實驗室瓶杯試驗數據庫建立 實驗室瓶杯試驗數據庫建立 實驗室瓶杯試驗數據庫建立 實驗室瓶杯試驗數據庫建立

新竹第二淨水場廢水包含沉澱池排放之污泥及快濾池反洗水，經廢水池靜置沉 澱後，上澄液不定時迴流至原水井與原水混合進入處理單元，本研究採取含廢水迴 流及不含迴流水樣，進行二種原水之水質分析及瓶杯試驗。原水水質物化特性如表 4-1，結果顯示含廢水迴流及不含迴流原水僅濁度有差異，其餘水質項目(導電度、

pH、鹼度)其數值均相似。表 4-2 為不含廢水迴流與含迴流水樣之最適混凝劑量評估 數據，結果顯示二種水樣雖然濁度不同，但其最適劑量之差距不大，原因可能為迴 流水屬二次混凝顆粒，經再次混凝加藥後較易沉澱。為避免迴流水濁度影響 BPANN 模式之混凝加藥預測判斷，因此本研究選用不含廢水迴流之原水作為 BPANN 模式 之訓練資料及模廠測試之處理原水。

表 4-1 含廢水迴流及不含迴流水樣水質物化特性

自 98 年 8 月至 100 年 8 月，採取新竹第二淨水場原水共 114 組有效水樣進行原 水水質與實驗室最適混凝劑量瓶杯試驗(原始水質及最適混凝劑量瓶杯試驗數據如 附錄 D)。在原水水質分析的結果顯示，新竹第二淨水場原水之濁度範圍為 4.6 ~ 2,260 NTU，溫度範圍為 15 ~ 30℃，其 pH 約落在 7 ~ 8.6 間，最適混凝劑量範圍為 0.7 ~ 4.5 mg/L as Al，但鹼度則受到原水濁度之影響呈現兩種不同的數值。高濁度原水(>100 NTU)之鹼度約 60 ~ 165 (mg/L as CaCO₃)之間，當原水在低濁度條件下(<100 NTU)，

其鹼度約在 72 ~ 230 (mg/L as CaCO3)之間，此結果顯示因降雨增加水量，河川中原 水鹼度物質濃度因而被稀釋，使得天然原水因降雨而濁度增加但鹼度下降。

由於水中有機物會影響混凝作用，雖然地表水有機物含量較湖庫水低，為確認 對象水廠原水中有機物含量高低，本研究在 98 年 8 月至 99 年 10 月採樣分析新竹 第二淨水場 50 筆原水中溶解性有機碳(dissolved organic carbon, DOC)含量，分析結 果 DOC 平均值為 1.2 mg/L，大多維持在 0.8 ~ 1.4 mg/L 之範圍，顯示新竹第二淨水 場原水有機物含量不高，因此後續在 BPANN 模式建立時未將 DOC 作為水質輸入參 數。

4.2 倒傳遞類神經網路模式建立 倒傳遞類神經網路模式建立 倒傳遞類神經網路模式建立 倒傳遞類神經網路模式建立

利用實驗室建立之 114 筆瓶杯試驗資料庫進行不同輸入參數(原水濁度、pH、溫 度及鹼度)之 BPANN 模式建立，以不同參數組合建立三組 BPANN 模式(第一組：原 水濁度、pH、溫度、鹼度；第二組：原水濁度、pH、溫度；第三組：原水濁度、pH)。

首先，先將 114 筆數據分為訓練驗證階段 94 筆及測試階段 20 筆，ANN 軟體會隨機 將訓練驗證階段資料 94 筆區分為訓練資料(Train)及驗證資料(Validation)，在訓練驗 證階段會得到之結果包括訓練均方誤差(Train-MSE)、訓練相關係數(Train-r)及驗證 相關係數(Validation-r)。模式訓練完成後再進入測試階段，輸入 20 筆測試資料以瞭 解訓練完成之 BPANN 模式其預測準確性。本研究最後以測試資料相關係數(Test-r) 作為 BPANN 模式效能之判斷值。瓶杯試驗及 BPANN 模式訓練驗證測試階段之水 質數據分布如表 4-3，數據主要分布在濁度小於 100 NTU、pH 值 8 ~ 8.5、溫度 20 ~ 25℃及鹼度 100 ~ 200 mg/L as CaCO₃之範圍。

表 4-3 瓶杯試驗及 BPANN 模式訓練驗證測試階段各項水質數據分布 Levenberg-Marguardt 演算法。

4.2.3 學習法則

學習法則 學習法則 學習法則設定 設定 設定 設定

使用提早停止(early stop)學習原則加以預防過度適配(over fitting)的現象。一般 而言訓練次數越多，網路收斂之結果越好，惟尚需考慮訓練時間及訓練結果是否會

有過度適配(over fitting)的現象。所謂過度適配係指當網路訓練過度時，網路之預測 結果將會被強制去符合某一規則作預測，使得預測之結果並非實際之狀況。提早停 止(early stop)學習原則即是於過度適配發生前即停止訓練動作，其原則係將部分數 據作為驗證組，與訓練組數據同時輸入網路訓練，此時訓練過程將會有兩條收斂曲 線，提早停止原則會自動選取兩收斂曲線最接近之時停止網路訓練。

