CN110451661A - 一种污水中微生物类溶解性有机氮的预测模型及其应用 - Google Patents
一种污水中微生物类溶解性有机氮的预测模型及其应用 Download PDFInfo
- Publication number
- CN110451661A CN110451661A CN201910861998.7A CN201910861998A CN110451661A CN 110451661 A CN110451661 A CN 110451661A CN 201910861998 A CN201910861998 A CN 201910861998A CN 110451661 A CN110451661 A CN 110451661A
- Authority
- CN
- China
- Prior art keywords
- soluble organic
- organic nitrogen
- nitrogen
- prediction model
- sewage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 125000001477 organic nitrogen group Chemical group 0.000 title claims abstract description 127
- 239000010865 sewage Substances 0.000 title claims abstract description 70
- 239000010802 sludge Substances 0.000 claims abstract description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 239000002351 wastewater Substances 0.000 claims abstract description 9
- 239000000203 mixture Substances 0.000 claims abstract description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 50
- 241000894006 Bacteria Species 0.000 claims description 34
- 230000001651 autotrophic effect Effects 0.000 claims description 33
- 229910052757 nitrogen Inorganic materials 0.000 claims description 25
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 23
- 239000000758 substrate Substances 0.000 claims description 21
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 19
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 17
- 229910052760 oxygen Inorganic materials 0.000 claims description 17
- 239000001301 oxygen Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 claims description 13
- 150000002500 ions Chemical class 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004587 chromatography analysis Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 9
- NLXLAEXVIDQMFP-UHFFFAOYSA-N Ammonia chloride Chemical compound [NH4+].[Cl-] NLXLAEXVIDQMFP-UHFFFAOYSA-N 0.000 claims description 8
- 238000002798 spectrophotometry method Methods 0.000 claims description 8
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims description 7
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 claims description 6
- 238000005374 membrane filtration Methods 0.000 claims description 6
- 230000000813 microbial effect Effects 0.000 claims description 5
