碳中和趨勢下數學模擬在污水處理系統中的發展與綜合應用

陳治池,何 強,蔡 然,羅華瑞,羅 南,宋忱馨,程 鴻*

碳中和趨勢下數學模擬在污水處理系統中的發展與綜合應用

陳治池1,何 強1,蔡 然2,4,羅華瑞3,羅 南2,宋忱馨4,程 鴻1*

(1.重慶大學三峽庫區生態環境教育部重點實驗室,重慶 400045；2.北京首創生態環保集團股份有限公司,北京 100000；3.深圳市環水投資集團有限公司,廣東 深圳 518031；4.四川水匯生態環境治理有限公司,四川 內江 641000)

數學模擬技術在污水處理方面被廣泛應用,為了系統總結相關技術,本文回顧了污水處理系統中數學模擬技術的發展歷程;綜述了活性污泥模型(ASM)與機器學習(ML)在水質預測及參數工況優化領域中的應用;重點探究了污水處理系統中溫室氣體排放模型,以及多目標優化模型在污水處理系統中溫室氣體排放(GHG)、出水質量(EQI)和運行成本(OCI)的權衡問題;歸納了數學模擬技術在實現污水廠能量自給與資源回收的應用發展.研究結果表明數學模擬技術能準確預測出水水質、快速優化工藝參數、權衡溫室氣體排放、出水水質與運行成本之間的關系、以及提高資源回收效率等.因此，數值模擬技術可有效指導污水處理工藝的運行優化以及管理,為污水處理行業減污降碳協同增效提供技術支撐.

碳中和；活性污泥模型；機器學習；溫室氣體；多目標優化；資源回收

目前,傳統的污水處理廠主要依靠技術人員自身經驗來管理,過量曝氣和投藥的現象普遍存在,這不僅使污水處理廠的管理運行效率變低,更造成能耗藥耗的浪費[1],最終增大碳排放量.當今碳減排形勢下,污水處理廠在提標改造的過程中必須同時兼顧當前技術水平下的水質提升、運行成本和環境影響.而污水處理中的數學模擬技術是基于生化反應機理和大量運行數據,對污水處理系統的各項指標進行模擬預測及分析的一項技術,已在污水處理廠的設計、提標改造以及運行優化等方面得到廣泛應用[2-4].

數學模擬技術正在逐步成為污水處理廠同步實現減污降碳協同增效的重要工具.國際水協自1987年以來陸續推出了4套ASM系列模型,而隨著計算機技術的不斷發展,一些基于ASM系列模型的污水處理仿真軟件也相繼被開發出來[5-6].近年來,機器學習在流域水環境以及城市給排水系統的水質預測方面的應用日趨多樣化[7].此外,多目標優化算法模型的出現,為污水處理系統的技術、經濟及環境指標的量化權衡提供了便利[8].然而,目前尚缺乏數學模擬技術在污水處理方面應用的系統總結.

鑒于此,本文從活性污泥模型的發展到實際應用的角度,梳理了數學模擬在實現污水處理工藝節能降耗及碳減排中發揮的作用和存在的問題.系統總結了以出水質量指標與能耗經濟指標預測為核心的數學模擬技術在關鍵參數工況優化中的應用,對模擬軟件的應用、機器學習等諸多方面進行梳理,重點綜述了數學模擬技術在溫室氣體模擬的應用,以及多目標優化思想在研究技術、環境和經濟權衡問題中的展現的創新潛力,并分析了應用數學模擬技術對污水處理系統中資源回收進行管理的意義.本研究旨在為碳中和背景下污水處理行業未來的發展與水質、經濟和碳減排目標的實現提供理論依據和實踐基礎.

1 污水處理系統中數學模擬技術

如圖1所示,數學模擬技術在污水廠的應用方向主要包括水質預測與管理以及技術優化與運行兩個方面.其中Biowin、GPS-X及WEST等主流模擬軟件是以逐步發展起來的ASM系列模型為基礎,在模型過程及參數組分等方面進行優化和改進,利用構建的仿真模型科學合理地對工藝進行診斷和優化.而利用人工神經網絡、支持向量機等機器學習算法可以充分挖掘污水廠運行數據價值[9],以滿足污水處理廠的智慧化管理需求.此外,多目標優化模型為權衡討論出水質量(EQI)、運行成本(OCI)及溫室氣體排放量(GHG)等指標提供了理論基礎[10],而NSGA-Ⅱ等多目標遺傳算法的發展對于污水處理系統中的多優化問題求解的穩定性和效率具有重要意義.

圖1 數學模擬技術在污水處理中的發展及應用路線

1.1 活性污泥模型的發展

活性污泥模型的發展可以追溯到米門方程和Monod模型的提出,自此之后,一系列描述污水處理過程中微生物生化反應過程的模型被不斷地開發和完善.此外,一些以ASM系列模型為內核的模擬軟件也被相繼推出,為研究以大時滯、多變量及復雜非線性為特點的污水處理過程提供了便利,具體見表1.

表1 活性污泥相關模型與典型模擬軟件的發展

續表1

1.2 活性污泥模型的優化與改進

(1)進水組分的測定與優化

作為搭建活性污泥數學模型的第一步,進水組分的分析尤為關鍵.研究表明,進水組分與城市污水的性質有關,不同的城市排水管道系統、生物預處理方式、經濟發展水平、生活習慣都會對其產生影響[27].由于有機物的模擬過程就是以COD的組成成分為基礎,本文以ASM2D為例,其COD組分拆解見圖2.

