碳中和趋势下数学模拟在污水处理系统中的发展与综合应用
2022-06-29陈治池罗华瑞宋忱馨
陈治池,何 强,蔡 然,罗华瑞,罗 南,宋忱馨,程 鸿*
碳中和趋势下数学模拟在污水处理系统中的发展与综合应用
陈治池1,何 强1,蔡 然2,4,罗华瑞3,罗 南2,宋忱馨4,程 鸿1*
(1.重庆大学三峡库区生态环境教育部重点实验室,重庆 400045；2.北京首创生态环保集团股份有限公司,北京 100000；3.深圳市环水投资集团有限公司,广东 深圳 518031；4.四川水汇生态环境治理有限公司,四川 内江 641000)
数学模拟技术在污水处理方面被广泛应用,为了系统总结相关技术,本文回顾了污水处理系统中数学模拟技术的发展历程;综述了活性污泥模型(ASM)与机器学习(ML)在水质预测及参数工况优化领域中的应用;重点探究了污水处理系统中温室气体排放模型,以及多目标优化模型在污水处理系统中温室气体排放(GHG)、出水质量(EQI)和运行成本(OCI)的权衡问题;归纳了数学模拟技术在实现污水厂能量自给与资源回收的应用发展.研究结果表明数学模拟技术能准确预测出水水质、快速优化工艺参数、权衡温室气体排放、出水水质与运行成本之间的关系、以及提高资源回收效率等.因此，数值模拟技术可有效指导污水处理工艺的运行优化以及管理,为污水处理行业减污降碳协同增效提供技术支撑.
碳中和；活性污泥模型；机器学习；温室气体；多目标优化；资源回收
目前,传统的污水处理厂主要依靠技术人员自身经验来管理,过量曝气和投药的现象普遍存在,这不仅使污水处理厂的管理运行效率变低,更造成能耗药耗的浪费[1],最终增大碳排放量.当今碳减排形势下,污水处理厂在提标改造的过程中必须同时兼顾当前技术水平下的水质提升、运行成本和环境影响.而污水处理中的数学模拟技术是基于生化反应机理和大量运行数据,对污水处理系统的各项指标进行模拟预测及分析的一项技术,已在污水处理厂的设计、提标改造以及运行优化等方面得到广泛应用[2-4].
数学模拟技术正在逐步成为污水处理厂同步实现减污降碳协同增效的重要工具.国际水协自1987年以来陆续推出了4套ASM系列模型,而随着计算机技术的不断发展,一些基于ASM系列模型的污水处理仿真软件也相继被开发出来[5-6].近年来,机器学习在流域水环境以及城市给排水系统的水质预测方面的应用日趋多样化[7].此外,多目标优化算法模型的出现,为污水处理系统的技术、经济及环境指标的量化权衡提供了便利[8].然而,目前尚缺乏数学模拟技术在污水处理方面应用的系统总结.
鉴于此,本文从活性污泥模型的发展到实际应用的角度,梳理了数学模拟在实现污水处理工艺节能降耗及碳减排中发挥的作用和存在的问题.系统总结了以出水质量指标与能耗经济指标预测为核心的数学模拟技术在关键参数工况优化中的应用,对模拟软件的应用、机器学习等诸多方面进行梳理,重点综述了数学模拟技术在温室气体模拟的应用,以及多目标优化思想在研究技术、环境和经济权衡问题中的展现的创新潜力,并分析了应用数学模拟技术对污水处理系统中资源回收进行管理的意义.本研究旨在为碳中和背景下污水处理行业未来的发展与水质、经济和碳减排目标的实现提供理论依据和实践基础.
1 污水处理系统中数学模拟技术
如图1所示,数学模拟技术在污水厂的应用方向主要包括水质预测与管理以及技术优化与运行两个方面.其中Biowin、GPS-X及WEST等主流模拟软件是以逐步发展起来的ASM系列模型为基础,在模型过程及参数组分等方面进行优化和改进,利用构建的仿真模型科学合理地对工艺进行诊断和优化.而利用人工神经网络、支持向量机等机器学习算法可以充分挖掘污水厂运行数据价值[9],以满足污水处理厂的智慧化管理需求.此外,多目标优化模型为权衡讨论出水质量(EQI)、运行成本(OCI)及温室气体排放量(GHG)等指标提供了理论基础[10],而NSGA-Ⅱ等多目标遗传算法的发展对于污水处理系统中的多优化问题求解的稳定性和效率具有重要意义.
图1 数学模拟技术在污水处理中的发展及应用路线
1.1 活性污泥模型的发展
活性污泥模型的发展可以追溯到米门方程和Monod模型的提出,自此之后,一系列描述污水处理过程中微生物生化反应过程的模型被不断地开发和完善.此外,一些以ASM系列模型为内核的模拟软件也被相继推出,为研究以大时滞、多变量及复杂非线性为特点的污水处理过程提供了便利,具体见表1.
表1 活性污泥相关模型与典型模拟软件的发展
续表1
1.2 活性污泥模型的优化与改进
(1)进水组分的测定与优化
作为搭建活性污泥数学模型的第一步,进水组分的分析尤为关键.研究表明,进水组分与城市污水的性质有关,不同的城市排水管道系统、生物预处理方式、经济发展水平、生活习惯都会对其产生影响[27].由于有机物的模拟过程就是以COD的组成成分为基础,本文以ASM2D为例,其COD组分拆解见图2.
COD组分的测定分析方法很多,包括OUR呼吸计量法,缺氧批量NUR法、混凝-过滤法、化学分析法等.不同的COD组分测定难度不一,可采用不同测定方法或者通过取经验值确定.通过总结近年来国内外学者开展COD组分测定方法相关的研究,得到各成分测定方法如表2所示.
值得注意的是,进水组分的测定(如I,A等)还未形成统一的测试方法;此外,某些组分(如X等)的测定过程也相对复杂;因此,尽快建立操作简便、标准化的组分测定方法体系显得尤为重要.
(2)模型过程的优化
虽然ASM系列的四套核心模型能较好地描述污水处理的过程,但在实际应用方面,研究者们为了提高模型的模拟精度,往往在其基础上进行改良以确保模型更贴合污水厂实际情况.目前,ASM系列模型的改进大致可以分为模型的简化与模型过程的增加[35].
图2 COD组分树状图
对于模型的简化,是指通过分析和计算变量参数对系统的敏感性,优化或分类参数,减少模型的复杂程度来提高模型的实用性.在分类参数方面,孙培德等[36]在充分分析活性污泥系统中生物反应机理后将系统中微生物划分为8类菌群,充分考虑微生物间的相互作用建立了全耦合活性污泥模型.在工艺参数方面,Kim等[37]在ASM2的基础上删除了总悬浮固体等不直接参与生化反应的模型组分,精准模拟了SBR工艺中的脱氮除磷过程.此外,Bahar等[38]在ASM1基础上仅保留4种组分,在ASM3的基础上仅保留5种组分,分别简化其反应过程用于模拟污泥消化过程.虽然模型简化可以在不损失模型模拟准确度的前提有效降低工作量,但该简化过程是基于参数敏感性分析,因此需确保敏感性分析和参数筛选的准确性.
表2 COD组分测定方法汇总
对于模型过程的增加,虽然ASM系列模型中的反应过程已比较全面,但在实际运用中还是会出现某些偏差[35],这时往往通过增加模型过程,通过拓展的方式来提高模型的精确度和适应度.Ni等[39]基于ASM3模型应用同步存储和生长的概念建立了两步反硝化模型,同时利用实例对改进模型进行了评价和比较.此外,Man等[40]尝试在ASM3模型中加入了亚硝酸盐等组分,并增加了氨氧化菌和亚硝酸盐氧化菌的生长等过程,拓展后的新模型较准确地模拟了实验室运行的SBR反应器.模型过程的增加无疑会增加模型预测的准确性,但同时应该兼顾项目工作量,应在研究目的范围内权衡参数的数量,高效地提高模型的准确度.
1.3 机器学习
20世纪50年代,Hebb提出了解释学习过程中大脑神经元所发生变化的赫布理论[41],象征着机器学习思想的萌芽,之后出现了大量的机器学习算法.机器学习的本质[42]是找到一个目标函数,使其成为输入变量到输出变量之间的最佳映射:().通俗来讲就是使计算机能够去模拟人类的学习行为,在学习的过程中获取经验技能,不断完善自我性能.
