孙红松,杨朝晖,曾光明,刘水清,徐峥勇,邓久华,季丽丽,陈 颖 (湖南大学环境科学与工程学院,环境生物与控制教育部重点实验室,湖南 长沙 410082)

序批式生物膜反应器(SBBR)兼具生物膜反应器和SBR反应器的优点,生物量多,剩余污泥量少,周期性的供氧丰富了系统中的微生物种类,提高了系统对水质水量的应变能力[1].人工快速渗滤系统(CRI)水力负荷高,系统单位面积处理能力强[2-3],对COD及氨氮有很好的去除效果.将两工艺结合用于处理生活污水,不仅可以降低各工段的有机负荷,而且能够有效的去除污水中的COD和氮磷.SBBR-CRI工艺采用间歇式运行,有机负荷高,抗冲击负荷能力强,适用于处理城镇居民小区和农村生活污水.

人工神经网络是由大量的称为神经处理单元的自律要素以及这些自律要素相互作用形成的[4-6].它力图模拟人脑的一些基本特征,如自适性、自组织性、容错性等,已在生物传感器检测有机物、污水处理等领域[7-9]得到广泛应用.

本研究采用 SBBR-CRI工艺处理生活污水,通过调控不同的影响因素(进水 NH4+-N、进水COD、进水TP、DO、淹没时间/落干时间(湿干比)、曝气时间/停曝时间(曝停比)),得到不同的处理效果.针对反应器运行期间得到的数据,建立ANN预测模型,以确定最优反应条件.实验利用ANN预测SBBR-CRI处理模拟生活污水的能力,为SBBRCRI处理实际生活污水并应用于实际奠定理论基础;同时,由于ANN的学习能力和非线性逼近能力,可用于不同水质水量运行系统的建模,为复杂的非线性映射系统的建模与SBBR- CRI等污水处理工艺在线监控的实现提供了一条可行的途径.

1 材料与方法

1.1 实验装置

图1 SBBR-CRI装置Fig.1 Schematic diagram of the SBBR-CRI

实验采用的SBBR-CRI工艺装置由一个SBBR装置和一个CRI快渗装置组成,SBBR反应装置有效容积为6L,内部填充软性填料,填充比为30%左右,工作容积为4L,底部配备微孔曝气头,曝气量通过转子流量计进行控制,温度通过加热装置实时控制(30±2)℃.CRI快渗装置工作容积为6L,内部填料层由下至上为承托层、粗砂与细砂混合层、天然斜发沸石层.实验装置见图1.

1.2 模拟生活污水

葡萄糖0.1700g,可溶性淀粉0.1600g,CH3COONa 0.2330g, NH4Cl 0.0255g,蛋白胨0.1580g,牛肉膏0.0400g, (NH4)2SO40.4149g, KH2PO30.0700g,Na2CO30.060g,自来水1L,调节pH=8.0.

1.3 实验方法

将新鲜污泥沉淀且排出上清液后加入到悬挂填料的反应器内,同时加入原水连续闷曝2d.闷曝结束后,利用实验配水驯化生物膜,大约持续30d之后,生物膜逐渐成熟,颜色呈黄褐色,镜检能观察到菌胶团、丝状菌和轮虫等,同时获得较稳定的出水水质.

采用3组反应装置进行实验,分别在6种参数组合下处理生活污水,SBBR每个实验周期为12h,单周期采用瞬时进水-好氧-缺氧-排水的运行方式.其中好氧段与缺氧段的时间比根据各自运行条件的不同进行分配,CRI周期为12h,通过控制布水器的水流速度来调控CRI的湿干比.工艺参数的具体数值确定如下.1#装置 SBBR反应器的DO1.5mg/L,前半阶段曝停比为2/1,后半阶段为3/1,CRI快渗装置的湿干比为1:2;2#装置的SBBR反应器的DO2.0mg/L,前半阶段曝停比为2/2,后半阶段为2/1,CRI快渗装置的湿干比为1:3;3#装置的SBBR反应器DO2.5mg/L,前半阶段曝停比为2/2,后半阶段为3/1,CRI快渗装置的湿干比为1:4.