COD組分的測定分析方法很多,包括OUR呼吸計量法,缺氧批量NUR法、混凝-過濾法、化學分析法等.不同的COD組分測定難度不一,可采用不同測定方法或者通過取經驗值確定.通過總結近年來國內外學者開展COD組分測定方法相關的研究,得到各成分測定方法如表2所示.

值得注意的是,進水組分的測定(如I,A等)還未形成統一的測試方法;此外,某些組分(如X等)的測定過程也相對復雜;因此,盡快建立操作簡便、標準化的組分測定方法體系顯得尤為重要.

(2)模型過程的優化

雖然ASM系列的四套核心模型能較好地描述污水處理的過程,但在實際應用方面,研究者們為了提高模型的模擬精度,往往在其基礎上進行改良以確保模型更貼合污水廠實際情況.目前,ASM系列模型的改進大致可以分為模型的簡化與模型過程的增加[35].

圖2 COD組分樹狀圖

對于模型的簡化,是指通過分析和計算變量參數對系統的敏感性,優化或分類參數,減少模型的復雜程度來提高模型的實用性.在分類參數方面,孫培德等[36]在充分分析活性污泥系統中生物反應機理后將系統中微生物劃分為8類菌群,充分考慮微生物間的相互作用建立了全耦合活性污泥模型.在工藝參數方面,Kim等[37]在ASM2的基礎上刪除了總懸浮固體等不直接參與生化反應的模型組分,精準模擬了SBR工藝中的脫氮除磷過程.此外,Bahar等[38]在ASM1基礎上僅保留4種組分,在ASM3的基礎上僅保留5種組分,分別簡化其反應過程用于模擬污泥消化過程.雖然模型簡化可以在不損失模型模擬準確度的前提有效降低工作量,但該簡化過程是基于參數敏感性分析,因此需確保敏感性分析和參數篩選的準確性.

表2 COD組分測定方法匯總

對于模型過程的增加,雖然ASM系列模型中的反應過程已比較全面,但在實際運用中還是會出現某些偏差[35],這時往往通過增加模型過程,通過拓展的方式來提高模型的精確度和適應度.Ni等[39]基于ASM3模型應用同步存儲和生長的概念建立了兩步反硝化模型,同時利用實例對改進模型進行了評價和比較.此外,Man等[40]嘗試在ASM3模型中加入了亞硝酸鹽等組分,并增加了氨氧化菌和亞硝酸鹽氧化菌的生長等過程,拓展后的新模型較準確地模擬了實驗室運行的SBR反應器.模型過程的增加無疑會增加模型預測的準確性,但同時應該兼顧項目工作量,應在研究目的范圍內權衡參數的數量,高效地提高模型的準確度.

1.3 機器學習

20世紀50年代,Hebb提出了解釋學習過程中大腦神經元所發生變化的赫布理論[41],象征著機器學習思想的萌芽,之后出現了大量的機器學習算法.機器學習的本質[42]是找到一個目標函數,使其成為輸入變量到輸出變量之間的最佳映射:().通俗來講就是使計算機能夠去模擬人類的學習行為,在學習的過程中獲取經驗技能,不斷完善自我性能.

目前國內外研究中水工程領域常用機器算法的流程及原理見圖3.線性回歸與多項式回歸都是基于最小二乘法的擬合模型,屬于監督學習的一種,K-最近鄰算法適合類域交叉重疊較多的大數據[43];支持向量機在解決時間序列分析、分類問題等問題上表現優異[44];隨機森林計算時由每棵樹投票或取均值的方式來決定最終結果[45];對于人工神經網絡而言,感知機是它的結構單元.為了能夠處理高維度的數據而提出了多層感知機[46],而徑向基函數神經網絡由于其簡單的拓撲結構和全局逼近能力,在非線性系統的控制建模上應用廣泛[47].循環神經網絡主要用于處理序列數據[48],長短期記憶網絡是一種特殊的循環神經網絡,可以很好的解決循環神經網絡存在的長時依賴問題[49].深度神經網絡可以理解為有很多隱藏層的神經網絡,每一層構成一個非線性信息處理單元[50],與傳統的機器學習方法相比具有更大的特征學習和特征表達能力[51].

機器學習可被應用于解決生化工程、材料科學、環境及水科學問題各個方面.例如,Mowbray等[52]回顧了過去20年來機器學習在生物化學工程中的應用;Zhong等[53]總結了機器學習在環境科學與工程領域的四種主要應用類型:預測、提取特征重要性、檢測異常值和對化學材料的探索;Huang等[7]全面總結了機器學習在自然和工程水系統中的應用及發展.隨著機器學習的迅猛發展,它在評價和預測污水處理廠性能方面的應用也愈加深入,為污水處理廠及時獲取水質信息和高效運行管理作出了貢獻.