目前国内外研究中水工程领域常用机器算法的流程及原理见图3.线性回归与多项式回归都是基于最小二乘法的拟合模型,属于监督学习的一种,K-最近邻算法适合类域交叉重叠较多的大数据[43];支持向量机在解决时间序列分析、分类问题等问题上表现优异[44];随机森林计算时由每棵树投票或取均值的方式来决定最终结果[45];对于人工神经网络而言,感知机是它的结构单元.为了能够处理高维度的数据而提出了多层感知机[46],而径向基函数神经网络由于其简单的拓扑结构和全局逼近能力,在非线性系统的控制建模上应用广泛[47].循环神经网络主要用于处理序列数据[48],长短期记忆网络是一种特殊的循环神经网络,可以很好的解决循环神经网络存在的长时依赖问题[49].深度神经网络可以理解为有很多隐藏层的神经网络,每一层构成一个非线性信息处理单元[50],与传统的机器学习方法相比具有更大的特征学习和特征表达能力[51].
机器学习可被应用于解决生化工程、材料科学、环境及水科学问题各个方面.例如,Mowbray等[52]回顾了过去20年来机器学习在生物化学工程中的应用;Zhong等[53]总结了机器学习在环境科学与工程领域的四种主要应用类型:预测、提取特征重要性、检测异常值和对化学材料的探索;Huang等[7]全面总结了机器学习在自然和工程水系统中的应用及发展.随着机器学习的迅猛发展,它在评价和预测污水处理厂性能方面的应用也愈加深入,为污水处理厂及时获取水质信息和高效运行管理作出了贡献.
图3 水工程领域常用机器学习算法的流程及原理
1.4 多目标优化
污水处理厂在提标改造的过程中应保证污水处理厂出水质量达标的同时控制运行成本达到提质降耗的目的,此时构成了一个多目标优化问题.多目标优化的定义是使多个目标在给定区域确定一组代表最优解并形成帕累托(pareto)边界的点[54],即考虑个自变量和个目标函数的多目标优化问题(MOP):
①非支配解:多目标优化问题并不存在一个最优解,所有可能的解都称为非支配解,也称为pareto解.
②pareto最优解:在无法在改进任何目标函数的同时不削弱至少一个其他目标函数.这种解称作非支配解或pareto最优解.
即pareto前沿是pareto最优解的集合在目标函数空间上的像.
基于传统数学规化原理的多目标优化模型在实际工程优化问题应用中经常表现出一定的脆弱性.“演化算法”在解决这类优化问题中相比与传统的优化算法显示出了其优越的性能.目前,演化算法可以分为四个主要的研究领域:遗传算法、遗传规划、演化规划和演化策略[56].其中遗传算法是迄今为止演化算法中应用最多、比较成熟、广为人知的算法[57],其本质是一种求解问题的高度并行性全局搜索算法.
图4 决策空间和目标空间之间的关系以及两目标优化问题的解定义
1985年Schaffer提出了向量评估算法[58](VEGA),但该算法在搜索空间非凸时无法求得帕累托最优解.1999年Zitzler等提出了SPEA算法[59],该算法性能优越,但算法过程比较复杂.1995年Srinivas等提出了非支配排序遗传算法NSGA[60], 2002年Deb等提出了带精英策略的非支配排序遗传算法(NSGA-II)[61].NSGA-II的优良性能包括求解的稳定性、解的收敛性和均匀分布性等,因此被国内外学者在求解多目标优化问题时广泛引用.总之针对多目标优化的遗传算法面临的问题主要有两个:一是如何与实际问题更有效的结合,二是算法的效率问题,这也是研究者们未来主要的研究方向.
在“碳中和”的大背景下,越来越多的学者将温室气体(GHG)的排放纳入了污水处理的性能评价范畴,并与出水质量(EQI)、运行成本(OCI)等传统性能评价指标共同构成了污水处理过程的多目标优化问题.即目标函数为EQI、OCI和GHG,此时这类离散且非线性的多目标优化问题[62]可被描述为:
式中:(决策变量)为DO,外回流比,内回流比,排泥量,药剂投加量等污水处理工艺运行参数.
针对不同的实际问题,EQI的定义有着明显差异,例如李宸等[63]将其定义为污染物的出水浓度与排放标准中各污染物限值的比值之和,而在另外一项研究[64]中对每种出水指标赋予了权重,并定义了违规成本作为约束条件;对于OCI而言,一般基于Nopens等[65]提出的方法,即运行成本定义为电能、化学药剂成本与污泥处置成本之和;GHG则一般定义为污水处理系统直接产生的温室气体与电能药耗间接产生的温室气体之和.当然,严格意义上OCI与GHG的核算都应该减去掉资源回收所产生的收益[66].
2 基于数学模拟的水质指标预测
2.1 活性污泥模型在水质指标模拟预测中的应用
准确的预测出水水质有助于污水处理厂及时调整运行策略[67],可利用基于活性污泥模型的仿真软件对污水处理系统进行模拟从而预测出水水质,目前相对误差(REL)、均方误差(RMSE)和西尔不等式系数(TIC)等指标[68]常被用来评价模型拟合的准确度.Vitanza等[69]利用Biowin软件对三个污水厂进行了工艺全流程建模,用相对误差指标分别评价了模型拟合的准确度.
为提高活性污泥模型的适用性,新的水质参数指标不断被开发介入模型中.Hu等[70]将溶解性有机氮(mDON)的产生和消耗纳入了传统的ASM系列模型,并在全流程的实际污水处理厂验证了模型的适用性,为实现污水厂氮控制与成本的有效管理打下了基础.此外,数学模拟技术也逐步应用于非传统的污水处理工艺或反应器.Eldyasti等[71]分别用BioWin和AQUIFAS对中试规模的循环流化床生物反应器(CFBBR)进行了数学模拟,发现BioWin和AQUIFAS都能够预测大部分水质参数,平均百分比误差在20%以下;Dorofeev A等[72]使用BioWin软件对基于厌氧氨氧化工艺进行了数学模拟,探究了温度及溶解氧的最佳运行条件.
尽管活性污泥模型针对不同水质指标或者工艺展现出较为准确的预测,但随着污水处理工艺的发展,工艺类型变得愈加多样与复杂,活性污泥模型在未来应随着污染物去除路径与机理研究的深入,结合目标工艺特征参数的挖掘,提高模型预测出水指标的精度与泛化能力.
2.2 机器学习在水质指标预测中的应用
由于传统活性污泥模型在建模过程中,需要依托各水质指标参数 (如进水组分等),因而,水质参数表征和的准确性制约着模型模拟的效果.同时,由于参数表征需耗费大量时间和人力,活性污泥模型也展现出一定的低效性[73].随着机器学习方法的发展,以数据为驱动的预测模型通过挖掘污水处理厂“数据湖”的内在规律,为模拟复杂的生化过程处理后的出水水质指标提供了另一个途径[74].
各类机器学习算法已被应用于污水处理厂水质指标的预测,其中,人工神经网络(ANN) 已被证明是理解和模拟污水处理厂非线性行为的有效分析工具[75].例如,Hamed等[75]开发了两个基于人工神经网络的模型来预测污水处理厂的出水BOD和SS浓度,为污水厂的运行提供了帮助.此外,支持向量机(SVM)[76]、模糊神经网络(ANFIS)[77]、极限学习机(ELM)[3]等算法也被用来预测污水处理系统的性能.
对算法进行比较和创新可以节省大量时间成本并提高预测精度.Yang等[67]提出了一种自适应动态非线性偏最小二乘(PLS)模型,实验结果表明所提出的模型在预测精度、稳定性和执行效率方面体现了优越性.对于出水氮指标的预测,Bagherzadeh等[78]提出了一种高精度的污水处理厂总氮预测模型,在此项研究中发现选择合适的特征可提高20%预测精度,并且发现使用决策树算法相比人工神经网络算法高出了10%的准确度.而Alejo[79]等认为支持向量机(SVM)在对于出水指标中的氨氮预测方面是优于人工神经网络(ANN) 的.同样地,在预测凯氏氮的浓度方面,Manu等[80]认为可以支持向量机(SVM)算法能够通过有效地设置SVM参数提高预测效率,达到比模糊神经网络(ANFIS)更好的预测效果.此外,Picos等[81]还将人工神经网络(ANN)和遗传算法(GA)相结合以寻找UASB反应器的最佳工况,经验证ANN-GA模型可以帮助UASB反应器达到最佳工况,同时使含盐废水处理的能耗降到最低.
然而,上述研究仅限于水质指标的直观预测,而忽略了微生物指标在污水处理过程中的重要作用.活性污泥系统中的微生物状态与出水质量联系非常紧密,因此在未来的研究中,微生物组学信息作为重要的特征信息与机器学习相结合也许会成为一个新的方向.
