广西师范大学学报（自然科学版） ›› 2022, Vol. 40 ›› Issue (6): 173-184.doi: 10.16088/j.issn.1001-6600.2021092302

• 研究论文 • 上一篇    下一篇

两种算法用于预测A2/O工艺脱氮条件

肖飞1,2, 康增彦3, 王维红1*   

  1. 1.新疆农业大学水利与土木工程学院,新疆乌鲁木齐830052
    2.塔里木大学水利与建筑工程学院,新疆阿拉尔843300;
    3.中建三局安装工程有限公司,湖北武汉430079
  • 收稿日期:2021-09-23 修回日期:2021-11-29 出版日期:2022-11-25 发布日期:2023-01-17
  • 通讯作者: 王维红(1967—),女,新疆奇台人,新疆农业大学教授。E-mail:2209319288@qq.com
  • 基金资助:
    国家自然科学基金(51968071)

Two Algorithms for Prognosis of DenitrificationConditions of A2/O Technology

XIAO Fei1,2, KANG Zengyan3, WANG Weihong1*   

  1. 1. College of Water Conservancy and Civil Engineering, Xinjiang Agricultural University, Urumqi Xinjiang 830052, China;
    2. College of Water Resources and Architectural Engineering, Tarim University, Aral Xinjiang 843300, China;
    3. China Constrution Third Bureau Installation Engineering Co., Ltd, Wuhan Hubei 430079, China
  • Received:2021-09-23 Revised:2021-11-29 Online:2022-11-25 Published:2023-01-17

PDF (PC)

28

摘要： 随着城市化的快速发展,水污染日益严重,城市污水处理厂受纳水体类型变得越来越复杂,造成污水处理厂排水水质不达标。以新疆乌鲁木齐市头屯河污水处理厂A2/O工艺为研究对象,在单因素试验的基础上,采用Box-Behnken响应面法结合BP神经网络(RSM-BP)和遗传算法-ANN神经网络(GA-NN)2种方式对A2/O工艺的脱氮条件进行优化和预测。结果表明:影响TN去除率的因素大小为有机负荷(F/M)大于碳氮比(C/N)大于碳磷比(C/P),RSM-BP优化的最佳工艺条件为C/N=8.95、C/P=72.01和F/M=0.088 d-1,TN去除率预测值为79.12%,验证值为77.36%,相对误差值为2.275%;GA-NN优化的最佳工艺条件为C/N=9.00、C/P=72.15和F/M=0.09 d-1,TN去除率预测值为79.25%,验证值为78.71%,相对误差值为0.686%。GA-NN预测的TN去除率较高,误差更小,表明GA-NN算法在A2/O工艺的应用是有效的,同时可为污水处理厂运行提供理论指导。

关键词: A2/O工艺, 响应面法, 遗传算法, 神经网络, 总氮

Abstract: With the rapid development of urbanization, water pollution is becoming more serious, while the types of receiving water bodies in urban wastewater treatment plants are becoming increasingly complex, resulting in substandard drainage water quality of wastewater treatment plants. In this paper, the A2/O process of Toutunhe wastewater treatment plant in Urumqi, Xinjiang is taken as the research object. Based on the single-factor test, the Box-Behnken response surface method is used, combined with both BP neural network (RSM-BP) and genetic algorithm-ANN neural network (GA-NN), so as to optimize and predict the nitrogen removal conditions of the A2/O process. The results showed that the factors affecting the TN removal rate were organic load (F/M) > carbon-nitrogen ratio (C/N) > carbon-phosphorus ratio (C/P), while the optimal process conditions optimized by RSM-BP were C/N=8.95, C/P=72.01 and F/M=0.088 d-1. The predicted TN removal rate was 79.12%, the validated value was 77.36%, and the relative error value was 2.275%. The optimal process conditions optimized by GA-NN were C/N=9.00, C/P=72.15 and F/M=0.09 d-1. The predicted value of TN removal rate was 79.25%, the validated value was 78.71%, and the relative error value was 0.686%. The higher TN removal rate was, the smaller error predicted by GA-NN, which indicates that the application of GA-NN algorithm in A2/O process is effective, which can also provide theoretical guidance for the operation of wastewater treatment plant.