- 238000005375 photometry Methods 0.000 claims description 5
- 238000004176 ammonification Methods 0.000 claims description 4
- 235000019270 ammonium chloride Nutrition 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 3
- 239000011591 potassium Substances 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 238000004065 wastewater treatment Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 150000002978 peroxides Chemical class 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 239000002676 xenobiotic agent Substances 0.000 claims description 2
- 230000002034 xenobiotic effect Effects 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 claims 2
- 240000000203 Salix gracilistyla Species 0.000 claims 1
- 230000003197 catalytic effect Effects 0.000 claims 1
- 230000029087 digestion Effects 0.000 claims 1
- WQYVRQLZKVEZGA-UHFFFAOYSA-N hypochlorite Inorganic materials Cl[O-] WQYVRQLZKVEZGA-UHFFFAOYSA-N 0.000 claims 1
- 230000002906 microbiologic effect Effects 0.000 claims 1
- 239000010841 municipal wastewater Substances 0.000 claims 1
- 150000004968 peroxymonosulfuric acids Chemical class 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 230000003647 oxidation Effects 0.000 description 6
- 238000007254 oxidation reaction Methods 0.000 description 6
- 229920006221 acetate fiber Polymers 0.000 description 5
- LNGHGZJAEPDKFE-UHFFFAOYSA-N chloro 2-hydroxybenzoate Chemical compound OC1=CC=CC=C1C(=O)OCl LNGHGZJAEPDKFE-UHFFFAOYSA-N 0.000 description 5
- 244000005700 microbiome Species 0.000 description 5
- NFBAXHOPROOJAW-UHFFFAOYSA-N phenindione Chemical compound O=C1C2=CC=CC=C2C(=O)C1C1=CC=CC=C1 NFBAXHOPROOJAW-UHFFFAOYSA-N 0.000 description 5
- USHAGKDGDHPEEY-UHFFFAOYSA-L potassium persulfate Chemical compound [K+].[K+].[O-]S(=O)(=O)OOS([O-])(=O)=O USHAGKDGDHPEEY-UHFFFAOYSA-L 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 210000000476 body water Anatomy 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 238000004255 ion exchange chromatography Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- GQPLMRYTRLFLPF-UHFFFAOYSA-N nitrous oxide Inorganic materials [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 1
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 1