3 基于数学模拟的关键工艺参数工况控制及优化
为了满足日益严格的污水排放标准,往往涉及到对生物处理单元的工况进行优化控制以充分发挥污水处理系统的效能.然而,活性污泥系统相当复杂,依靠传统方法对设计工况参数进行优化具有不确定性且低效性[82],因此数学模拟成为了污水处理系统设计升级和管理过程中不可或缺的工具.
3.1 出水质量指标优化
国内外不乏利用成熟的商用仿真软件对参数进行优化的研究.魏忠庆等[83]利用GPS-X对福建某污水处理厂构建了提标工艺模型,在部分指标达到准Ⅳ类地表水水质标准的同时,优化了工艺混合液回流比和污泥回流比,使工艺总体积降低了906m3.污水处理过程中的氮指标优化也相当关键.针对改良AAO工艺运行过程中存在的TN处理效果不稳定问题,周振等[84]利用WEST软件模拟对比了A2/O,倒置A2/O以及AO三种工艺模式下的运行效果,并通过优化回流比的方式显著改善了出水水质.污泥龄(SRT)是控制氮指标的关键因素,Elawwad 等[85]使用BioWin为目标污水处理厂建立了全流程模型,通过不同场景进行模拟,发现在不改变污水处理厂现有规模和工艺的情况下,通过将SRT从2.7d增加到7d,同时延长曝气池的缺氧区,可以轻松实现分别为94%和62.4%的硝化率和反硝化率.
为了比较改良型A2/O和Orbal氧化沟两种工艺,邵袁等[17]利用WEST软件对目标污水处理厂分别构建工艺模型,开展工艺的优化运行研究,提出并实施了工艺的优化运行方案,有效提高了各类污染物的去除效率.鉴于温度是影响污水厂运行的重要因素,柳蒙蒙等[86]针对寒冷地区的城镇污水处理厂,利用GPS-X分别对污泥回流比、反应区体积比、充水比、运行周期和不同水温的CASS运行方案等进行了数值模拟优化,冬季的运行结果表明改造后的CASS工艺出水指标能够稳定达到一级A排放标准.
除了单独应用仿真软件对污水处理系统进行模拟优化,也可以应用试验设计思想耦合模型来指导污水处理厂运营.例如,Cao等[68]筛选并分析了61个参数的灵敏度,对6个关键工艺参数建立二次多项式响应面模型进行优化.结果表明,通过优化生物单元Do和SRT显著提高了工艺的脱氮效能.
3.2 基于数学模拟的能耗与运行成本优化
污水处理厂在污水的收集、处理和排放的过程中需要消耗大量能源[87],且能源的产生过程也是温室气体排放的间接来源之一.能源不仅用于污水处理系统(如反应器、曝气和泵装置的电力消耗),还用于生产和运输处理过程中使用的化学药剂[88].研究表明,污水处理过程中能耗最多可占污水处理厂运行成本的48%[89],因此降低污水处理系统的能耗已经成为污水厂实现可持续发展的最重要的主题之一,也是响应国家碳减排号召的有效途径.
为降低污水处理厂的平均能耗,首先需要分析影响污水处理系统能耗的关键因素.Bagherzadeh等[90]基于2014-2019年收集的数据,研究了水质、水力和气候参数对目标污水处理厂日平均能耗的影响,研究表明污水处理厂的能耗与温度和湿度等天气情况呈正相关,并且总氮等指标对目标污水处理厂的能耗具有显著影响.此外利用控制器对溶解氧和加药量进行优化可为污水处理系统减少大量运行成本,郝二成等[91-92]为探寻保证出水稳定达标的边界运行条件,建立模型对比了不同工艺控制方案,结果显示按氨氮浓度变化设定Do值进行曝气控制、优化除磷药剂的投加浓度的方式实现了节能降耗.
数学模拟技术开始被逐渐应用在不同类型的污水进水类型中.邵袁等[93]基于WEST建立了乡镇生活污水处理厂A2/O模型,通过软件模拟优化了工艺的回流比等参数,使除磷药剂月均使用量较优化前下降56%,全厂用电量由7.1(GW·h)/月降至5.5 (GW·h)/月.数学模拟技术还可对工业废水进行优化,Wu等[94]利用WEST软件对进水成分复杂的工业废水污水厂进行模拟优化,使运行成本从6.2欧元/m3降至5.5欧元/m3.
曝气过程能耗超过污水处理厂总能耗的50%[95-97],因此利用数学模型对曝气过程进行模拟优化可节省大量运行成本.Lizarralde等[98]建立了污水处理厂曝气过程的数学模型,用于研究曝气过程的效率和详细描述不同水相和气相之间的传质过程;Asteriadis等[99]通过使用溶解氧级联控制器对IAFB反应器中的曝气进行模拟,找到了最大氧转移速率水平对应的溶解氧水平条件,避免了系统过度曝气.数据与模型的集成系统是实现污水处理厂自动化控制的基础,Sean等[100]使用GPS-X 进行稳态建模,开发了带监督控制的数据采集(SCADA)系统,发现使用GPS-X模拟优化可节省20%的能耗.此外,Holenda等[101]结合遗传算法(GA)讨论了间歇曝气污水处理厂的曝气优化问题,结果发现与传统的控制策略相比,遗传算法的模型优化策略可使能耗削减10%.不同的运行方式也能造成不同的成本效益.Abbasi等[102]对常规活性污泥法、接触稳定化和分步曝气三种方案分别进行了模拟,使用GPS-X软件计算了维修成本和能耗成本,发现进行接触稳定化式运行具有更高的成本效益.然而,出水水质与能耗削减目标往往互相矛盾,因此多目标优化模型的应用可以为我们选择最适运行工况提供建议,以平衡出水水质与能耗成本.
要想建设智慧化的污水厂,仅靠数学模拟工具对运行成本进行优化是远远不够的,面对水质水量的冲击变化,为了保证时效性,只有对数据进行全面的在线监测并建立数据库,才能对污水厂的运行管理进行及时、高效、准确的指导.
4 基于数学模拟的温室气体模拟及多目标优化研究
与发达国家相比,中国实现“双碳”目标时间更紧、幅度更大.水处理行业排放的温室气体约占人类活动产生的温室气体的3%[103].研究发现,N2O和CH4两种强效温室气体的温室效应分别是CO2的298倍和25倍[104],而污水处理厂作为水处理行业温室气体排放的主要来源,对其产生的CO2、N2O及CH4等温室气体建立模型进行模拟估算具有重大意义.
4.1 污水处理系统中温室气体排放模型
一般来说,污水处理厂主要通过三种机制(图5)排放温室气体,即直接排放、间接内部排放和间接外部排放[105].污水处理厂的直接排放主要与生物过程(如微生物呼吸产生的CO2排放、硝化和反硝化产生的N2O排放以及厌氧消化产生的CH4排放)有关;间接内部排放与污水厂内部的电能或热能的消耗有关;间接外部排放与污水处理厂内与外界的联系(如污水厂所需化学药剂的生产及各类运输产生的温室气体)有关,它们的温室气体排放因子有着明显差异(表3).
对于温室气体排放模型的研究,Ni等[106]基于已知的异养反硝化菌和氨氧化细菌(AOB)产生N2O代谢途径开发了N2O排放的数学模型并首次针对大型污水厂处理厂进行模拟.溶解氧水平是影响N2O的产生的重要因素,Boiocchi等[107]基于BSM2仿真平台对污水处理系统的溶解氧水平进行了在线控制,最大限度地减少了N2O的排放.此外,Huang等[108]建立了针对污水厂内不同排放源的温室气体估算模型,并且评估了溶解氧控制来减少温室气体排放的潜力.
图5 典型污水厂工艺流程温室气体排放主要来源分布
表3 部分污水厂温室气体直接/间接排放因子
尽管近年来已有不少关于温室气体模型的研究,但由于不同类型污水处理工艺中N2O形成排放机制的尚未厘清,且难以收集到足够的温室气体数据支撑模型,导致如今的温室气体模型过于参数化.
4.2 全流程温室气体的评估
在评估污水厂全流程温室气体排放过程方面,Mannina等[117]对研究污水处理过程中温室气体的建模工具进行了总结,提出了污水厂全流程建模可以帮助污水厂减少温室气体排放的理念.Kyung等[118]则开发了一个综合模型来估算污水处理厂的直接和间接温室气体排放量,并使用敏感性分析研究了温室气体排放的潜在变化.此外,Koutsou等[119]首次在欧洲国家范围内估算了希腊污水处理厂的温室气体排放量,提出了确保小型污水处理厂的高效运行,促进资源化利用等建议.这些研究无一例外的强调了对污水厂进行温室气体排放控制的重要性,然而仍缺少环境经济目标下温室气体模型结合具体控制方法的系统总结,这对于可持续化推进污水处理厂碳减排具有重要的意义.