4.2.4 隱藏層神經元數目測試

隱藏層神經元數目測試 隱藏層神經元數目測試 隱藏層神經元數目測試

隱藏層神經元數多寡對網路品質影響甚大，隱藏層神經元數目越多，收斂速度 越慢，對誤差的降低並無太大的助益；隱藏層神經元數目太少，無法充分反映出輸 入-輸出間的交互關係。由於類神經網路為一非線性化過程，且網路參數間會互相影 響，故無法找出一絕對之最佳網路參數。一般而言，隱藏層的神經元數選取原則可 根據輸入層和輸出層的神經元數作為參考依據^(葉，1999)。

(1) 簡單問題

隱藏層神經元數＝(輸入層神經元數＋輸出層神經元數) ÷ 2 (2) 一般問題

隱藏層神經元數＝(輸入層神經元數＋輸出層神經元數) (3) 複雜問題

隱藏層神經元數＝(輸入層神經元數＋輸出層神經元數) × 2

本研究隱藏層神經元數由 1 遞增至輸入層神經元數與輸出層神經元數總和 2 倍，遞增量為 1，以試誤法求得到最佳的隱藏層神經元個數。

由於 BPANN 模式每次訓練結果可能不盡相同，故每個模式進行 3 次重複訓練 取其最佳 test-r 值，作為 BPANN 模式最佳隱藏層神經元數之選擇依據。網路規劃如 下：

隱藏層層數：1 層

隱藏層神經元數目：1~（輸入神經元數+輸出神經元數）×2 個

LM 演算法：Levenberg-Marguardt

訓練驗證資料：取 98 年 8 月至 100 年 8 月之瓶杯試驗數據(94 筆) 測試資料：取 98 年 8 月至 100 年 8 月之瓶杯試驗數據(20 筆)

本研究以不同輸入參數分別建立三組 BPANN 模式，並依試誤法決定各模式最 適之隱藏層神經元個數。第一組為 4 個輸入參數(濁度、溫度、鹼度及 pH)建立之 BPANN 模組，測試結果得知最適混凝劑量預測網路最佳隱藏層神經元數為 9 個，

重複訓練 3 次之 Train–MSE 平均值為 0.089，Train-r 平均值為 0.959，Validation-r 平均值為 0.612；20 筆測試資料結果 Test-r 為 0.938。第二組為 3 個輸入參數(濁度、

溫度及 pH)建立之 BPANN 模組，測試結果得知最適混凝劑量預測網路最佳隱藏層 神經元數為 4 個，重複訓練 3 次之 Train-MSE 平均值為 0.324，Train-r 平均值為 0.848，

Validation-r 平均值為 0.875；20 筆測試資料結果 Test-r 為 0.942。第三組為 2 個輸入 參數(濁度及 pH)建立之 BPANN 模組，測試結果得知最適混凝劑量預測網路最佳隱 藏層神經元數為 2 個，重複訓練 3 次之 Train-MSE 平均值為 0.08，Train-r 平均值為 0.895，Validation-r 平均值為 0.776；20 筆測試資料結果 Test-r 為 0.931。彙整三組不 同輸入參數 BPANN 模式之效能評估參數(MSE、r)平均值如表 4-4。

表 4-4 不同輸入參數之 BPANN 模式隱藏層神經元數測試結果

4.3 倒傳遞類神經 倒傳遞類神經 倒傳遞類神經網路模式模廠驗證 倒傳遞類神經 網路模式模廠驗證 網路模式模廠驗證 網路模式模廠驗證

模廠先以追蹤劑試驗，確認快混槽、慢混槽及沉澱槽之實際水力停留時間，以 判斷處理單元是否發生短流現象。混凝加藥自動控制系統測試分為四個階段完成，

第一階段為與實場平行混凝加藥對照測試、第二階段為倒傳遞類神經網路輸入參數 篩選測試、第三階段為倒傳遞類神經網路模式連續操作驗證、第四階段為人工高濁 度原水混凝加藥自動控制測試，各階段測試結果說明如下：

4.3.1 與實場平行混凝加藥對照測試

與實場平行混凝加藥對照測試 與實場平行混凝加藥對照測試 與實場平行混凝加藥對照測試

自 100 年 5 月至 100 年 6 月進行與實場平行混凝加藥對照測試，測試期間濁度 範圍為 9.5 ~ 85.3 NTU，並未遭遇暴雨造成之超高濁度情形，原水濁度大多落在 20 ~ 40 NTU 之範圍內。模廠使用與新竹第二淨水場相同之混凝劑，稀釋約 10 倍後以感 應耦合電漿原子發射光譜儀(inductively coupled plasma, ICP)分析混凝劑之總 Al 濃 度，本階段模廠混凝加藥使用之混凝劑濃度為 5832 mg/L as Al。測試當天紀錄實場 使用之混凝劑量，模廠所使用之混凝劑量經換算後等同於實場實際添加之混凝劑 量，並於 2 小時及 2.5 小時後紀錄沉澱及過濾出水濁度，以瞭解模廠軟硬體設備之 運作穩定性，並建立模廠混凝加藥自動控制系統處理成效之水質內控標準。模廠與 實場平行混凝加藥對照共測試 7 個批次，測試結果如表 4-5，經模廠混凝加藥 2 小 時後之沉澱出水濁度約為 1.4 ~5 NTU，2.5 小時後過濾出水濁度(批次 1 及 2 未測)，