各反应装置的进水参数均作为ANN的输入变量,3组装置在不同的进水条件下进行平行对比实验,故其进水量不同, 1#,2#,3#装置稳定运行后的进水量分别为2.0,2.2,2.4L.

1.4 分析项目及检测方法

COD采用重铬酸钾滴定法测定;BOD5采用稀释接种法测定;NH4+-N采用纳氏试剂光度法测定;TN采用过硫酸钾紫外分光光度法测定;TP采用钼锑钪分光光度法测定;DO采用溶解氧测定仪测定;pH值采用pH测定仪(德国Sartorius普及型pH计)测定.

2 神经网络模型

2.1 BP神经网络原理与算法

误差反向传播网络[10-11]是目前使用广泛、较为成熟的一种人工神经网络,故本研究采用BP算法.BP网络一般由输入层、输出层和隐含层组成.学习过程分为正向传播和反向传播两部分,输入信号从输入层经过隐含层,然后传到输出层,每一层神经元的状态只能影响到下一层神经元网络.如果实际输出与期望输出之间有误差,那么误差信号将通过传播通路反向折回,通过修改各层神经元的权值和阀值,逐层向输入层传播进行计算再经过正向传播,如此反复进行,使得误差达到期望的要求时,学习过程结束.

2.2 模拟仿真样本数据

工艺稳定运行后,取中间连续运行的12d的数据作为仿真模拟样本数据(表1).

表1 实验样本组数据(mg/L)Table 1 The sample data of experiment(mg/L)

2.3 网络的拓扑关系

BP神经网络一般具有一个或多个隐含层,隐含层通常采用对数或正切Sigmoid传递函数,而输出层神经元则采用线性传递函数.一般认为,增加隐层数可以降低网络误差,提高精度,但也使网络复杂化,从而增加了网络的训练时间和出现过拟合的倾向.一般 BP神经网络的输入变量为待分析系统的内生变量(影响因子或自变量数),输出变量即为系统待分析的外生变量(系统性能指标或因变量),可以是一个,也可以是多个.当一个信号传送给输入层后,经中间层向输出层传播,在输出层的各指标获得输入响应.随后按照减少目标输出与实际输出之间误差的方向,从输出层反向经过各中间层回到输入层,逐层修正各连接权重.本文采用3层(6-n-4)结构的神经网络,输入层包括6个控制因素,即DO、曝停比、渗滤系统湿干比、进水NH4+-N浓度、进水COD浓度和进水TP浓度.输出层包括出水NH4+-N浓度、出水TN浓度、出水COD浓度和出水TP浓度4个输出向量.n为隐含层节点数.

2.4 最优运行参数的确定

网络运行的主要参数包括动量因子、学习率和学习次数.一般情况下,绝对平均误差率[12-13]和均方根误差[14]可用来评价网络性能.

式中:yk为实际输出值;yˆk为网络预测输出值;n为样本数据组数.

在网络运行参数中,动量常数和学习率的取值直接影响到网络的收敛速度.为提高学习速度,应采用大的学习率.但学习率太大却可能导致在稳定点附近振荡,乃至不收敛.针对具体的网络结构模型和学习样本,都存在一个最佳的学习率lr和动量因子mc,它们的取值范围一般在0～1之间,视实际情况而定.在MATLAB中通过对不同的lr和mc的取值进行仿真模拟,确定本文神经网络模型的参数为:lr＝0.13,mc＝0.6.学习次数是评价网络学习效率的一项指标,通过调控网络的训练次数,得出不同训练次数下的训练精度和误差取值,选取训练精度最佳和误差最小下的次数作为最佳训练次数,本文最佳训练次数为6000次.