4.3 多目标优化算法的应用与发展
基于遗传算法的多目标优化模型应用于污水处理系统中已取得不少研究成果.陈文亮等[120]构建了多目标优化模型,探究了污水处理厂出水水质与运行成本、反应池体积之间的权衡问题.而为了解决出水水质与能耗之间的权衡问题,周红标等[121]以能耗与出水质量为目标,提出了混合多目标骨干粒子群优化算法,实现了溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制.经过不断的优化创新,如今基于遗传算法的多目标优化在算法层面更加高效,与实际问题的结合也更加紧密.
4.4 碳中和趋势下的多目标优化权衡
在多目标优化算法帮助下,可对温室气体(GHG)排放与出水质量(EQI)、运行成本(OCI)之间进行权衡讨论.首先,研究工艺参数变量的敏感性非常重要,Flores等[122]在评估污水处理厂的控制/运营策略时,把温室气体排放的纳入并制定了评价体系,研究了以下4个变量对EQI、OCI和GHG的影响:(1)曝气池溶解氧水平;(2)初沉池对总悬浮物的去除率;(3)厌氧消化池的温度;(4)厌氧消化上清液的流量.然后,Sweetapple等[123]对EQI、OCI及GHG进行了权衡,研究表明有多种方案可在减少温室气体排放的同时不产生额外的运营成本并保持一定的出水质量.为了对污水处理系统整体性能进行优化,Kim D等[64]在六种优化方案下的仿真结果表明,优化后的系统同时减少了31%的温室气体排放,降低了11%的运行成本,改善了2%的出水质量.Borzooei S等[2]同时考虑了污水处理厂的污水处理和污泥处置模型,通过改变不同的操作参数在提升出水水质的同时节省了高达5000MWh的能耗,并且发现引入高级浓缩和污泥预处理过程对电厂的能量平衡和温室气体平衡有积极的影响.
以上研究表明应用多目标优化可以在不影响污水处理系统整体性能的基础上同步实现环境与经济效益的提升,但目前的研究仍然局限于狭义上的污水处理系统,对于污水处理系统的前端(污水管网)和后端(受纳水体)中温室气体排放对环境的整体影响研究还鲜有涉及.
污水处理行业面临着减污降碳协同增效的任务,针对此问题我们应该重点分析目标污水处理系统中污染物去除与温室气体排放的关联机制,给出协同核算的具体步骤,集成多目标优化进行问题求解.对于污染物去除协同控制温室气体的核算边界、协同机制和核算方法,具体可参考付加锋等[124]建立的方法,包括了协同控制效应和协同程度的计算公式;另一方面,污泥处置及资源化过程也是温室气体核算的难点,要针对不同的污泥处置路径,根据物料平衡对全生命周期内的污泥转化为能源的碳足迹进行分析.从环境效益来看,我国最常见的垃圾处理方式即卫生填埋,在没有对产生的甲烷进行深度处理的情况下,碳排放量达到最大值[125].因此进行多目标优化的过程中,我们应该评估调整污泥处置技术路线对温室气体及能量平衡的影响,并且以热源温度和药剂使用等方面作为决策变量研究碳排放的响应机制.
5 基于数学模拟的资源回收研究
传统意义上的污水处理厂运行主要目的是为了保证一定的出水质量,因此研究重点往往放在有机物和氮磷的去除上.然而随着如今环境资源的日益紧缺,研究模式应从污染物去除逐步转变为资源回收,从数学模型的角度来说,这意味着我们污水厂内的线性模型将转变为更加循环的模型[126].
5.1 数学模拟在能源回收中的应用
对于能量回收来说,甲烷作为污水厂内厌氧消化产生的回收的有机质能源,可以为污水厂提供约25%到50%的能源需求[127-128],该部分能源进行回收可抵消部分污水处理能源消耗,进而减少碳排放[129].因此一些关于厌氧消化的模型被开发出来,Gracia等[130]开发了一种模拟好氧和厌氧操作条件下污泥消化反应器的数学模型,并成功在中温和高温厌氧消化以及自热高温好氧消化的场景下得以验证. Ruffino等[131]分别对44L和240L的反应器下进行了中温消化和高温消化之间的模拟比较,发现在有效的热交换前提下,污水厂的高温消化过程可以回收100～200Nm3/h的天然气.此外,Sakiewicz等[132]使用人工神经网络对污水处理厂中的厌氧消化工艺进行了模拟,经参数敏感性分析表明,与水质指标相比,操作工艺参数对甲烷产量的重要性更高.以上研究都表明,利用数学模拟技术可探寻合适的工况条件使污水厂实现能源自给.
5.2 数学模拟在养分回收中的应用
从污水中回收养分一直是研究的热点.其中磷作为引起自然水体的富营养化问题的主要因素而被广泛关注,然而如今由于磷元素在自然界的短缺,被认为是一种待回收的物质.Shu等[133]认为通过沉淀的方式将磷转化为鸟粪石具有可观的经济价值.研究发现在厌氧消化过程引起的鸟粪石自发沉淀会导致污水厂管道堵塞[134],因此,鸟粪石的回收也极具工程意义.Kazadi等[135]基于BSM2平台建立了污水厂全流程模型,研究发现矿物质沉淀强烈影响厌氧消化池中的成分和整个厂内的污染负荷.通过鸟粪石结晶进行磷回收方案的模拟,降低了43%出水磷指标浓度.为了进行最佳磷管理策略的研究,Lizarralde等[136]基于WEST软件模拟目标污水厂进行了全流程建模,分析了不同的运行方案得出了以下结论:(1)低SRT可以提高鸟粪石的回收率(2)曝气池中固体浓度对于鸟粪石回收的最佳值随温度的变化而变化,且在温度在13～19℃范围内,固体浓度为2000g/m3时最利于鸟粪石的回收,而在较高温度下,鸟粪石回收率在较低固体浓度下达到最大.如今不乏一些从污水中回收养分的新兴技术,但大部分方法从本质上来说还是一种“以能换能”的形式;对于现阶段的资源回收,借助数学模拟工具,厘清污水厂内部可利用的资源分布,再通过调节工况而带来的经济与环境效益往往是出乎意料的.
目前污水与资源的关系仍然是污水处理领域内的新兴问题,数学模拟技术有助于预测不同场景下污水处理系统的能量及资源回收潜力,然而关于能源回用的评估计算涉及到诸多经验参数,要想提高模型预测的准确度需要进行参数的调研及修正.如今的能源和资源回用研究主要聚焦于甲烷及磷元素的回收,建议未来利用数学模型合理开发污水处理系统的其他资源潜力(如氮元素、硫元素、热能等),最大程度实现污水厂能源自给,最大限度的减少温室气体排放,为碳减排作出贡献.
6 结论与展望
6.1 结论
通过回顾数学模拟技术的发展和数学模拟在污水处理系统中的研究与应用,展示并讨论了数学模拟技术在解决污水处理系统中水质预测、工艺参数控制优化、温室气体排放相关的多目标优化问题、以及资源回收等方面问题独特的优越性和存在的问题.
①水质指标的预测方面主要通过以活性污泥系列模型和机器学习方法为载体,对氮磷等相关出水指标进行预测,研究者们往往致力于对模型过程进行增减或者是对机器学习算法进行优化改进,来追求更高的预测准确度和效率.
②数学模拟对污水厂出水质量及能耗控制的关键工艺参数为内回流比、外回流比、曝气池溶解氧和污泥龄等,研究表明对曝气系统建立模型进行模拟研究尤其关键.此外数学模拟技术对于不同的处理污水的类型(城市污水、乡镇污水和工业废水)都有技术和经济上的优化案例.
③数学模拟结合温室气体模型可帮助研究者们制定控制策略来降低生产过程对环境的影响.随着多目标优化模型算法的研究发展,Pareto最优解集的收敛性与多样性得到提高,在温室气体排放(GHG)、出水质量(EQI)与运行成本(OCI)之间的权衡问题上可进行大量研究.利用数学模拟工具可在不同场景对污水处理系统中温室气体减排的潜力进行量化,从而做到减污降碳协同增效.
④资源回收会对污水处理系统产生环境和经济效益产生积极的影响.对于能量回收方面,目前数学模拟技术集中对厌氧消化模型进行了研究,利用模型对消化过程产生的甲烷产量进行优化控制,以满足污水处理厂的部分能源需要.同时全流程建模可以描述污水处理系统内中磷参与的反应过程,填补了磷管理在决策工具和设计方法方面的空缺.利用数学模拟工具对SRT和温度等关键参数的影响进行优化,是提高鸟粪石回收率的重要方法.