圖3 水工程領域常用機器學習算法的流程及原理

1.4 多目標優化

污水處理廠在提標改造的過程中應保證污水處理廠出水質量達標的同時控制運行成本達到提質降耗的目的,此時構成了一個多目標優化問題.多目標優化的定義是使多個目標在給定區域確定一組代表最優解并形成帕累托(pareto)邊界的點[54],即考慮個自變量和個目標函數的多目標優化問題(MOP):

①非支配解:多目標優化問題并不存在一個最優解,所有可能的解都稱為非支配解,也稱為pareto解.

②pareto最優解:在無法在改進任何目標函數的同時不削弱至少一個其他目標函數.這種解稱作非支配解或pareto最優解.

即pareto前沿是pareto最優解的集合在目標函數空間上的像.

基于傳統數學規化原理的多目標優化模型在實際工程優化問題應用中經常表現出一定的脆弱性.“演化算法”在解決這類優化問題中相比與傳統的優化算法顯示出了其優越的性能.目前,演化算法可以分為四個主要的研究領域:遺傳算法、遺傳規劃、演化規劃和演化策略[56].其中遺傳算法是迄今為止演化算法中應用最多、比較成熟、廣為人知的算法[57],其本質是一種求解問題的高度并行性全局搜索算法.

圖4 決策空間和目標空間之間的關系以及兩目標優化問題的解定義

1985年Schaffer提出了向量評估算法[58](VEGA),但該算法在搜索空間非凸時無法求得帕累托最優解.1999年Zitzler等提出了SPEA算法[59],該算法性能優越,但算法過程比較復雜.1995年Srinivas等提出了非支配排序遺傳算法NSGA[60], 2002年Deb等提出了帶精英策略的非支配排序遺傳算法(NSGA-II)[61].NSGA-II的優良性能包括求解的穩定性、解的收斂性和均勻分布性等,因此被國內外學者在求解多目標優化問題時廣泛引用.總之針對多目標優化的遺傳算法面臨的問題主要有兩個:一是如何與實際問題更有效的結合,二是算法的效率問題,這也是研究者們未來主要的研究方向.

在“碳中和”的大背景下,越來越多的學者將溫室氣體(GHG)的排放納入了污水處理的性能評價范疇,并與出水質量(EQI)、運行成本(OCI)等傳統性能評價指標共同構成了污水處理過程的多目標優化問題.即目標函數為EQI、OCI和GHG,此時這類離散且非線性的多目標優化問題[62]可被描述為:

式中:(決策變量)為DO,外回流比,內回流比,排泥量,藥劑投加量等污水處理工藝運行參數.

針對不同的實際問題,EQI的定義有著明顯差異,例如李宸等[63]將其定義為污染物的出水濃度與排放標準中各污染物限值的比值之和,而在另外一項研究[64]中對每種出水指標賦予了權重,并定義了違規成本作為約束條件;對于OCI而言,一般基于Nopens等[65]提出的方法,即運行成本定義為電能、化學藥劑成本與污泥處置成本之和;GHG則一般定義為污水處理系統直接產生的溫室氣體與電能藥耗間接產生的溫室氣體之和.當然,嚴格意義上OCI與GHG的核算都應該減去掉資源回收所產生的收益[66].

2 基于數學模擬的水質指標預測

2.1 活性污泥模型在水質指標模擬預測中的應用

準確的預測出水水質有助于污水處理廠及時調整運行策略[67],可利用基于活性污泥模型的仿真軟件對污水處理系統進行模擬從而預測出水水質,目前相對誤差(REL)、均方誤差(RMSE)和西爾不等式系數(TIC)等指標[68]常被用來評價模型擬合的準確度.Vitanza等[69]利用Biowin軟件對三個污水廠進行了工藝全流程建模,用相對誤差指標分別評價了模型擬合的準確度.

為提高活性污泥模型的適用性,新的水質參數指標不斷被開發介入模型中.Hu等[70]將溶解性有機氮(mDON)的產生和消耗納入了傳統的ASM系列模型,并在全流程的實際污水處理廠驗證了模型的適用性,為實現污水廠氮控制與成本的有效管理打下了基礎.此外,數學模擬技術也逐步應用于非傳統的污水處理工藝或反應器.Eldyasti等[71]分別用BioWin和AQUIFAS對中試規模的循環流化床生物反應器(CFBBR)進行了數學模擬,發現BioWin和AQUIFAS都能夠預測大部分水質參數,平均百分比誤差在20%以下;Dorofeev A等[72]使用BioWin軟件對基于厭氧氨氧化工藝進行了數學模擬,探究了溫度及溶解氧的最佳運行條件.

盡管活性污泥模型針對不同水質指標或者工藝展現出較為準確的預測,但隨著污水處理工藝的發展,工藝類型變得愈加多樣與復雜,活性污泥模型在未來應隨著污染物去除路徑與機理研究的深入,結合目標工藝特征參數的挖掘,提高模型預測出水指標的精度與泛化能力.

2.2 機器學習在水質指標預測中的應用

由于傳統活性污泥模型在建模過程中,需要依托各水質指標參數 (如進水組分等),因而,水質參數表征和的準確性制約著模型模擬的效果.同時,由于參數表征需耗費大量時間和人力,活性污泥模型也展現出一定的低效性[73].隨著機器學習方法的發展,以數據為驅動的預測模型通過挖掘污水處理廠“數據湖”的內在規律,為模擬復雜的生化過程處理后的出水水質指標提供了另一個途徑[74].