Key words: A2/O process, response surface method, genetic algorithm, neural network, total nitrogen

中图分类号: 

  • X703
[1] 乔俊飞,卢超,王磊,等.城市污水处理过程模型研究综述[J].信息与控制,2018,47(2): 129-139.DOI: 10.13976/j.cnki.xk.2018.0129.
[2] 杜胜利,张庆达,曹博琦,等.城市污水处理过程模型预测控制研究综述[J].信息与控制, 2022, 51(1): 41-53.
[3] 孙晓杰, 李倩, 吴燕华, 等. SBR中煤粉粒径对模拟生活污水处理效果的影响[J]. 桂林理工大学学报, 2022, 42(1): 192-195. DOI: 10.3969/j.issn1674-9057.2022.01.021.
[4] 秦永丽, 蒋永荣, 孙晓杰. 独立园区夏冬两季污水处理及微生物群落特征分析[J]. 桂林电子科技大学学报, 2021, 41(4): 329-335. DOI: 10.16725/j.cnki.cn45-1351/tn.2021.04.001.
[5] 黄付平, 成官文, 邹清川. 城镇污水处理厂试运行效果及其能耗: 以贵港市石卡镇污水处理厂为例[J]. 桂林理工大学学报, 2018, 38(1): 145-149. DOI: 10.3969/j.issn.1674-9057.2018.01.021.
[6] 任相浩,古丽皮耶·图尔荪,梁明杰.A2O工艺应用于化学制药废水脱氮效果研究[J].绿色科技,2021,23(10): 133-134,138.DOI: 10.16663/j.cnki.lskj.2021.10.047.
[7] 计建洪.印染废水为主的污水处理工艺改造实例分析[J].印染助剂,2016,33(10): 54-56.DOI: 10.3969/j.issn.1004-0439.2016.10.013.
[8] 吴海珍,孙胜利,刘国新,等.焦化废水A2/O和A/O/H/O处理工艺中多环芳烃的削减行为分析[J].环境科学,2018,39(9): 4265-4273.DOI: 10.13227/j.hjkx.201801079.
[9] 王卓艺,张鸿涛,李东玲,等.A2/O和MBR组合工艺在寒冷地区污水处理中的应用[J].中国给水排水,2020,36(18): 70-74.DOI: 10.19853/j.zgjsps.1000-4602.2020.18.013.
[10] 丁晓倩.污水脱氮除磷及N2O产生过程数学模拟[D].西安:长安大学,2017.
[11] 李佟,李军.基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测[J].环境科学学报,2016,36(2): 576-581. DOI: 10.13671/j.hjkxxb.2015.0559.
[12] AYAT A, ARRIS S, ABAZ A, et al. Application of response surface methodology for modeling and optimization of A bio coagulation process (sewage wastewater treatment plant)[J]. Environmental Management, 2021, 67(3): 489-497.DOI: 10.1007/s00267-020-01407-0.
[13] SZATYOWICZ E, SKOCZKO I, OFMAN P. Using artificial neural networks for modeling wastewater treatment in small wastewater treatment plant[J]. Rocznik Ochrona Srodowiska, 2016, 18(1): 493-506.
[14] 肖飞, 董文明,王维红.基于响应面法优化污水处理厂脱氮工艺研究[J].广西师范大学学报(自然科学版) ,2021,39(5): 210-221.DOI: 10.16088/j.issn.1001-6600.2020091401.
[15] 韩红桂,杨士恒,张璐,等.城市污水处理过程出水氨氮优化控制[J].上海交通大学学报,2020,54(9): 916-923.DOI: 10.16183/j.cnki.jsjtu.2020.170.
[16] 张璐,张嘉成,韩红桂,等.基于模糊神经网络的污水处理生化除磷过程控制[J].化工学报,2020,71(3): 1217-1225.DOI: 10.11949/0438-1157.20191514.
[17] MULAS M, TRRONCI S, CORONA F, et al. Predictive control of an activated sludge process: an application to the Viikinmki wastewater treatment plant[J]. Journal of Process Control, 2015, 35: 89-100.DOI: 10.1016/j.jprocont.2015.08.005.
[18] 赵小强,李丽娟,冯小林.基于改进多目标布谷鸟算法的污水处理优化控制方法[J].兰州理工大学学报,2020,46(1): 93-99.
[19] 肖飞,董文明,王维红.含氮污染物耦合算法联合优化研究[J].重庆理工大学学报(自然科学),2021,35(6): 220-229.