6.2 展望
①不同的地区,其进水组分具有不同的特征,针对目标污水处理厂进行数学模拟的时候,应该在前期进行广泛的调研以及监测,提升硬件设施水平,建立适合当地进水组分监测体系,并确保分析方法的准确性和简单性.
②尽管利用数学模拟对温室气体进行模拟具有明显的优势,但目前还是面临着两个问题:一是如今污水厂全流程范围内的温室气体形成与排放机制研究得不够完善,过于参数化,不同水质和不同工艺类型的反应器中N2O形成机制的研究需要加强;二是数据的缺乏,温室气体模型的建立与验证需要大量的监测数据,这意味着需要污水行业具备更加先进的自动化监测和处理数据的能力.
③数据的共享与数据库平台的建立有利于推动污水处理领域中数学模拟技术的发展与升级.但是污水处理领域仍处在传统的阶段,研究者往往很难获得足够的数据支撑他们的模拟研究,因此未来污水处理行业需要在数据开源及共享方面作出更大的努力.
④污水管网中的厌氧环境及污水厂出水的受纳水体同样会排放一定量的温室气体,而污水处理厂作为中间环节,未来的模拟方向应该将三个环节集成并进行大量的场景模拟,来探究三者之间的相互作用及对环境的整体影响.
⑤整合文献中已有的温室气体模型,建立一个利于高效长期统计温室气体信息的集成模型,最终建立一个决策支持系统,并结合技术与经济分析为污水处理厂提供创新性的运营指南.
⑥在推动实现减污降碳协同增效的道路上,未来可借助机器学习深入分析污染物指标与温室气体排放的关联机制,提取特征信息,为相关碳排放核算技术指南、规范的制定提供参考,逐步建立起治污与控碳协调的排放标准;此外,多目标优化应研究不同污泥处置技术路线对碳排放及能量平衡的影响,应对污水处理和污泥处置同步进行全生命周期的碳足迹评估,开发更多与污泥处置路径相关的决策变量.
⑦针对不同类型的进水条件,对污水处理系统能耗评估过程的经验参数进行测定和比较,同时利用数学模型合理开发污水处理系统的其他资源潜力(氮元素、硫元素、热能等).
[1] 彭 玉,王建辉,齐高相,等.活性污泥模型(ASMs)研究进展及其发展前景[J]. 应用化工, 2020,49(5):1288-1292.
Peng Y, Wang J H, Qi G X, et al. Research progress and development prospect of activated sludge models (ASMs) [J]. Applied Chemical Industry, 2020,49(5):1288-1292.
[2] Borzooei S, Campo G, Cerutti A, et al. Optimization of the wastewater treatment plant: From energy saving to environmental impact mitigation [J]. Science of The Total Environment, 2019,691:1182- 1189.
[3] Liu H, Zhang Y, Zhang H. Prediction of effluent quality in papermaking wastewater treatment processes using dynamic kernel- based extreme learning machine [J]. Process Biochemistry, 2020, 97:72-79.
[4] Fernández-Arévalo T, Lizarralde I, Fdz-Polanco F, et al. Quantitative assessment of energy and resource recovery in wastewater treatment plants based on plant-wide simulations [J]. Water Research, 2017, 118:272-288.
[5] 徐承志,操家顺,罗景阳,等.活性污泥数学模型在污水处理中的研究进展[J]. 应用化工, 2021,50(5):1341-1347.
Xu C Z, Cao J S, Luo J Y, et al. Research progress of activated sludge mathematical model in sewage treatment [J]. Applied Chemical Industry, 2021,50(5):1341-1347
[6] 郭亚萍,陈士才,张宇坤,等.ASMs仿真软件在污水处理厂中的应用[J]. 中国给水排水, 2010,26(14):23-25.
Guo Y P, Chen S C, Zhang Y K, et al. Application of ASMS simulation software in sewage treatment plant [J]. China Water& Wastewater, 2010,26(14):23-25
[7] Huang R, Ma C, Ma J, et al. Machine learning in natural and engineered water systems [J]. Water Research, 2021,205:117666.
[8] Sweetapple C, Fu G, Butler D. Multi-objective optimisation of wastewater treatment plant control to reduce greenhouse gas emissions [J]. Water Research, 2014,55:52-62.
[9] Miao S, Zhou C, Alqahtani S A, et al. Applying machine learning in intelligent sewage treatment: A case study of chemical plant in sustainable cities [J]. Sustainable Cities and Society, 2021,72:103009.
[10] Chen W, Dai H, Han T, et al. Mathematical modeling and modification of a cycle operating activated sludge process via the multi-objective optimization method [J]. Journal of Environmental Chemical Engineering, 2020,8(6):104470.
[11] Torres C I, Marcus A K, Parameswaran P, et al. Kinetic experiments for evaluating the Nernst− Monod model for anode-respiring bacteria (ARB) in a biofilm anode [J]. Environmental Science &Technology, 2008,42(17):6593-6597.
[12] Acuna-Askar K, Englande Jr A J, Hu C, et al. Methyl tertiary-butyl ether (MTBE) biodegradation in batch and continuous upflow fixed- biofilm reactors [J]. Water Science and Technology, 2000,42(5/6): 153-161.
[13] McKinney R E. Mathematics of complete-mixing activated sludge [J]. Journal of the Sanitary Engineering Division, 1962,88(3):87-113.
[14] Lawrence A W, McCarty P L. Kinetics of methane fermentation in anaerobic treatment [J]. Water Pollution Control Federation, 1969: R1-R17.
[15] Andrews J F. Dynamic models and control strategies for wastewater treatment processes [J]. Water Research, 1974,8(5):261-289.
[16] James A. Investigations of sewage discharges to some British coastal waters. Chap. 8, Bacterial mortality, Pt. 3 [J]. Marine Pollution Bulletin, 1987,18(6):299-299.
[17] 邵 袁.基于WEST软件模拟的城市污水厂的优化运行研究[D]. 南京:东南大学, 2019.
Shao Y. Research on optimal operation of urban sewage plant based on West software simulation [D]. Nanjing: Southeast University, 2019.
[18] Dold P L, Marais G V R. Evaluation of the general activated sludge model proposed by the IAWPRC task group [J]. Water Science and Technology, 1986,18(6):63-89.
[19] Henze M, Gujer W, Mino T, et al. Wastewater and biomass characterization for the activated sludge model no. 2: biological phosphorus removal [J]. Water Science and Technology, 1995,31(2): 13-23.
[20] Henze M, Gujer W, Mino T, et al. Activated sludge model No.2D, ASM2D [J]. Water Science and Technology, 1999,39(1):165-182.
[21] Gujer W, Henze M, Mino T, et al. Activated sludge model No. 3 [J]. Water Science and Technology, 1999,39(1):183-193.
[22] Goel R, Mino T, Satoh H, et al. Comparison of hydrolytic enzyme systems in pure culture and activated sludge under different electron acceptor conditions [J]. Water Science and Technology, 1998,37(4/5): 335-343.
[23] Nasr M S, Moustafa M A, Seif H A, et al. Modelling and simulation of German BIOGEST/EL-AGAMY wastewater treatment plants-Egypt using GPS-X simulator [J]. Alexandria Engineering Journal, 2011,50 (4):351-357.
[24] Beaupré M, Rieger L, Vanrolleghem P A, et al. Implementation of a dynamic cost calculation module for Avedore WWTP using WEST [J]. Dept. of Industrial Electrical Engineering and Automation Lund University, Québec, 2008.
[25] Lei L, Gharagozian A, Start B, et al. Process alternative comparisons assisted with biowin modeling [J]. Proceedings of the Water Environment Federation, 2006,(9):3274-3289.
[26] Pedersen J. Controlling activated sludge process using EFOR [J]. Water Science and Technology, 1992,26(3/4):783-790.
[27] 袁良松,谢长焕,邓 科.试论ASM水质特性参数测定方法[J]. 能源环境保护, 2007,(5):1-3.
Yuan L S, Xie C H, Deng K. Discussion on the determination method of ASM water quality characteristic parameters [J]. Energy Environmental Protection, 2007,(5):1-3.
[28] Dold P L, Marais G V R, Ekama G A. Procedures for determining influent COD fractions and the maximum specific growth rate of heterotrophs in activated sludge systems [J]. Water Science & Technology, 1986,18(6):91.
[29] Tschui M, Siegrist H. Interpretation of experimental data with regard to the Activated Sludge Model No. 1and calibration of the model for municipal wastewatertreatment plants [J]. Water Science & Technology, 1992,25(6):167.
[30] Henze M. Characterization of wastewater for modelling of activated sludge processes [J]. Water Science & Technology, 1992,25(6):1.