各類機器學習算法已被應用于污水處理廠水質指標的預測,其中,人工神經網絡(ANN) 已被證明是理解和模擬污水處理廠非線性行為的有效分析工具[75].例如,Hamed等[75]開發了兩個基于人工神經網絡的模型來預測污水處理廠的出水BOD和SS濃度,為污水廠的運行提供了幫助.此外,支持向量機(SVM)[76]、模糊神經網絡(ANFIS)[77]、極限學習機(ELM)[3]等算法也被用來預測污水處理系統的性能.

對算法進行比較和創新可以節省大量時間成本并提高預測精度.Yang等[67]提出了一種自適應動態非線性偏最小二乘(PLS)模型,實驗結果表明所提出的模型在預測精度、穩定性和執行效率方面體現了優越性.對于出水氮指標的預測,Bagherzadeh等[78]提出了一種高精度的污水處理廠總氮預測模型,在此項研究中發現選擇合適的特征可提高20%預測精度,并且發現使用決策樹算法相比人工神經網絡算法高出了10%的準確度.而Alejo[79]等認為支持向量機(SVM)在對于出水指標中的氨氮預測方面是優于人工神經網絡(ANN) 的.同樣地,在預測凱氏氮的濃度方面,Manu等[80]認為可以支持向量機(SVM)算法能夠通過有效地設置SVM參數提高預測效率,達到比模糊神經網絡(ANFIS)更好的預測效果.此外,Picos等[81]還將人工神經網絡(ANN)和遺傳算法(GA)相結合以尋找UASB反應器的最佳工況,經驗證ANN-GA模型可以幫助UASB反應器達到最佳工況,同時使含鹽廢水處理的能耗降到最低.

然而,上述研究僅限于水質指標的直觀預測,而忽略了微生物指標在污水處理過程中的重要作用.活性污泥系統中的微生物狀態與出水質量聯系非常緊密,因此在未來的研究中,微生物組學信息作為重要的特征信息與機器學習相結合也許會成為一個新的方向.

3 基于數學模擬的關鍵工藝參數工況控制及優化

為了滿足日益嚴格的污水排放標準,往往涉及到對生物處理單元的工況進行優化控制以充分發揮污水處理系統的效能.然而,活性污泥系統相當復雜,依靠傳統方法對設計工況參數進行優化具有不確定性且低效性[82],因此數學模擬成為了污水處理系統設計升級和管理過程中不可或缺的工具.

3.1 出水質量指標優化

國內外不乏利用成熟的商用仿真軟件對參數進行優化的研究.魏忠慶等[83]利用GPS-X對福建某污水處理廠構建了提標工藝模型,在部分指標達到準Ⅳ類地表水水質標準的同時,優化了工藝混合液回流比和污泥回流比,使工藝總體積降低了906m3.污水處理過程中的氮指標優化也相當關鍵.針對改良AAO工藝運行過程中存在的TN處理效果不穩定問題,周振等[84]利用WEST軟件模擬對比了A2/O,倒置A2/O以及AO三種工藝模式下的運行效果,并通過優化回流比的方式顯著改善了出水水質.污泥齡(SRT)是控制氮指標的關鍵因素,Elawwad 等[85]使用BioWin為目標污水處理廠建立了全流程模型,通過不同場景進行模擬,發現在不改變污水處理廠現有規模和工藝的情況下,通過將SRT從2.7d增加到7d,同時延長曝氣池的缺氧區,可以輕松實現分別為94%和62.4%的硝化率和反硝化率.

為了比較改良型A2/O和Orbal氧化溝兩種工藝,邵袁等[17]利用WEST軟件對目標污水處理廠分別構建工藝模型,開展工藝的優化運行研究,提出并實施了工藝的優化運行方案,有效提高了各類污染物的去除效率.鑒于溫度是影響污水廠運行的重要因素,柳蒙蒙等[86]針對寒冷地區的城鎮污水處理廠,利用GPS-X分別對污泥回流比、反應區體積比、充水比、運行周期和不同水溫的CASS運行方案等進行了數值模擬優化,冬季的運行結果表明改造后的CASS工藝出水指標能夠穩定達到一級A排放標準.

除了單獨應用仿真軟件對污水處理系統進行模擬優化,也可以應用試驗設計思想耦合模型來指導污水處理廠運營.例如,Cao等[68]篩選并分析了61個參數的靈敏度,對6個關鍵工藝參數建立二次多項式響應面模型進行優化.結果表明,通過優化生物單元Do和SRT顯著提高了工藝的脫氮效能.

3.2 基于數學模擬的能耗與運行成本優化

污水處理廠在污水的收集、處理和排放的過程中需要消耗大量能源[87],且能源的產生過程也是溫室氣體排放的間接來源之一.能源不僅用于污水處理系統(如反應器、曝氣和泵裝置的電力消耗),還用于生產和運輸處理過程中使用的化學藥劑[88].研究表明,污水處理過程中能耗最多可占污水處理廠運行成本的48%[89],因此降低污水處理系統的能耗已經成為污水廠實現可持續發展的最重要的主題之一,也是響應國家碳減排號召的有效途徑.