3 结果与讨论

3.1 工艺运行效果

由图2可见,3个装置对NH4+-N和COD的去除率均较高,NH4+-N去除率在98%左右,COD去除率在93%～97%之间波动.3个装置对TN和TP的去除率差距较大,1#装置对TN和TP的去除率较高,TN平均去除率在90%左右,TP去除率在86%左右,2#和3#装置对TN和TP的去除率相对较差.

图2 SBBR-CRI工艺对NH4+-N、TN、COD和TP的去除率Fig.2 NH4+-N、TN、COD and TP removal efficiency of SBBR-CRI

3.2 BP神经网络仿真结果

经过优化,得出最佳运行参数:隐含层节点数为7,动量因子为0.6,初始学习率为0.13,训练次数为6000次,随机取表1中的6组数据作为验证样本组,其余30组数据作为训练样本组,对样本数据进行自适应学习仿真,仿真结果见表2.由表2可见,在第29组仿真分析中,TP的相对误差最小,为0.68%,仿真结果较好.在第14组的仿真分析中,TP的相对误差最大,为13.86%.在 6组因素的全部仿真数据中,NH4+-N、TN、COD和TP的绝对平均误差率分别为7.29%、6.81%、6.59%和6.13%,可以看出,BP神经网络对整个工艺系统有很好的仿真预测能力.

表2 人工神经网络NH4+-N、TN、COD、TP仿真结果Table2 Simulation results of artificial neural network of NH4+-N,TN,COD and TP

3.3 权重分析

权重是表征各因素在整个工艺系统中所具有的重要程度,是影响神经网络训练结果的重要因素.通过BP神经网络程序经训练得出连接权值,根据式(3)[15]分析各输入因素对输出因素的重要程度.

式中:Inputx为输入层的权重值; HiddenX为输入层与隐节点间的连接权值; HiddenY为输出层与隐节点间的连接权值.

图3 进水影响因素对出水参数的权重大小Fig.3 The weights of the effect factors on the effluent parameters

由图3可见,对于出水 NH4+-N和TN,进水NH4+-N浓度对2者的权重贡献最大.这是因为游离氨(FA)对氨氧化细菌(AOB)和亚硝化细菌(NOB)均有较强的抑制作用,AOB以FA为基质进行氨氧化反应,当FA浓度达0.1～1.0mg/L,就会对AOB和NOB产生抑制作用,从而抑制硝化反应的进行[16-18],影响了 NH4+-N 的转化率.由 FA浓度计算公式得知,FA浓度与进水NH4+-N浓度成正比,所以进水NH4+-N浓度对出水NH4+-N和TN影响较大.在对 COD浓度的仿真模拟预测中,DO是影响出水COD的最主要的因素,微生物降解有机物使得废水中COD降低,DO作为好氧微生物的最终电子受体[19]对生物膜有一定的冲刷,微生物在不同的DO下对有机物的降解速度不同,所以DO在出水COD的权重分析中占主要影响.TP的权重分析中,进水 TP浓度权重最大,在生物膜中,虽然聚磷菌通过好氧吸磷和厌氧释磷将磷去除,但由于进水 TP浓度变化较大,聚磷菌聚磷能力有限,所以,出水TP浓度变化也较大.

在出水各参数中,出水 TN受渗滤系统湿干比影响最大,这是由于湿干比与渗滤系统的复氧效果成负相关性,而硝化细菌是好氧性细菌,其生长代谢离不开氧气,同时反硝化细菌的反硝化作用需要厌氧环境,湿干比的不同为渗滤系统提供了交替的好氧/厌氧环境,对TN的去除有重要作用.渗滤系统对TN有较好的去除效果,第一是由于湿干比的不同为微生物提供了交替的好氧/厌氧环境,有利于NH4+-N、NO3--N和NO2--N的转化去除.第二是由于渗滤系统介质有部分的天然斜发沸石,对NH4+-N有很好的吸附效果.