- 235000019394 potassium persulphate Nutrition 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/34—Biological treatment of water, waste water, or sewage characterised by the microorganisms used
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/20—Probabilistic models
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/30—Organic compounds
- C02F2101/38—Organic compounds containing nitrogen
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/15—N03-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/16—Total nitrogen (tkN-N)
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/22—O2
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Microbiology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Hydrology & Water Resources (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种污水中微生物类溶解性有机氮的预测模型及其应用，属于污水处理技术领域，所述预测模型是利用污水厂活性污泥处理段的运行参数、进水中的组分浓度、动力学参数和化学计量数建立的ASM‑mDON预测模型。所述应用具体为：(1)建立ASM‑mDON预测模型；(2)测定污水组分及ASM‑mDON预测模型参数；(3)预测污水中微生物类溶解性有机氮的浓度。本发明提出的ASM‑mDON预测模型适用于稳态污水生物处理系统的模拟，可解决在实际污水处理过程中微生物类溶解性有机氮难以定量的问题，本发明的预测方法具有快速预测、准确定量、操作简便等优点，对解决污水水质问题具有现实意义。
Description
技术领域
本发明属于污水处理领域，更具体地说，涉及一种污水中微生物类溶解性有机氮的预测模型及其应用。
背景技术
溶解性有机氮(dissolved organic nitrogen，DON)是市政污水处理厂出水氮的重要形式(占比＞65％)。污水中的溶解性有机氮在污水处理过程中会导致膜污染，影响污水厂后续深度处理；同时溶解性有机氮可作为消毒副产物的前体物，影响出水受纳水体的水质安全。在市政污水处理厂，出水溶解性有机氮可分为两类：一类是进水衍生、在生物处理过程中未完全降解、不可降解或难生物降解溶解性有机氮(influent-deriveddissolved organic nitrogen，inDON)，另一类是微生物衍生、生物处理过程中产生的微生物类溶解性有机氮(microorganism-derived dissolved organic nitrogen，mDON)。与inDON相比，污水处理过程中产生的微生物类溶解性有机氮更易受工艺参数及工程条件变化的影响，其组成成分、性质与生物处理过程中微生物的生长代谢密切相关。
尽管人们已经逐渐意识到污水处理厂中微生物类溶解性有机氮的重要性，但目前尚无直接测定污水厂中微生物类溶解性有机氮的方法。由于实际废水中含有各种复杂的含氮有机物，同时在生物处理单元中，微生物的活动将产生微生物类溶解性有机氮，通过大多数的化学分析手段难以将微生物类溶解性有机氮与进水中含有的有机氮进行区分。因此，难以定量实际废水在生物处理单元中微生物类溶解性有机氮产生的浓度。国内外学者主要通过实验室内不含溶解性有机氮的人工废水培养活性污泥计算出水溶解性有机氮来定量系统中微生物类溶解性有机氮产生的浓度。在包含inDON与微生物类溶解性有机氮的复杂水质环境中，定量污水处理过程中产生的微生物类溶解性有机氮是一个巨大的挑战。Makinia等人(Water Sci.Technol.，2011，63(7)，1418-1426，doi：10.2166/wst.2011.320)用改进的活性污泥2d号模型模拟了溶解性有机氮在市政污水处理厂的迁移转化，以颗粒有机氮、胶体有机氮以及溶解性有机氮为目标物，建立一套综合氨化作用、生物衰亡以及水解作用的统一模型，精确模拟并预测了污水厂出水各类无机氮及出水有机氮的浓度。而对于过程中的微生物类溶解性有机氮，由于在实际活性污泥系统中微生物类溶解性有机氮定量方法的局限性，研究人员往往只能预测系统中溶解性有机氮的净变化量。因此，活性污泥系统中微生物类溶解性有机氮产生的模拟及预测受到限制。
发明内容