濁度均達到 0.4 NTU，此結果符合目前實場內控出水水質規範(沉澱出水濁度小於 5 NTU、過濾出水濁度小於 0.5 NTU)，因此模廠處理地面水之混凝加藥自動控制系統 將與實場相同，使用沉澱出水濁度小於 5 NTU、過濾出水濁度小於 0.5 NTU 作為處 理成效之內控出水水質標準。

表 4-5 與實場平行混凝加藥對照測試結果 水，濁度變化範圍為10~70 NTU；pH變化範圍為8.3~8.8；溫度變化範圍為 27~30℃；鹼度變化範圍為93~108。BPANN模式計算之混凝加藥量約為0.2~1 26~30℃。BPANN模式計算之混凝加藥量約為1 mg/L as Al，加藥量隨原水濁 度變化不明顯，使得沉澱出水濁度超過設定之內控處理水質標準。

(3) 第三組BPANN模式(輸入參數：濁度、pH)

第三組BPANN模式測試結果如圖4-3，測試時間為24小時，使用天然原 水，濁度變化為20~90 NTU；pH變化範圍為8.5~8.7。BPANN模式計算之混凝 加藥量約為1 ~ 1.2 mg/L as Al，混凝加藥量變化幅度雖不大，但隨原水濁度變 化而即時調整，並且沉澱出水濁度均符合設定之內控處理水質標準。

時間

-4713/1/1 -4713/1/1 -4713/1/1 -4713/1/1 -4713/1/1 -4713/1/1 -4713/1/2

濁度(NTU)

第一組 BPANN 模式計算之混凝加藥量偏低及第二組 BPANN 模式計算之混凝加

0 500 1000 1500 2000

ANN預測加藥量(mg/L as Al)

0

0 500 1000 1500 2000

ANN預測加藥量(mg/L as Al)

1.0

pH=7.5 pH=7.7 pH=7.9 pH=8.1 pH=8.3 pH=8.5

100

30 ℃℃℃℃

圖 4-5 BPANN 模式電腦模擬結果(3 個輸入參數：濁度、pH、溫度)

4.3.3 倒傳遞類神經網路模式連續操作驗證

倒傳遞類神經網路模式連續操作驗證 倒傳遞類神經網路模式連續操作驗證 倒傳遞類神經網路模式連續操作驗證

10/1 10/5 10/9 10/13 10/17 10/21 10/25

濁度(NTU)

4.3.4 人工高濁度原水混凝自動

人工高濁度原水混凝自動 人工高濁度原水混凝自動 人工高濁度原水混凝自動加藥 加藥 加藥前饋 加藥 前饋 前饋 前饋控制測試 控制測試 控制測試 控制測試

由於模廠於連操作驗證期間均未遭遇天然高濁度原水，因此以人工調配高濁度 原水進行模廠混凝加藥自動控制測試。人工高濁原水污泥取自新竹第二淨水場原水 沉砂池底部污泥，以人工調配適當濁度後加入原水槽混合天然低濁度原水進行混凝 加藥測試，使用 2 個輸入參數(濁度、pH)之 BPANN 模式進行三組不同加藥量之人 工高濁度原水測試。第一組混凝加藥量為依 BPANN 模式預測之混凝劑量添加；第 二組混凝加藥量為依 BPANN 模式預測之混凝劑量再增加 50%添加；第三組混凝加 藥量為依 BPANN 模式預測之混凝劑量再減少 50%添加，不同加藥量之人工高濁度 原水測試結果如下：

(1) 依BPANN模式預測之混凝加藥量

圖4-7為使用BPANN模式預測之混凝加藥量進行之人工高濁原水模廠測 試結果，測試紀錄總時間為4.5小時，其中約1.5小時持續添加人工高濁原水，

並紀錄原水濁度、沉澱出水濁度、過濾出水濁度、過濾出水顆粒數及混凝加 藥量。原水濁度調整方式為逐漸調升至約800 NTU，維持約1小時後逐漸回復 天然原水濁度，混凝加藥量變化範圍為1 ~ 3 mg/L as Al。測試結果顯示，當

並紀錄原水濁度、沉澱出水濁度、過濾出水濁度、過濾出水顆粒數及混凝加 藥量。原水濁度調整方式為逐漸調升至約800 NTU，維持約1小時後逐漸回復 天然原水濁度，混凝加藥量變化範圍為1 ~ 3 mg/L as Al。測試結果顯示，當