[20] 国家环境保护总局.水和废水监测分析方法[M].4版. 北京: 中国环境科学出版社, 2002: 425-426.
[21] 侯红娟,王洪洋,周琪.进水COD浓度及C/N值对脱氮效果的影响[J].中国给水排水,2005, 21(12): 19-23.DOI: 10.1360/biodiv.050058.
[22] 杨小丽,叶峰,宋海亮,等.基于污水厂运行数据的低温生物脱氮强化研究[J].中国给水排水,2009,25(1): 82-85,88.DOI: 10.3321/j.issn:1000-4602.2009.01.021.
[23] 彭轶. A2/O工艺反硝化除磷性能及控制策略[D].哈尔滨: 哈尔滨工业大学,2008.
[24] 甄建园,于德爽,王晓霞,等.进水C/P对SNEDPR系统脱氮除磷性能的影响[J].环境科学,2019,40(1): 343-351.DOI: 10.13227/j.hjkx.201806006.
[25] 赵丰,戴兴春,黄民生,等.负荷(F/M)对A2/O工艺脱氮影响的研究[J].水处理技术,2009,35(7): 59-63.DOI: 10.16796/j.cnki.1000-3770.2009.07.019.
[26] NGUYEN H T M, TRAN H T H. Effect of organic matter on nitrogen removal through the anammox process[J]. Water Environment Research, 2021,93(4): 608-619.DOI: 10.1002/wer.1463.
[27] 司家济,张静,张辉,等.基于污水处理厂监测数据的反硝化脱氮影响因素分析[J].环境监测管理与技术,2021,33(2): 56-59.DOI: 10.19501/j.cnki.1006-2009.2021.02.013.
[28] 李怡,朱恒亮.C/N对A2/O耦合生物曝气滤池脱氮除磷的影响[J].水处理技术,2018,44(9): 120-123.DOI: 10.16796/j.cnki.1000-3770.2018.09.027.
[29] SUN H W, SHI W Y, CAI C J, et al. Responses of microbial structures, functions, metabolic pathways and community interactions to different C/N ratios in aerobic nitrification[J]. Bioresource Technology,2020,311: 123422.DOI: 10.1016/j.biortech.2020.123422.
[30] 杨咪,徐盼盼,钱会,等.基于人工蜂群算法的BP双隐含层神经网络水质模型[J].环境监测管理与技术,2018,30(1): 21-26.DOI: 10.3969/j.issn.1006-2009.2018.01.007.
[31] 闫春,厉美璇,周潇.基于改进的遗传算法优化BP神经网络的车险欺诈识别模型[J].山东科技大学学报(自然科学版),2019,38(5): 72-80.DOI: 10.16452/j.cnki.sdkjzk.2019.05.009.
[32] 楼春华,郭敏丽.基于SPSS的多维标度法在污水处理达标保证中的应用[C]// 北京水问题研究与实践(2018年).北京: 中国水利水电出版社,2019: 87-93.
[33] 柳勇,董宝刚,徐超,等.合肥市污水处理厂进水水质特征的统计学分析[J].净水技术,2021,40(8): 68-73,80.DOI: 10.15890/j.cnki.jsjs.2021.08.010.
[34] 董林. 某污水处理厂常规污染物处理效率及影响因素分析[D].泰安: 山东农业大学,2020.
[35] 张涛. 基于复杂网络理论的遗传算法分析与设计[D].南京: 南京邮电大学,2019: 48-77.
[36] 郑淏,薛惠锋,冯海涛.基于BP神经网络的地表水污染指标短期预测分析[J].陕西科技大学学报(自然科学版),2016,34(3): 161-165,170.DOI: 10.3969/j.issn.1000-5811.2016.03.032.
[37] 丁海旭,李文静,叶旭东,等.基于自组织递归模糊神经网络的BOD软测量[J].计算机与应用化学,2019,36(4): 331-336.DOI: 10.16866/j.com.app.chem201904008.
[38] 黄辉,马思佳,王庆,等.多参数影响下污水总氮浓度预测最优方法研究[J].南京大学学报(自然科学),2017,53(6): 1194-1202.DOI: 10.13232/j.cnki.jnju.2017.06.022.
[39] 林佳敏,陈金良,林晶晶,等.BP神经网络和ARIMA模型对污水处理厂出水总氮浓度的模拟预测[J].环境工程技术学报,2019,9(5): 573-578. DOI: 10.12153/j.issn.1674-991X.2019.03.261.
[1] 潘海明, 陈庆锋, 邱杰, 何乃旭, 刘春雨, 杜晓敬. 基于卷积推理的多跳知识图谱问答算法[J]. 广西师范大学学报（自然科学版）, 2023, 41(1): 102-112.
[2] 张涛, 杜建民. 基于无人机遥感的荒漠草原微斑块识别研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(6): 50-58.