本发明的目的是要解决在真实废水的处理过程中，现有分析方法在实际活性污泥系统中不能完全区分微生物类溶解性有机氮(mDON)与inDON，无法进行生物处理段产生的微生物类溶解性有机氮的测定及定量的问题，进而提供一种污水中微生物类溶解性有机氮的预测模型及其应用。
为了解决上述问题，本发明所采用的技术方案如下：
一种污水中微生物类溶解性有机氮的预测模型，是利用污水厂活性污泥处理段的运行参数、进水中的组分浓度、动力学参数和化学计量数，建立的ASM-mDON预测模型，具体建立方法为：
(a)利用活性污泥系统中微生物类溶解性有机氮产生及消耗的动力学过程对传统的活性污泥1号模型进行改进，将微生物类溶解性有机氮的动力学表达式加入活性污泥1号模型，组建以微生物类溶解性有机氮为对象的动力学方程式；
(b)将预测模型的组分变量、参数变量、模型矩阵、过程变化速率方程及工艺运行参数输入AquaSim模拟软件中，建立ASM-mDON预测模型；
(c)在AquaSim模拟软件中输入组分变量和参数变量的初始值，利用各变量的初始值进行ASM-mDON预测模型的初始化；
(d)根据初步模拟的微生物类溶解性有机氮动力学以及灵敏度分析的结果，选择相应的参数，通过AquaSim模型软件中的参数估计功能校准预测模型中动力学及化学计量参数数值，以实现模型准确预测微生物类溶解性有机氮的浓度；
(e)将参数估计得到的最优数值替换预测模型中的参数初始值，完成预测模型的优化。
优选地，所述的活性污泥处理段为完全混合式的稳态活性污泥系统，满足5d＜污泥龄＜30d，2000mg/L＜污泥浓度＜5000mg/L。
优选地，步骤(c)中所述参数变量的初始值测定方法如下：参见《活性污泥数学模型》(国际水协废水生物处理设计与运行数学模型课题组著，张亚雷，李咏梅译)，按照模型中的动力学及化学计量学参数分类进行参数值假设、估测或是引用默认的参数值。
优选地，步骤(d)中，所述的灵敏度分析为使用绝对-相对灵敏度方程进行参数变化对微生物类溶解性有机氮产生的影响计算。
进一步地，所述ASM-mDON预测模型是以活性污泥系统中微生物活动产生的微生物类溶解性有机氮为主要研究对象，包含以下7种组分、5个反应过程和18个参数：
7种组分：XH(异养菌)，XA(自养菌)，XI(颗粒惰性物质)，SNO(硝态氮)，SNH(氨氮)，SDON(微生物类溶解性有机氮)，SO(溶解氧)。
5个反应过程：异养菌基于氯化铵作为底物的自身生长及其内源呼吸过程、自养菌基于氯化铵作为外源底物的自身生长及其内源呼吸过程和微生物类溶解性有机氮氨化过程。
18个参数：(异养菌最大比增长速率)，YH(异养菌产率系数)，bH(异养菌衰减系数)，KH，NH(异养菌的氨氮半饱和系数)，KH，O(异养菌的氧半饱和系数)，(自养菌最大比增长速率)，fH，DON(异养菌利用底物时转化为微生物类溶解性有机氮的比例)，YA(自养菌产率系数)，bA(自养菌衰减系数)，KA，NH(自养菌的氨氮半饱和系数)，KA，O(自养菌的氧半饱和系数)，fA，DON(自养菌利用底物时转化为微生物类溶解性有机氮的比例)，iXB(生物体中含氮比例)，iXP(生物体产物中的含氮比例)，fNO(自养菌利用底物时转化为硝态氮的比例)，fI(生物体中可转化为惰性颗粒物的比例)，ka(氨化速率)，KH，DON(微生物类溶解性有机氮半饱和系数)。
更进一步地，用以计算ASM-mDON预测模型的各组分变化速率方程为：
XH：
XA：
SNH：
SDON：
SNO：
XI：
S：
其中，MH，NH(t)为异养菌中底物限制的Monod项，MA，NH(t)为自养菌中底物限制的Monod项，MH，O(t)为异养菌中氧限制的Monod项，MA，O(t)为自养菌中氧限制的Monod项，MH，DON(t)为异养菌中微生物类溶解性有机氮限制的Monod项。
优选地，定量微生物类溶解性有机氮的动力学方程为：
优选地，所述ASM-mDON预测模型的单步计算大小为0.1，计算容量与单步计算大小的乘积等于所预测的总反应时长。
本发明还提供了上述模型在污水中微生物类溶解性有机氮的预测中的应用，具体包括以下步骤：
(1)建立ASM-mDON预测模型；
(2)测定污水组分及ASM-mDON预测模型参数：用滤膜过滤污水处理厂中的进水水样，测定进水水样中COD、总氮、硝态氮、亚硝态氮、氨氮和溶解性有机氮的浓度，同时利用污水厂活性污泥系统中的污泥测定异养菌产率系数(YH)及其衰减系数(bH)、异养菌的基质最大生长速率
(3)预测污水中微生物类溶解性有机氮的浓度：将经步骤(2)确定的组分输入ASM-mDON预测模型，预测系统中微生物类溶解性有机氮的产生。
优选地，步骤(2)中所述的污水处理厂为市政污水处理厂，满足15℃＜环境温度＜25℃，6.0＜进水pH＜8.0。
优选地，步骤(2)中所述的滤膜为醋酸纤维滤膜，其孔径为0.45μm。
优选地，步骤(2)中所述参数变量的初始值测定方法如下：参见《活性污泥数学模型》(国际水协废水生物处理设计与运行数学模型课题组著，张亚雷，李咏梅译)，按照模型中的动力学及化学计量学参数分类进行参数值假设、估测或是引用默认的参数值。
优选地，步骤(2)中，所述的污水样品中溶解性有机氮的浓度通过总氮和氨氮、硝态氮和亚硝态氮的差值计算而得；总氮的浓度采用过硫酸钾氧化-离子色谱法或过硫酸钾氧化-紫外分光光度法测定；所述的氨氮的浓度采用水杨酸-次氯酸盐光度法测定；所述的硝态氮的浓度采用离子色谱法或紫外分光光度法测定；所述的亚硝态氮的浓度采用离子色谱法或N-(1-萘基)-乙二胺光度法测定；所述的COD的浓度采用重铬酸钾法或快速密闭催化消解法测定。