[31] Melcer H. Methods for wastewater characterization in activated sludge modelling: WERF Report (Project 99-WWF-3) [R]. Iwa Publishing, 2004.
[32] 郝二成,周 军,等.活性污泥2号模型中进水COD组分确定方法研究[J]. 给水排水, 2008,34(4):32-36.
Hao E C, Zhou J, et al. Study on determination method of influent cod composition in activated sludge model 2 [J]. Water supply and drainage, 2008,34(4):32-36.
[33] 艾海男,张代均,何 强,等.基于ASM_2的快速易生物降解COD组分表征方法构建[J]. 环境工程学报, 2011,5(9):2005-2008.
Ai H N, Zhang D J, He Q, et al. Based on ASM_ construction of rapid and easily biodegradable COD component characterization method [J]. Journal of environmental engineering, 2011,5(9):2005-2008.
[34] Orhon D, okgr E U. COD fractionation in wastewater characterization—the state of the art [J]. J. Chem. Technol. Biotechnol., 1997,68(3):283-293.
[35] 池春榕,董姗燕,李齐佳,等.活性污泥数学模型研究进展[J]. 有色金属科学与工程, 2017,8(4):111-117.
Chi C R, Dong S Y, Li Q J, et al. Research progress of activated sludge mathematical model [J]. Nonferrous MetalsScience and Engineering, 2017,8(4):111-117.
[36] 孙培德,王如意.全耦合活性污泥模型(FCASM3)Ⅰ:建模机理及数学表征[J]. 环境科学学报, 2008,(12):2404-2419.
Sun P D, Wang R Y. Fully coupled activated sludge model (fcasm3) Ⅰ: modeling mechanism and mathematical characterization [J]. Acta Scientiae Circumstantiae, 2008,(12):2404-2419.
[37] Kim H, Hao O J. SBR system for phosphorus removal: ASM2 and simplified linear Model [J]. Journal of Environmental Engineering, 2001.
[38] Bahar S, Ciggin A S. A simple kinetic modeling approach for aerobic stabilization of real waste activated sludge [J]. Chemical Engineering Journal, 2016,303:194-201.
[39] Ni B J, Yu H Q. An approach for modeling two-step denitrification in activated sludge systems [J]. Chemical Engineering Science, 2008, 63(6):1449-1459.
[40] Man Z, Gong J, Yang C, et al. Simulation of the performance of aerobic granular sludge SBR using modified ASM3 model [J]. Bioresource Technology, 2012,127C:473-481.
[41] Hebb D O. The Organization of behavior; A Neuropsychological Theory [J]. The American Journal of Psychology, 1950,63(4):633.
[42] Mitchell T M. Machine Learning [M]. Machine Learning, 2003.
[43] 耿丽娟,李星毅.用于大数据分类的KNN算法研究[J]. 计算机应用研究, 2014,31(5):1342-1344.
Geng L J, Li X Y. Research on KNN algorithm for big data classification [J] Application Research of Computer, 2014,31(5): 1342-1344.
[44] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011,40(1):2-10.
Ding S F, Qi B J, Tan H Y. Overview of support vector machine theory and algorithm [J] Journal of University of Electronic Science and Technology of China, 2011,40(1):2-10.
[45] Shi T, Horvath S. Unsupervised learning with random forest predictors [J]. Journal of Computational and Graphical Statistics, 2006,15(1): 118-138.
[46] Clark J W. Neural network modeling [J]. Physics in Medicine & Biology, 1991,36(10):1259.
[47] Adeli H, Karim A. Fuzzy-wavelet RBFNN model for freeway incident detection [J]. Journal of transportation Engineering, 2000,126(6): 464-471.
[48] Cho K, Van Merriënboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation [J]. arXiv preprint arXiv:1406.1078, 2014.
[49] Graves A, Schmidhuber J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures [J]. Neural networks, 2005,18(5/6):602-610.
[50] Liu W, Wang Z, Liu X, et al. A survey of deep neural network architectures and their applications [J]. Neurocomputing, 2017, 234:11-26.
[51] 卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J]. 数据采集与处理, 2016,31(1):1-17.
Lu H T, Zhang Q C. Review on the application of deep convolution neural network in computer vision [J] Journal of Data Acquisition & Processing, 2016,31(1):1-17.
[52] Mowbray M, Savage T, Wu C, et al. Machine learning for biochemical engineering: A review [J]. Biochemical Engineering Journal, 2021,172: 108054.
[53] Zhong S, Zhang K, Bagheri M, et al. Machine Learning: New Ideas and Tools in Environmental Science and Engineering [J]. Environmental Science & Technology, 2021,55(19):12741-12754.
[54] 王丽萍,任 宇,邱启仓,等.多目标进化算法性能评价指标研究综述[J]. 计算机学报, 2021,44(8):1590-1619.
Wang L P, Ren Y, Qiu Q C, et al. Review on performance evaluation indexes of multi-objective evolutionary algorithms [J]. Journal of Computer Science, 2021,44(8):1590-1619.
[55] Koopmans T C. An Analysis of Production as an efficient combination of activities [J]. Analysis of Production and Allocation, 1951.
[56] Bhoskar M T, Kulkarni M O K, Kulkarni M N K, et al. Genetic Algorithm and its Applications to Mechanical Engineering: A Review [J]. Materials Today: Proceedings, 2015,2(4):2624-2630.
[57] 李红梅.多目标优化演化算法研究综述[J]. 现代计算机(专业版), 2009,(4):44-46.
Li H M. Review of multi-objective optimization evolutionary algorithm [J]. Modern computer (Professional Edition), 2009,(4):44- 46.
[58] Schaffer J D. Some experiments in machine learning using vector evaluated genetic algorithms [Z]. Vanderbilt Univ., Nashville, TN (USA), 1985.
[59] Zitzler E, Thiele L. Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach [J]. IEEE transactions on Evolutionary Computation, 1999,3(4):257-271.
[60] Srinivas N, Deb K, Roy P K, et al. Comparative study of vector evaluated GA and NSGA applied to multiobjective optimization, 1995 [C]. 1995.
[61] 罗健旭,彭培培,徐 颖,等.污水处理过程的多目标优化[J]. 西安交通大学学报, 2017,51(3):129-135.
Luo J X, Peng P P, Xu Y, et al. Multi objective optimization of sewage treatment process [J]. Journal of Xi'an Jiaotong University, 2017, 51(3):129-135.
[62] Zhang R, Xie W, Yu H, et al. Optimizing municipal wastewater treatment plants using an improved multi-objective optimization method [J]. Bioresource Technology, 2014,157:161-165.
[63] 李 宸.基于多目标优化的污水厂升级改造综合评价和工艺比选[D]. 哈尔滨:哈尔滨工业大学, 2019.
Li C. Comprehensive evaluation and process comparison of sewage plant upgrading based on multi-objective optimization [D]. Harbin: Harbin University of technology,2019.
[64] Kim D, Bowen J D, Ozelkan E C. Optimization of wastewater treatment plant operation for greenhouse gas mitigation [J]. Journal of Environmental Management, 2015,163:39-48.
[65] Nopens, Benedetti, Jeppsson, et al. Benchmark Simulation Model No 2:finalisation of plant layout and default control strategy RID E-1784-2011 [J]. Water Science & Technology, 2010,2010,62(9)(-): 1967-1974.
[66] Chen K, Wang H, Valverde-Pérez B, et al. Optimal control towards sustainable wastewater treatment plants based on multi-agent reinforcement learning [J]. Chemosphere, 2021,279:130498.
[67] Yang C, Zhang Y, Huang M, et al. Adaptive dynamic prediction of effluent quality in wastewater treatment processes using partial least squares embedded with relevance vector machine [J]. Journal of Cleaner Production, 2021,314:128076.
[68] Cao J, Yang E, Xu C, et al. Model-based strategy for nitrogen removal enhancement in full-scale wastewater treatment plants by GPS-X integrated with response surface methodology [J]. Science of The Total Environment, 2021,769:144851.
[69] Vitanza R, Colussi I, Cortesi A, et al. Implementing a respirometry- based model into BioWin software to simulate wastewater treatment plant operations [J]. Journal of Water Process Engineering, 2016,9: 267-275.
[70] Hu H, Liao K, Xie W, et al. Modeling the formation of microorganism-derived dissolved organic nitrogen (mDON) in the activated sludge system [J]. Water Research, 2020,174:115604.
[71] Eldyasti A, Andalib M, Hafez H, et al. Comparative modeling of biological nutrient removal from landfill leachate using a circulating fluidized bed bioreactor (CFBBR) [J]. Journal of Hazardous Materials, 2011,187(1):140-149.