4 结论

4.1 SBBR-CRI工艺对分散式生活污水处理效果较好.在最优条件下,对NH4+-N、TN、COD和TP的去除率均可达到98%、85%、94%和85%以上.

4.2 在对样本数据的仿真模拟中,人工神经网络有较好的泛化能力,整个测试样本绝对平均误差率保持在7.5%之内,均方根误差最大也只有0.082,对整个工艺有很好的仿真预测能力.

4.3 人工神经网络模型通过非线性映射识别输入与输出的关系,具有良好的非线性逼近能力.在SBBR-CRI工艺中,针对不同的影响因素(DO、湿干比、曝停比、进水COD、进水NH4+-N、进水TP),根据各因素之间的非线性关系,确定动态网络模型.

[1]Chiou Renjie, Yang Yirong. An evaluation of the Phosphorus storage capacity of an anaerobic/aerobic sequential batch biofilm reactor [J]. Bioresource Technology, 2008,99:4408-4413.

[2]何江涛,钟佐燊,汤鸣皋,等.人工构建快速渗滤污水处理系统的试验 [J]. 中国环境科学, 2002,22(3):239-243.

[3]马鸣超,姜 昕,李 俊,等.人工快速渗滤系统中硝化菌群脱氮作用解析 [J]. 中国环境科学, 2008,28(4):350-354.

[4]扬建刚.人工神经网络实用教程 [M]. 杭州:浙江大学出版社,2002:28-63.

[5]闻 新,周 露.MATLAB 神经网络应用设计 [M]. 北京:科学出版社, 2003:207-271.

[6]Patel S U, Jeevan Kumar B, Badhe Y P, et al. Estimation of gross calorific value of coals using artificianeural networks [J]. Fuel,2007,86(3):334-344.

[7]Mjalli F S, Al-Asheh S, Alfadala H E. Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance [J]. Journal of Environment Management, 2007,83:329-338.

[8]蔡博峰,穆 彬,方 皓.基于自组织神经网络的生态敏感性分区——以北京市房山区为例 [J]. 中国环境科学, 2008,28(4):375-379.

[9]Hamed M, Khalafallah M G, Hassanein E A. Prediction of wastewater treatment plant performance using artificial neural network [J]. Environmental Modeling and Software, 2004,19:919-928.

[10]Lee Tsung-Lin. Back-propagation neural network for the prediction of the short-term storm surge in Taichung harbor,Taiwan [J]. Engineering Applications of Artificial Intelligence,2008,21:63-72.

[11]Zeng Jun, Guo Huafang, Hu Yueming. Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission [J]. Journal of Environmental Science, 2007,19:427-431.

[12]曹 明,杨朝晖,曾光明,等.基于ANN的SBBR短程硝化过程仿真研究 [J]. 中国环境科学, 2008,28(8):694-698.

[13]张玉超,钱 新,钱 瑜,等.支持向量机在太湖叶绿素 a非线性反演中的应用 [J]. 中国环境科学, 2009,29(1):78-83.

[14]Lee Tsong-Lin. Back-propagation neural network for long-term tidal predictions [J]. Ocean Engineering, 2004,31:225-238.

[15]Olden J D, Joy M K, Death R G. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data [J]. Ecological Modelling, 2004,178(3):389-397.

[16]支霞辉,王 霞,李 朋,等.污水短程脱氮工艺中亚硝酸盐积累的影响因素 [J]. 中国环境科学, 2009,29(5):486-492.

[17]Edgardo M, Fabricio R. Kinetic modeling of inhibition of ammo-nia oxidation by nitrite under low dissolved oxygen conditions [J]. Journal of Environmental Engineering, 2008,134(3):184-190.

[18]许 朕,杨朝晖,曾光明,等.供氧充足环境下 SBBR 实现短程硝化的控制研究 [J]. 环境科学, 2008,29(7):1860-1866.

[19]周群英,高廷耀.环境工程微生物学 [M]. 2版.北京:高等教育出版社, 2000:122-128.