与现有技术相比，本发明的有益效果为：
(1)本发明提供了一种简洁、准确的微生物类溶解性有机氮预测模型；解决了现有分析方法在实际活性污泥系统中不能完全区分微生物类溶解性有机氮(mDON)与inDON，无法定量实际污水厂中产生微生物类溶解性有机氮的浓度的问题；
(2)本发明利用简化的改进模型，选择必要的动力学和化学计量学参数进行污水处理过程中微生物类溶解性有机氮产生的模拟预测，能够实现活性污泥系统的污水处理过程中微生物类溶解性有机氮快速预测、准确定量，大大简化了预测步骤，实现了微生物类溶解性有机氮的定量及预测；
(3)本发明可达到准确预测污水处理厂生物段中微生物类溶解性有机氮的动态变化，可广泛应用于污水处理过程中活性污泥系统产生微生物类溶解性有机氮的模拟及预测，为选择提高污水厂水质的优化方案提供理论支撑。
附图说明
图1为本发明实施例1中污水样品微生物类溶解性有机氮的预测浓度结果图；
图2为本发明验证例中污水样品微生物类溶解性有机氮的测量浓度结果图。
具体实施方式
以下结合具体实施例对本发明作进一步的描述，但本发明的保护范围并不仅限于此。
实施例1
本例的模拟对象是实验室级别的序批式活性污泥反应器，采用人工配制废水(不含溶解性有机氮)培养活性污泥。人工废水组成为：COD 300±30mg/L，总氮20±5mg/L，总磷3.5±0.5mg/L。该反应器有效体积为2L，反应器运行周期为6h，水力停留时间为12h，污泥龄为20d；在25℃条件下运行模式为：2min进水、300min混合并曝气、50min沉降和8min排水。该反应器污泥浓度为2000±200mg/L，pH为7.5±0.5。该反应器中微生物类溶解性有机氮的预测实现过程如下：一种污水中微生物类溶解性有机氮的预测模型及其应用，包括下述步骤：
1.建立ASM-mDON预测模型：
设定模型中相关的变量符号分别为XH(异养菌浓度)、XA(自养菌浓度)、XI(颗粒惰性物质浓度)、SNO(硝氮浓度)、SNH(氨氮的浓度)、SDON(微生物类溶解性有机氮的浓度)，SO(溶解氧的浓度)，变量属性为状态变量；将组分变化速率方程对应的矩阵输入仿真软件中的反应过程，构建混合污泥反应器；
其中仿真软件使用的模型为简化的ASM-mDON预测模型，如表1所示：
表1各组分变化速率方程
其中，MH，NH(t)为异养菌中底物限制的Monod项，MA，NH(t)为自养菌中底物限制的Monod项，MH，O(t)为异养菌中氧限制的Monod项，MA，O(t)为自养菌中氧限制的Monod项，MH，DON(t)为异养菌中微生物类溶解性有机氮限制的Monod项。
其中，MH，NH(t)为异养菌中底物限制的Monod项，MA，NH(t)为自养菌中底物限制的Monod项，MH，O(t)为异养菌中氧限制的Monod项，MA，O(t)为自养菌中氧限制的Monod项，MH，DON(t)为异养菌中微生物类溶解性有机氮限制的Monod项。
反应过程中输入的矩阵如表2所示：
表2仿真软件的反应过程中输入的矩阵
2.确定反应器进水中各组分的浓度及模型输入的参数值：
取50mL序批式活性污泥反应器进水水样，并使用0.45μm醋酸纤维滤膜过滤水样；使用重铬酸钾法、过硫酸钾氧化-紫外分光光度法、紫外分光光度法、N-(1-萘基)-乙二胺光度法和水杨酸-次氯酸盐光度法分别测定水样中COD、总氮、硝态氮、亚硝态氮和氨氮浓度分别为300mg/L、20mg/L、0mg/L、0mg/L、20mg/L。过滤后的进水水样中溶解性有机氮的浓度为总氮和硝态氮、亚硝态氮和氨氮的差值，即0mg/L；
预先采用传统模型中动力学和化学计量学参数的默认值与步骤(1)中测定的水质参数进行活性污泥系统的污水处理过程中微生物类溶解性有机氮参数的模拟；确定参数值为：0.8h-1；YH，0.67mg(COD)/mg(N)；bH，0.62h-1；KH，NH，0.05mg(N)/L；KH，O，0.2mg(N)/L；0.3h-1；fH，DON，0.04；YA，3.4mg(COD)/mg(N)；bA，0.15h-1；KA，NH，5mg(N)/L；KA，O，0.4mg(N)/L；fA，DON，0.04；iXB，0.07mg(N)/mg(COD)；iXP，0.03mg(N)/mg(COD)；fNO，0.8；fI，0.2；ka，0.04L/(mg(N)·d)；KH，DON，1.5mg(N)/L；其中为异养菌最大比增长速率，YH为异养菌产率系数，bH为异养菌衰减系数，KH，NH为异养菌的氨氮半饱和系数，KH，O为异养菌的氧半饱和系数，为自养菌最大比增长速率，fH，DON为异养菌利用底物时转化为微生物类溶解性有机氮的比例，YA为自养菌产率系数，bA为自养菌衰减系数，KA，NH为自养菌的氨氮半饱和系数，KA，O为自养菌的氧半饱和系数，fA，DON为自养菌利用底物时转化为微生物类溶解性有机氮的比例，iXB为生物体中含氮比例，iXP为生物体产物中的含氮比例，fNO为自养菌利用底物时转化为硝态氮的比例，fI为生物体中可转化为惰性颗粒物的比例，ka为氨化速率，KH，DON为微生物类溶解性有机氮半饱和系数；