[72] Dorofeev A, Nikolaev Y, Kozlov M, et al. Modeling of anammox process with the biowin software suite [J]. Applied Biochemistry & Microbiology, 2017,53(1):78-84.
[73] Huang Z, Wu R, Yi X, et al. A novel model with GA evolving FWNN for effluent quality and biogas production forecast in a full-scale Anaerobic wastewater treatment process [J]. Complexity, 2019,2468189.
[74] Corominas L, Garrido-Baserba M, Villez K, et al. Transforming data into knowledge for improved wastewater treatment operation: A critical review of techniques [J]. Environmental Modelling &Software, 2018,106:89-103.
[75] Hamed M M, Khalafallah M G, Hassanien E A. Prediction of wastewater treatment plant performance using artificial neural networks [J]. Environmental Modelling & Software, 2004,19(10): 919-928.
[76] Seshan H, Goyal M K, Falk M W, et al. Support vector regression model of wastewater bioreactor performance using microbial community diversity indices: Effect of stress and bioaugmentation [J]. Water Research, 2014,53:282-296.
[77] Perendeci A, Arslan S, Tanyolaç A, et al. Effects of phase vector and history extension on prediction power of adaptive-network based fuzzy inference system (ANFIS) model for a real scale anaerobic wastewater treatment plant operating under unsteady state [J]. Bioresource Technology, 2009,100(20):4579-4587.
[78] Bagherzadeh F, Mehrani M, Basirifard M, et al. Comparative study on total nitrogen prediction in wastewater treatment plant and effect of various feature selection methods on machine learning algorithms performance [J]. Journal of Water Process Engineering, 2021,41: 102033.
[79] Alejo L, Atkinson J, Guzmán-Fierro V, et al. Effluent composition prediction of a two-stage anaerobic digestion process: Machine learning and stoichiometry techniques [J]. Environmental Science and Pollution Research, 2018,25(21):21149-21163.
[80] Manu D S, Thalla A K. Artificial intelligence models for predicting the performance of biological wastewater treatment plant in the removal of Kjeldahl Nitrogen from wastewater [J]. Applied Water Science, 2017,7(7):3783-3791.
[81] Picos-Benítez A R, López-Hincapié J D, Chávez-Ramírez A U, et al. Artificial intelligence based model for optimization of COD removal efficiency of an up-flow anaerobic sludge blanket reactor in the saline wastewater treatment [J]. Water Science and Technology, 2017,75(6): 1351-1361.
[82] Jasim N A. The design for wastewater treatment plant (WWTP) with GPS X modeling [J]. Cogent Engineering, 2020,7(1):1723782.
[83] 魏忠庆,上官海东,叶均磊,等.基于GPS-X模拟的污水处理厂提标工艺优化[J]. 中国给水排水, 2018,34(19):81-84.
Wei Z Q, Shangguan H D, Ye J Li, et al. Optimization of standard raising process of sewage treatment plant based on gps-x simulation [J]. China Water & Wastewater, 2018,34(19):81-84.
[84] 周 振,胡大龙,吴志超,等.基于数学模型的多模式AAO系统运行优化研究[J]. 中国环境科学, 2014,34(7):1734-1739.
Zhou Z, Hu D L, Wu Z C, et al. Research on operation optimization of multi-mode AAO system based on mathematical model [J]. China Environmental Science, 2014,34(7):1734-1739.
[85] Elawwad A, Matta M, Abo-Zaid M, et al. Plant-wide modeling and optimization of a large-scale WWTP using BioWin’s ASDM model [J]. Journal of Water Process Engineering, 2019,31:100819.
[86] 柳蒙蒙,陈梅雪,齐 嵘,等.面向寒冷地区城镇污水处理厂提标改造的ASM模拟优化及其应用[J]. 环境工程学报, 2020,14(4):1119- 1128.
Liu M M, Chen M X, Qi R, et al. ASM simulation optimization and its application for upgrading and reconstruction of urban sewage treatment plants in cold areas [J]. Chinese Journal of Environmental Engineering, 2020,14(4):1119-1128.
[87] Molinos-Senante M, Hanley N, Sala-Garrido R. Measuring the CO2shadow price for wastewater treatment: a directional distance function approach [J]. Applied Energy, 2015,144:241-249.
[88] Longo S, D Antoni B M, Bongards M, et al. Monitoring and diagnosis of energy consumption in wastewater treatment plants. A state of the art and proposals for improvement [J]. Applied Energy, 2016,179: 1251-1268.
[89] Wang S, Zou L, Li H, et al. Full-scale membrane bioreactor process WWTPs in East Taihu basin: Wastewater characteristics, energy consumption and sustainability [J]. Science of The Total Environment, 2020,723:137983.
[90] Bagherzadeh F, Nouri A S, Mehrani M, et al. Prediction of energy consumption and evaluation of affecting factors in a full-scale WWTP using a machine learning approach [J]. Process Safety and Environmental Protection, 2021,154:458-466.
[91] 郝二成,郭 毅,刘伟岩,等.基于数学模拟的污水厂运行分析——建模与体检[J]. 中国给水排水, 2020,36(15):23-28.
Hao E C, Guo Y, Liu W Y, et al. Operation analysis of sewage plant based on mathematical simulation--modeling and physical examination [J]. China Water & Wastewater, 2020,36(15):23-28.
[92] 郝二成,郭 毅,刘伟岩,等.基于数学模拟的污水厂运行分析——控制与优化[J]. 中国给水排水, 2020,36(17):23-29.
Hao E C, Guo Y, Liu W Y, et al. Operation analysis of sewage plant based on mathematical simulation - control and optimization [J]. China Water & Wastewater, 2020,36(17):23-29.
[93] 邵 袁,王华成,覃榴滨,等.乡镇污水处理厂仿真模拟及优化运行研究[J]. 水处理技术, 2020,46(9):90-97.
Shao Y, Wang H C, Qin L B, et al. Study on Simulation and optimal operation of township sewage treatment plants [J]. Technology of Water Treatment, 2020,46(9):90-97.
[94] Wu X, Yang Y, Wu G, et al. Simulation and optimization of a coking wastewater biological treatment process by activated sludge models (ASM) [J]. Journal of Environmental Management, 2016,165:235- 242.
[95] Rosso D, Stenstrom M K. Comparative economic analysis of the impacts of mean cell retention time and denitrification on aeration systems [J]. Water Research, 2005,39(16):3773-3780.
[96] Water E F U. Energy conservation in water and wastewater facilities [M]. New York: WEF Press, 2009.
[97] Olsson G. Water and energy: threats and opportunities [M]. London: IWA publishing, 2015.
[98] Lizarralde I, Fernández-Arévalo T, Beltrán S, et al. Validation of a multi-phase plant-wide model for the description of the aeration process in a WWTP [J]. Water Research, 2018,129:305-318.
[99] Asteriadis I, Azis K, Ntougias S, et al. A control strategy for an intermittently aerated and fed bioreactor to reduce aeration costs: A simulation study [J]. Biochemical Engineering Journal, 2021,173: 108081.
[100] Sean W, Chu Y, Mallu L L, et al. Energy consumption analysis in wastewater treatment plants using simulation and SCADA system: Case study in northern Taiwan [J]. Journal of Cleaner Production, 2020,276:124248.
[101] Holenda B, Domokos E, Rédey A, et al. Aeration optimization of a wastewater treatment plant using genetic algorithm [J]. Optimal Control Applications and Methods, 2007,28(3):191-208.
[102] Abbasi N, Ahmadi M, Naseri M. Quality and cost analysis of a wastewater treatment plant using GPS-X and CapdetWorks simulation programs [J]. Journal of Environmental Management, 2021,284: 111993.
[103] Rothausen S G, Conway D. Greenhouse-gas emissions from energy use in the water sector [J]. Nature Climate Change, 2011,1(4):210- 219.
[104] Edenhofer O. Climate change 2014: mitigation of climate change [M]. Cambridge University Press, 2015.
[105] Protocol G R. Accurate, transparent, and consistent measurement of greenhouse gases across North America Version 1.1 [Z]. May, 2008.
[106] Ni B, Ye L, Law Y, et al. Mathematical modeling of nitrous oxide (N2O) emissions from full-scale wastewater treatment plants [J]. Environmental Science & Technology, 2013,47(14):7795-7803.
[107] Boiocchi R, Gernaey K V, Sin G. A novel fuzzy-logic control strategy minimizing N2O emissions [J]. Water Research, 2017,123:479-494.
[108] Huang F, Shen W, Zhang X, et al. Impacts of dissolved oxygen control on different greenhouse gas emission sources in wastewater treatment process [J]. Journal of Cleaner Production, 2020,274:123233.