為降低污水處理廠的平均能耗,首先需要分析影響污水處理系統能耗的關鍵因素.Bagherzadeh等[90]基于2014-2019年收集的數據,研究了水質、水力和氣候參數對目標污水處理廠日平均能耗的影響,研究表明污水處理廠的能耗與溫度和濕度等天氣情況呈正相關,并且總氮等指標對目標污水處理廠的能耗具有顯著影響.此外利用控制器對溶解氧和加藥量進行優化可為污水處理系統減少大量運行成本,郝二成等[91-92]為探尋保證出水穩定達標的邊界運行條件,建立模型對比了不同工藝控制方案,結果顯示按氨氮濃度變化設定Do值進行曝氣控制、優化除磷藥劑的投加濃度的方式實現了節能降耗.

數學模擬技術開始被逐漸應用在不同類型的污水進水類型中.邵袁等[93]基于WEST建立了鄉鎮生活污水處理廠A2/O模型,通過軟件模擬優化了工藝的回流比等參數,使除磷藥劑月均使用量較優化前下降56%,全廠用電量由7.1(GW·h)/月降至5.5 (GW·h)/月.數學模擬技術還可對工業廢水進行優化,Wu等[94]利用WEST軟件對進水成分復雜的工業廢水污水廠進行模擬優化,使運行成本從6.2歐元/m3降至5.5歐元/m3.

曝氣過程能耗超過污水處理廠總能耗的50%[95-97],因此利用數學模型對曝氣過程進行模擬優化可節省大量運行成本.Lizarralde等[98]建立了污水處理廠曝氣過程的數學模型,用于研究曝氣過程的效率和詳細描述不同水相和氣相之間的傳質過程;Asteriadis等[99]通過使用溶解氧級聯控制器對IAFB反應器中的曝氣進行模擬,找到了最大氧轉移速率水平對應的溶解氧水平條件,避免了系統過度曝氣.數據與模型的集成系統是實現污水處理廠自動化控制的基礎,Sean等[100]使用GPS-X 進行穩態建模,開發了帶監督控制的數據采集(SCADA)系統,發現使用GPS-X模擬優化可節省20%的能耗.此外,Holenda等[101]結合遺傳算法(GA)討論了間歇曝氣污水處理廠的曝氣優化問題,結果發現與傳統的控制策略相比,遺傳算法的模型優化策略可使能耗削減10%.不同的運行方式也能造成不同的成本效益.Abbasi等[102]對常規活性污泥法、接觸穩定化和分步曝氣三種方案分別進行了模擬,使用GPS-X軟件計算了維修成本和能耗成本,發現進行接觸穩定化式運行具有更高的成本效益.然而,出水水質與能耗削減目標往往互相矛盾,因此多目標優化模型的應用可以為我們選擇最適運行工況提供建議,以平衡出水水質與能耗成本.

要想建設智慧化的污水廠,僅靠數學模擬工具對運行成本進行優化是遠遠不夠的,面對水質水量的沖擊變化,為了保證時效性,只有對數據進行全面的在線監測并建立數據庫,才能對污水廠的運行管理進行及時、高效、準確的指導.

4 基于數學模擬的溫室氣體模擬及多目標優化研究

與發達國家相比,中國實現“雙碳”目標時間更緊、幅度更大.水處理行業排放的溫室氣體約占人類活動產生的溫室氣體的3%[103].研究發現,N2O和CH4兩種強效溫室氣體的溫室效應分別是CO2的298倍和25倍[104],而污水處理廠作為水處理行業溫室氣體排放的主要來源,對其產生的CO2、N2O及CH4等溫室氣體建立模型進行模擬估算具有重大意義.

4.1 污水處理系統中溫室氣體排放模型

一般來說,污水處理廠主要通過三種機制(圖5)排放溫室氣體,即直接排放、間接內部排放和間接外部排放[105].污水處理廠的直接排放主要與生物過程(如微生物呼吸產生的CO2排放、硝化和反硝化產生的N2O排放以及厭氧消化產生的CH4排放)有關;間接內部排放與污水廠內部的電能或熱能的消耗有關;間接外部排放與污水處理廠內與外界的聯系(如污水廠所需化學藥劑的生產及各類運輸產生的溫室氣體)有關,它們的溫室氣體排放因子有著明顯差異(表3).

對于溫室氣體排放模型的研究,Ni等[106]基于已知的異養反硝化菌和氨氧化細菌(AOB)產生N2O代謝途徑開發了N2O排放的數學模型并首次針對大型污水廠處理廠進行模擬.溶解氧水平是影響N2O的產生的重要因素,Boiocchi等[107]基于BSM2仿真平臺對污水處理系統的溶解氧水平進行了在線控制,最大限度地減少了N2O的排放.此外,Huang等[108]建立了針對污水廠內不同排放源的溫室氣體估算模型,并且評估了溶解氧控制來減少溫室氣體排放的潛力.

圖5 典型污水廠工藝流程溫室氣體排放主要來源分布

表3 部分污水廠溫室氣體直接/間接排放因子

盡管近年來已有不少關于溫室氣體模型的研究,但由于不同類型污水處理工藝中N2O形成排放機制的尚未厘清,且難以收集到足夠的溫室氣體數據支撐模型,導致如今的溫室氣體模型過于參數化.