[3] 郝雅茹, 董力, 许可, 李先贤. 预训练语言模型的可解释性研究进展[J]. 广西师范大学学报（自然科学版）, 2022, 40(5): 59-71.
[4] 田晟, 宋霖. 基于CNN和Bagging集成的交通标志识别[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 35-46.
[5] 周圣凯, 富丽贞, 宋文爱. 基于深度学习的短文本语义相似度计算模型[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 49-56.
[6] 彭涛, 唐经, 何凯, 胡新荣, 刘军平, 何儒汉. 基于多步态特征融合的情感识别[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 104-111.
[7] 马新娜, 赵猛, 祁琳. 基于卷积脉冲神经网络的故障诊断方法研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 112-120.
[8] 段美玲, 潘巨龙. 基于双向LSTM神经网络可穿戴跌倒检测研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 141-150.
[9] 孔亚钰, 卢玉洁, 孙中天, 肖敬先, 侯昊辰, 陈廷伟. 面向强化当前兴趣的图神经网络推荐算法研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 151-160.
[10] 林培群, 何伙华, 林旭坤. 基于系统关联性的高速公路大中型货车到达量多尺度预测[J]. 广西师范大学学报（自然科学版）, 2022, 40(2): 15-26.
[11] 马铖旭, 曾上游, 赵俊博, 陈红阳. 基于卷积神经网络的逆光图像增强研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(2): 81-90.
[12] 谭凯, 李永杰, 潘海明, 黄可馨, 邱杰, 陈庆锋. 基于多信息集成的药物靶标预测方法研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(2): 91-102.
[13] 朱恩文, 朱安麒, 王洁丹, 刘玉娇. 基于EEMD-GA-BP模型的风电功率短期预测研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(1): 166-174.
[14] 田晟, 李成伟, 黄伟, 王蕾. 疫情下基于GC-rBPNN模型的公路货运量预测方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(6): 24-32.
[15] 陈文康, 陆声链, 刘冰浩, 李帼, 刘晓宇, 陈明. 基于改进YOLOv4的果园柑橘检测方法研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 134-146.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 韦建华,西庆男,李兵,廖彭莹,霍丽妮,卢汝梅. 壮药青藤仔化学成分研究[J]. 广西师范大学学报（自然科学版）, 2018, 36(2): 94 -97 .
[2] 张晖英, 刘瑞强. MNO3(M=Na, K, Rb, Cs)在多元醇水混合溶剂中的溶解度、溶液密度和折光率比较研究[J]. 广西师范大学学报（自然科学版）, 2015, 33(4): 87 -95 .
[3] 邝先验, 陈自如. 考虑礼让行人的交叉口机非混合交通流模型[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 1 -15 .
[4] 刘伟铭, 陈纲梅, 林观荣, 李静宁. 高速公路收费站与衔接信号交叉口协调控制研究[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 16 -26 .
[5] 邹艳丽, 汪洋, 刘树生, 姚飞. 带有邻居度信息的容量负载模型下电网级联故障研究[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 27 -36 .
[6] 谢丽娜, 蒋品群, 宋树祥, 岑明灿. 一款低损耗低噪声宽调谐的高阶级联N通道滤波器[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 37 -44 .
[7] 罗兰, 周楠, 司杰. 不确定细胞神经网络鲁棒稳定新的时滞划分法[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 45 -52 .
[8] 王健, 郑七凡, 李超, 石晶. 基于ENCODER_ATT机制的远程监督关系抽取[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 53 -60 .
[9] 肖逸群, 宋树祥, 夏海英. 基于多特征的快速行人检测方法及实现[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 61 -67 .
[10] 王勋, 李廷会, 潘骁, 田宇. 基于改进模糊C均值聚类与Otsu的图像分割方法[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 68 -73 .
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发