[109] Wang H, Yang Y, Keller A A, et al. Comparative analysis of energy intensity and carbon emissions in wastewater treatment in USA, Germany, China and South Africa [J]. Applied Energy, 2016,184:873- 881.
[110] Bani Shahabadi M, Yerushalmi L, Haghighat F. Impact of process design on greenhouse gas (GHG) generation by wastewater treatment plants [J]. Water Research, 2009,43(10):2679-2687.
[111] Carr M. Reducing greenhouse gas emissions industrial biotechnology and biorefining, 2007 [C]. 2007.
[112] Parravicini V, Svardal K, Krampe J. Greenhouse gas emissions from wastewater treatment plants [J]. Energy Procedia, 2016,97:246-253.
[113] Fan Y, Bai Y, Jiao W. Estimation of GHG Emissions from Water Reclamation Plants in Beijing [J]. Water Environment Research, 2016,88(9):795-802.
[114] de Haas D, Foley J, Barr K. Greenhouse gas inventories from WWTPs–the trade-off with nutrient removal[J]. Proceedings of the Water Environment Federation, 2008,2008(6):264-285.
[115] Zhang Z, Wang B. Research on the life-cycle CO2emission of China's construction sector [J]. Energy and Buildings, 2016,112:244-255.
[116] Nep O, Iea I. The IPCC Guidelines for National Greenhouse Gas Inventories. IPCC [R]. 2006.
[117] Mannina G, Ekama G, Caniani D, et al. Greenhouse gases from wastewater treatment — A review of modelling tools [J]. Science of The Total Environment, 2016,551-552:254-270.
[118] Kyung D, Kim M, Chang J, et al. Estimation of greenhouse gas emissions from a hybrid wastewater treatment plant [J]. Journal of Cleaner Production, 2015,95:117-123.
[119] Koutsou O P, Gatidou G, Stasinakis A S. Domestic wastewater management in Greece: Greenhouse gas emissions estimation at country scale [J]. Journal of Cleaner Production, 2018,188:851-859.
[120] 陈文亮,姚重华,吕锡武.活性污泥工艺的多目标优化分析[J]. 环境科学学报, 2013,33(7):1918-1925.
Chen W L, Yao C H, Lv X W. Multi objective optimization analysis of activated sludge process [J]. Acta Scientiae Circumstantiae, 2013, 33(7):1918-1925.
[121] 周红标,乔俊飞.混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用[J]. 化工学报, 2017,68(9):3511-3521.
Zhou H B, Qiao J F. Application of hybrid multi-objective backbone particle swarm optimization algorithm in optimal control of sewage treatment process [J]. CIESC Journal, 2017,68(9):3511-3521.
[122] Flores-Alsina X, Arnell M, Amerlinck Y, et al. Balancing effluent quality, economic cost and greenhouse gas emissions during the evaluation of (plant-wide) control/operational strategies in WWTPs [J]. Science of The Total Environment, 2014,466-467:616-624.
[123] Sweetapple C, Fu G, Butler D. Multi-objective optimisation of wastewater treatment plant control to reduce greenhouse gas emissions [J]. Water Research, 2014,55:52-62.
[124] 付加锋,冯相昭,高庆先,等.城镇污水处理厂污染物去除协同控制温室气体核算方法与案例研究[J]. 环境科学研究, 2021, 34 (9):2086-2093.
Fu J F, Feng X Z, Gao Q X, et al. Accounting method and case study of greenhouse gas in collaborative control of pollutant removal in urban sewage treatment plant [J] Researchof Environmental Science, 2021,V.34;No.284(9):2086-2093.
[125] Guo Q, Dai X. Analysis on carbon dioxide emission reduction during the anaerobic synergetic digestion technology of sludge and kitchen waste: Taking kitchen waste synergetic digestion project in Zhenjiang as an example [J]. Waste Management, 2017,69:360-364.
[126] Diaz-Elsayed N, Rezaei N, Guo T, et al. Wastewater-based resource recovery technologies across scale: A review [J]. Resources, Conservation and Recycling, 2019,145:94-112.
[127] Crawford G. Energy Efficiency in Wastewater treatment in North America: a compendium of best practices and case studies of novel approaches: WERF Report OWSO4R07e (WERF Report S) [M]. IWA Publishing, 2011.
[128] Puchongkawarin C, Gomez-Mont C, Stuckey D C, et al. Optimization-based methodology for the development of wastewater facilities for energy and nutrient recovery [J]. Chemosphere, 2015, 140:150-158.
[129] Manyuchi M M, Mbohwa C, Muzenda E. Anaerobic treatment of opaque beer wastewater with enhanced biogas recovery through Acti-zyme bio augmentation [J]. South African Journal of Chemical Engineering, 2018,26:74-79.
[130] de Gracia M, Grau P, Huete E, et al. New generic mathematical model for WWTP sludge digesters operating under aerobic and anaerobic conditions: Model building and experimental verification [J]. Water Research, 2009,43(18):4626-4642.
[131] Ruffino B, Cerutti A, Campo G, et al. Thermophilic vs. mesophilic anaerobic digestion of waste activated sludge: Modelling and energy balance for its applicability at a full scale WWTP [J]. Renewable Energy, 2020,156:235-248.
[132] Sakiewicz P, Piotrowski K, Ober J, et al. Innovative artificial neural network approach for integrated biogas - wastewater treatment system modelling: Effect of plant operating parameters on process intensification [J]. Renewable and Sustainable Energy Reviews, 2020, 124:109784.
[133] Shu L, Schneider P, Jegatheesan V, et al. An economic evaluation of phosphorus recovery as struvite from digester supernatant [J]. Bioresource Technology, 2006,97(17):2211-2216.
[134] Fattah K P. Assessing struvite formation potential at wastewater treatment plants [J]. International Journal of Environmental Science and Development, 2012,3(6):548.
[135] Kazadi Mbamba C, Flores-Alsina X, John Batstone D, et al. Validation of a plant-wide phosphorus modelling approach with minerals precipitation in a full-scale WWTP [J]. Water Research, 2016,100:169-183.
[136] Lizarralde I, Fernández-Arévalo T, Manas A, et al. Model-based opti mization of phosphorus management strategies in Sur WWTP, Madrid [J]. Water Research, 2019,153:39-52.
Development and comprehensive application of mathematical simulation in sewage treatment system under the trend of carbon neutralization.
CHEN Zhi-chi1, HE Qiang1, CAI Ran2,4, LUO Hua-rui3, LUO Nan2, SONG Chen-xin4, CHENG Hong1*
(1.Key Laboratory of the Three Gorges Reservoir Region's Eco-Environment, State Ministry of Education, Chongqing University, Chongqing 400045, China；2.Beijing Capital Eco-Environment Protection Group Co., Ltd., Beijing 10000, China；3.Shenzhen Huanshui Investent Group Co., Ltd, Shenzhen 518031, China；4.Sichuan Shuihui Ecological Environment Management Co., Ltd, Neijiang 641000, China)., 202242(6)：2587～2602
Mathematical simulation technology (MST) has been widely applied in wastewater treatment, therefore, in order to systematically summarize these related technologies, this study reviewed the development of MST in sewage treatment system, and the application of activated sludge model (ASM) and machine learning (ML) in water quality prediction and parameter optimization; In addition, this paper mainly discussed the models of greenhouse gas emission in sewage treatment system, and the trade-off of multi-objective optimization model in sewage treatment system with the objectives of greenhouse gas emission (GHG), effluent quality (EQI) and operating cost (OCI). Furthermore, this paper also summarized the development of MST to achieve the energy self-sufficiency and resource recovery of sewage plant. The results from this study showed that MST can accurately predict the effluent quality, quickly optimize the process parameters, weigh the relationship among greenhouse gas emission, effluent quality and the operation cost, and improve the resource recovery efficiency. Overall, MST can effectively guide the operation optimization and management of sewage treatment process, and ultimately provide technical supports for the synergy of pollution reduction and carbon reduction in sewage treatment industry.
carbon neutralization；activated sludge model；machine learning；greenhouse gases；multi-objective optimization；resource recovery
X703
A
1000-6923(2022)06-2587-16
陈治池(1997-),男,重庆潼南人,重庆大学硕士研究生,主要从事水污染控制,机器学习,污水工艺数值模拟优化.
2021-11-22
重庆市技术创新与应用发展专项(cstc2019jscx-tjsbX0002);住房和城乡建设部科学技术计划项目(2020-R-027);企业自主研发课题“基于数字化手段的流域水环境综合治理系统研究1.0”
* 责任作者, 讲师, hong.cheng@cqu.edu.cn