4.2 全流程溫室氣體的評估

在評估污水廠全流程溫室氣體排放過程方面,Mannina等[117]對研究污水處理過程中溫室氣體的建模工具進行了總結,提出了污水廠全流程建模可以幫助污水廠減少溫室氣體排放的理念.Kyung等[118]則開發了一個綜合模型來估算污水處理廠的直接和間接溫室氣體排放量,并使用敏感性分析研究了溫室氣體排放的潛在變化.此外,Koutsou等[119]首次在歐洲國家范圍內估算了希臘污水處理廠的溫室氣體排放量,提出了確保小型污水處理廠的高效運行,促進資源化利用等建議.這些研究無一例外的強調了對污水廠進行溫室氣體排放控制的重要性,然而仍缺少環境經濟目標下溫室氣體模型結合具體控制方法的系統總結,這對于可持續化推進污水處理廠碳減排具有重要的意義.

4.3 多目標優化算法的應用與發展

基于遺傳算法的多目標優化模型應用于污水處理系統中已取得不少研究成果.陳文亮等[120]構建了多目標優化模型,探究了污水處理廠出水水質與運行成本、反應池體積之間的權衡問題.而為了解決出水水質與能耗之間的權衡問題,周紅標等[121]以能耗與出水質量為目標,提出了混合多目標骨干粒子群優化算法,實現了溶解氧和硝態氮設定值的動態尋優、智能決策和底層跟蹤控制.經過不斷的優化創新,如今基于遺傳算法的多目標優化在算法層面更加高效,與實際問題的結合也更加緊密.

4.4 碳中和趨勢下的多目標優化權衡

在多目標優化算法幫助下,可對溫室氣體(GHG)排放與出水質量(EQI)、運行成本(OCI)之間進行權衡討論.首先,研究工藝參數變量的敏感性非常重要,Flores等[122]在評估污水處理廠的控制/運營策略時,把溫室氣體排放的納入并制定了評價體系,研究了以下4個變量對EQI、OCI和GHG的影響:(1)曝氣池溶解氧水平;(2)初沉池對總懸浮物的去除率;(3)厭氧消化池的溫度;(4)厭氧消化上清液的流量.然后,Sweetapple等[123]對EQI、OCI及GHG進行了權衡,研究表明有多種方案可在減少溫室氣體排放的同時不產生額外的運營成本并保持一定的出水質量.為了對污水處理系統整體性能進行優化,Kim D等[64]在六種優化方案下的仿真結果表明,優化后的系統同時減少了31%的溫室氣體排放,降低了11%的運行成本,改善了2%的出水質量.Borzooei S等[2]同時考慮了污水處理廠的污水處理和污泥處置模型,通過改變不同的操作參數在提升出水水質的同時節省了高達5000MWh的能耗,并且發現引入高級濃縮和污泥預處理過程對電廠的能量平衡和溫室氣體平衡有積極的影響.

以上研究表明應用多目標優化可以在不影響污水處理系統整體性能的基礎上同步實現環境與經濟效益的提升,但目前的研究仍然局限于狹義上的污水處理系統,對于污水處理系統的前端(污水管網)和后端(受納水體)中溫室氣體排放對環境的整體影響研究還鮮有涉及.

污水處理行業面臨著減污降碳協同增效的任務,針對此問題我們應該重點分析目標污水處理系統中污染物去除與溫室氣體排放的關聯機制,給出協同核算的具體步驟,集成多目標優化進行問題求解.對于污染物去除協同控制溫室氣體的核算邊界、協同機制和核算方法,具體可參考付加鋒等[124]建立的方法,包括了協同控制效應和協同程度的計算公式;另一方面,污泥處置及資源化過程也是溫室氣體核算的難點,要針對不同的污泥處置路徑,根據物料平衡對全生命周期內的污泥轉化為能源的碳足跡進行分析.從環境效益來看,我國最常見的垃圾處理方式即衛生填埋,在沒有對產生的甲烷進行深度處理的情況下,碳排放量達到最大值[125].因此進行多目標優化的過程中,我們應該評估調整污泥處置技術路線對溫室氣體及能量平衡的影響,并且以熱源溫度和藥劑使用等方面作為決策變量研究碳排放的響應機制.

5 基于數學模擬的資源回收研究

傳統意義上的污水處理廠運行主要目的是為了保證一定的出水質量,因此研究重點往往放在有機物和氮磷的去除上.然而隨著如今環境資源的日益緊缺,研究模式應從污染物去除逐步轉變為資源回收,從數學模型的角度來說,這意味著我們污水廠內的線性模型將轉變為更加循環的模型[126].

5.1 數學模擬在能源回收中的應用

對于能量回收來說,甲烷作為污水廠內厭氧消化產生的回收的有機質能源,可以為污水廠提供約25%到50%的能源需求[127-128],該部分能源進行回收可抵消部分污水處理能源消耗,進而減少碳排放[129].因此一些關于厭氧消化的模型被開發出來,Gracia等[130]開發了一種模擬好氧和厭氧操作條件下污泥消化反應器的數學模型,并成功在中溫和高溫厭氧消化以及自熱高溫好氧消化的場景下得以驗證. Ruffino等[131]分別對44L和240L的反應器下進行了中溫消化和高溫消化之間的模擬比較,發現在有效的熱交換前提下,污水廠的高溫消化過程可以回收100～200Nm3/h的天然氣.此外,Sakiewicz等[132]使用人工神經網絡對污水處理廠中的厭氧消化工藝進行了模擬,經參數敏感性分析表明,與水質指標相比,操作工藝參數對甲烷產量的重要性更高.以上研究都表明,利用數學模擬技術可探尋合適的工況條件使污水廠實現能源自給.

