函数,能够建立输入与输出之间的复杂非线性关系模型,在预测领域应用比较广泛。本文使用小波神经网络来建立仿真预测模型,它属于局部回归的反馈网络,具有关联记忆功能,在预测精度上优于传统的BP神经网络。但是,由于小波神经网络仍采用前馈网络的梯度下降法进行网络训练,因此存在网络训练速度慢、容易陷入局部极小值等缺陷,且有网络权值敏感和网络结构不易确定等问题。针对这些问题,引入粒子群优化算法来优化小波神经网络模型,实现了权值和阈值的优化,进而避免上述问题。实验结果表明,使用PSO优化的WNN预测精度有很大提升,且优化后的网络预测比较稳定。近些年深度神经网络得到了广泛应用,本文建立深度置信网络(DBNs)预测模型,得出DBNs对MBR膜通量预测精度较高。流体力学(CFD)模拟软件可更直观地模拟MBR污水处理过程。利用CFD模拟软件进行模拟时我们需要选择物理模型,选择适合的物理模型会使得模拟效果更好。之前对MBR模拟时大多选用湍流模型。而MBR中包含了气体、液体和固体,所以本文考虑使用多相流进行模拟。因此,本文中使用多相流和湍流模型同时进行模拟,对模拟结果进行比较得出VOF多相流模型对MBR模拟的效果更好。