5.2 數學模擬在養分回收中的應用

從污水中回收養分一直是研究的熱點.其中磷作為引起自然水體的富營養化問題的主要因素而被廣泛關注,然而如今由于磷元素在自然界的短缺,被認為是一種待回收的物質.Shu等[133]認為通過沉淀的方式將磷轉化為鳥糞石具有可觀的經濟價值.研究發現在厭氧消化過程引起的鳥糞石自發沉淀會導致污水廠管道堵塞[134],因此,鳥糞石的回收也極具工程意義.Kazadi等[135]基于BSM2平臺建立了污水廠全流程模型,研究發現礦物質沉淀強烈影響厭氧消化池中的成分和整個廠內的污染負荷.通過鳥糞石結晶進行磷回收方案的模擬,降低了43%出水磷指標濃度.為了進行最佳磷管理策略的研究,Lizarralde等[136]基于WEST軟件模擬目標污水廠進行了全流程建模,分析了不同的運行方案得出了以下結論:(1)低SRT可以提高鳥糞石的回收率(2)曝氣池中固體濃度對于鳥糞石回收的最佳值隨溫度的變化而變化,且在溫度在13～19℃范圍內,固體濃度為2000g/m3時最利于鳥糞石的回收,而在較高溫度下,鳥糞石回收率在較低固體濃度下達到最大.如今不乏一些從污水中回收養分的新興技術,但大部分方法從本質上來說還是一種“以能換能”的形式;對于現階段的資源回收,借助數學模擬工具,厘清污水廠內部可利用的資源分布,再通過調節工況而帶來的經濟與環境效益往往是出乎意料的.

目前污水與資源的關系仍然是污水處理領域內的新興問題,數學模擬技術有助于預測不同場景下污水處理系統的能量及資源回收潛力,然而關于能源回用的評估計算涉及到諸多經驗參數,要想提高模型預測的準確度需要進行參數的調研及修正.如今的能源和資源回用研究主要聚焦于甲烷及磷元素的回收,建議未來利用數學模型合理開發污水處理系統的其他資源潛力(如氮元素、硫元素、熱能等),最大程度實現污水廠能源自給,最大限度的減少溫室氣體排放,為碳減排作出貢獻.

6 結論與展望

6.1 結論

通過回顧數學模擬技術的發展和數學模擬在污水處理系統中的研究與應用,展示并討論了數學模擬技術在解決污水處理系統中水質預測、工藝參數控制優化、溫室氣體排放相關的多目標優化問題、以及資源回收等方面問題獨特的優越性和存在的問題.

①水質指標的預測方面主要通過以活性污泥系列模型和機器學習方法為載體,對氮磷等相關出水指標進行預測,研究者們往往致力于對模型過程進行增減或者是對機器學習算法進行優化改進,來追求更高的預測準確度和效率.

②數學模擬對污水廠出水質量及能耗控制的關鍵工藝參數為內回流比、外回流比、曝氣池溶解氧和污泥齡等,研究表明對曝氣系統建立模型進行模擬研究尤其關鍵.此外數學模擬技術對于不同的處理污水的類型(城市污水、鄉鎮污水和工業廢水)都有技術和經濟上的優化案例.

③數學模擬結合溫室氣體模型可幫助研究者們制定控制策略來降低生產過程對環境的影響.隨著多目標優化模型算法的研究發展,Pareto最優解集的收斂性與多樣性得到提高,在溫室氣體排放(GHG)、出水質量(EQI)與運行成本(OCI)之間的權衡問題上可進行大量研究.利用數學模擬工具可在不同場景對污水處理系統中溫室氣體減排的潛力進行量化,從而做到減污降碳協同增效.

④資源回收會對污水處理系統產生環境和經濟效益產生積極的影響.對于能量回收方面,目前數學模擬技術集中對厭氧消化模型進行了研究,利用模型對消化過程產生的甲烷產量進行優化控制,以滿足污水處理廠的部分能源需要.同時全流程建模可以描述污水處理系統內中磷參與的反應過程,填補了磷管理在決策工具和設計方法方面的空缺.利用數學模擬工具對SRT和溫度等關鍵參數的影響進行優化,是提高鳥糞石回收率的重要方法.

6.2 展望

①不同的地區,其進水組分具有不同的特征,針對目標污水處理廠進行數學模擬的時候,應該在前期進行廣泛的調研以及監測,提升硬件設施水平,建立適合當地進水組分監測體系,并確保分析方法的準確性和簡單性.

②盡管利用數學模擬對溫室氣體進行模擬具有明顯的優勢,但目前還是面臨著兩個問題:一是如今污水廠全流程范圍內的溫室氣體形成與排放機制研究得不夠完善,過于參數化,不同水質和不同工藝類型的反應器中N2O形成機制的研究需要加強;二是數據的缺乏,溫室氣體模型的建立與驗證需要大量的監測數據,這意味著需要污水行業具備更加先進的自動化監測和處理數據的能力.

③數據的共享與數據庫平臺的建立有利于推動污水處理領域中數學模擬技術的發展與升級.但是污水處理領域仍處在傳統的階段,研究者往往很難獲得足夠的數據支撐他們的模擬研究,因此未來污水處理行業需要在數據開源及共享方面作出更大的努力.

④污水管網中的厭氧環境及污水廠出水的受納水體同樣會排放一定量的溫室氣體,而污水處理廠作為中間環節,未來的模擬方向應該將三個環節集成并進行大量的場景模擬,來探究三者之間的相互作用及對環境的整體影響.

⑤整合文獻中已有的溫室氣體模型,建立一個利于高效長期統計溫室氣體信息的集成模型,最終建立一個決策支持系統,并結合技術與經濟分析為污水處理廠提供創新性的運營指南.

⑥在推動實現減污降碳協同增效的道路上,未來可借助機器學習深入分析污染物指標與溫室氣體排放的關聯機制,提取特征信息,為相關碳排放核算技術指南、規范的制定提供參考,逐步建立起治污與控碳協調的排放標準;此外,多目標優化應研究不同污泥處置技術路線對碳排放及能量平衡的影響,應對污水處理和污泥處置同步進行全生命周期的碳足跡評估,開發更多與污泥處置路徑相關的決策變量.

⑦針對不同類型的進水條件,對污水處理系統能耗評估過程的經驗參數進行測定和比較,同時利用數學模型合理開發污水處理系統的其他資源潛力(氮元素、硫元素、熱能等).

[1] 彭 玉,王建輝,齊高相,等.活性污泥模型(ASMs)研究進展及其發展前景[J]. 應用化工, 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,操家順,羅景陽,等.活性污泥數學模型在污水處理中的研究進展[J]. 應用化工, 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] 郭亞萍,陳士才,張宇坤,等.ASMs仿真軟件在污水處理廠中的應用[J]. 中國給水排水, 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軟件模擬的城市污水廠的優化運行研究[D]. 南京:東南大學, 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,謝長煥,鄧 科.試論ASM水質特性參數測定方法[J]. 能源環境保護, 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 軍,等.活性污泥2號模型中進水COD組分確定方法研究[J]. 給水排水, 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,張代均,何 強,等.基于ASM_2的快速易生物降解COD組分表征方法構建[J]. 環境工程學報, 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,董姍燕,李齊佳,等.活性污泥數學模型研究進展[J]. 有色金屬科學與工程, 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] 孫培德,王如意.全耦合活性污泥模型(FCASM3)Ⅰ:建模機理及數學表征[J]. 環境科學學報, 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] 耿麗娟,李星毅.用于大數據分類的KNN算法研究[J]. 計算機應用研究, 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] 丁世飛,齊丙娟,譚紅艷.支持向量機理論與算法研究綜述[J]. 電子科技大學學報, 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 Merri?nboer 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] 盧宏濤,張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 數據采集與處理, 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] 王麗萍,任 宇,邱啟倉,等.多目標進化算法性能評價指標研究綜述[J]. 計算機學報, 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] 李紅梅.多目標優化演化算法研究綜述[J]. 現代計算機(專業版), 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] 羅健旭,彭培培,徐 穎,等.污水處理過程的多目標優化[J]. 西安交通大學學報, 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.基于多目標優化的污水廠升級改造綜合評價和工藝比選[D]. 哈爾濱:哈爾濱工業大學, 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, Tanyola? 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] 魏忠慶,上官海東,葉均磊,等.基于GPS-X模擬的污水處理廠提標工藝優化[J]. 中國給水排水, 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,胡大龍,吳志超,等.基于數學模型的多模式AAO系統運行優化研究[J]. 中國環境科學, 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,陳梅雪,齊 嶸,等.面向寒冷地區城鎮污水處理廠提標改造的ASM模擬優化及其應用[J]. 環境工程學報, 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,劉偉巖,等.基于數學模擬的污水廠運行分析——建模與體檢[J]. 中國給水排水, 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,劉偉巖,等.基于數學模擬的污水廠運行分析——控制與優化[J]. 中國給水排水, 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,王華成,覃榴濱,等.鄉鎮污水處理廠仿真模擬及優化運行研究[J]. 水處理技術, 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] 陳文亮,姚重華,呂錫武.活性污泥工藝的多目標優化分析[J]. 環境科學學報, 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] 周紅標,喬俊飛.混合多目標骨干粒子群優化算法在污水處理過程優化控制中的應用[J]. 化工學報, 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] 付加鋒,馮相昭,高慶先,等.城鎮污水處理廠污染物去除協同控制溫室氣體核算方法與案例研究[J]. 環境科學研究, 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

陳治池(1997-),男,重慶潼南人,重慶大學碩士研究生,主要從事水污染控制,機器學習,污水工藝數值模擬優化.

2021-11-22

重慶市技術創新與應用發展專項(cstc2019jscx-tjsbX0002);住房和城鄉建設部科學技術計劃項目(2020-R-027);企業自主研發課題“基于數字化手段的流域水環境綜合治理系統研究1.0”

* 責任作者, 講師, hong.cheng@cqu.edu.cn