3.模拟并预测系统中产生的微生物类溶解性有机氮浓度：
将经测定的水样进水组分及参数输入微生物类溶解性有机氮预测模型的仿真软件中，并设置单步计算大小为0.1、计算容量为60步，微生物类溶解性有机氮产生效应进行模拟预测。该活性污泥系统产生微生物类溶解性有机氮预测结果如图1所示。
实施例2
1.同实施例1不同的是所述污水水源为市政污水处理厂A的进水。采样时其进水温度为15℃，生物段水力停留时间为8h，污泥龄为5d。其进水含COD 96.2-120.6mg/L，总氮23.7-29.1mg/L，总磷2.0-3.5mg/L，pH 7.4-8.0，悬浮固体3000-3200mg/L。取生物段(氧化沟处理工艺)进水(大于100mL)及活性污泥(大于50mL)用以组分测定及参数估计。用孔径为0.45μm的醋酸纤维滤膜过滤污水样品；采用重铬酸钾测定过滤后水样中的COD浓度；分别采用过硫酸钾氧化-离子色谱法、水杨酸-次氯酸盐分光光度法、离子色谱法、离子色谱法测定污水样品中总氮、氨氮、硝态氮、亚硝态氮的浓度，通过总氮和氨氮、硝态氮和亚硝态氮的差值计算污水样品中溶解性有机氮浓度。根据步骤(1)测定的参数异养菌产率系数(YH)及其衰减系数(bH)、异养菌的基质最大生长速率初始值分别为0.26mgCOD/mgN、0.09h-1、1.0h-1。
2.建立相应的预测模型，使用参数估计可得出最佳参数值为iXB，0.07mg(N)/mg(COD)；ka，0.04L/(mg(N)·d)；1.0h-1；YH，0.30mg(COD)/mg(N)；bH，0.05h-1；KH，NH，0.05mg(N)/L；KH，O，0.2mg(N)/L；0.3h-1；fH，DON，0.04；YA，3.4mg(COD)/mg(N)；bA，0.15h-1；KA，NH，5mg(N)/L；KA，O，0.4mg(N)/L；fA，DON，0.04；iXP，0.03mg(N)/mg(COD)；fNO，0.8；fI，0.2；KH，DON，1.5mg(N)/L；
3.将经测定的水样进水组分及参数输入微生物类溶解性有机氮预测模型的仿真软件中，并设置单步计算大小为0.1、计算容量为240步，对微生物类溶解性有机氮产生的浓度进行模拟预测。经微生物类溶解性有机氮模型预测，由预测模型估算得出在氧化沟工艺段内产生微生物类溶解性有机氮浓度分别为2.32mg/L。
实施例3
本实施例与实施例2采取相同的模拟对象，即所述污水水源为市政污水处理厂A的进水。同实施例2不同的是所述污水水源为不同采样时间下南京市政污水处理厂A的进水。其进水温度为20℃，生物段水力停留时间为8h，污泥龄为5d。其进水含COD 96.2-120.6mg/L，总氮23.7-29.1mg/L，总磷2.0-3.5mg/L，pH 7.4-8.0，悬浮固体3000-3200mg/L。取生物段(氧化沟处理工艺)进水(大于100mL)及活性污泥(大于50mL)用以组分测定及参数估计。用孔径为0.45μm的醋酸纤维滤膜过滤污水样品；采用重铬酸钾测定过滤后水样中的COD浓度；分别采用过硫酸钾氧化-离子色谱法、水杨酸-次氯酸盐分光光度法、离子色谱法、离子色谱法测定污水样品中总氮、氨氮、硝态氮、亚硝态氮的浓度，通过总氮和氨氮、硝态氮和亚硝态氮的差值计算污水样品中溶解性有机氮浓度。根据步骤(1)测定的参数异养菌产率系数(YH)及其衰减系数(bH)、异养菌的基质最大生长速率初始值分别为0.26mgCOD/mgN、0.09h-1、1.0h-1。
2.建立相应的预测模型，使用参数估计可得出最佳参数值为iXB，0.07mg(N)/mg(COD)；ka，0.04L/(mg(N)·d)；1.0h-1；YH，0.30mg(COD)/mg(N)；bH，0.05h-1；KH，NH，0.05mg(N)/L；KH，O，0.2mg(N)/L；0.3h-1；fH，DON，0.04；YA，3.4mg(COD)/mg(N)；bA，0.15h-1；KA，NH，5mg(N)/L；KA，O，0.4mg(N)/L；fA，DON，0.04；iXP，0.03mg(N)/mg(COD)；fNO，0.8；fI，0.2；KH，DON，1.5mg(N)/L；
3.将经测定的水样进水组分及参数输入微生物类溶解性有机氮预测模型的仿真软件中，并设置单步计算大小为0.1、计算容量为240步，对微生物类溶解性有机氮产生的浓度进行模拟预测。经微生物类溶解性有机氮模型预测，由预测模型估算得出在氧化沟工艺段内产生微生物类溶解性有机氮浓度分别为1.89mg/L。
实施例4
1.本实施例采取的是市政污水处理厂B进水。其进水温度为20℃，生物段水力停留时间为6h，污泥龄为30d。其进水含COD 130.9mg/L，总氮25.1mg/L，总磷5.1mg/L，pH 7.2，悬浮固体5000mg/L。取生物段(氧化沟处理工艺)进水(大于100mL)及活性污泥(大于50mL)用以组分测定及参数估计。用孔径为0.45μm的醋酸纤维滤膜过滤污水样品；采用重铬酸钾测定过滤后水样中的COD浓度；分别采用过硫酸钾氧化-离子色谱法、水杨酸-次氯酸盐分光光度法、离子色谱法、离子色谱法测定污水样品中总氮、氨氮、硝态氮、亚硝态氮的浓度，通过总氮和氨氮、硝态氮和亚硝态氮的差值计算污水样品中溶解性有机氮浓度。根据步骤(1)测定的参数异养菌产率系数(YH)及其衰减系数(bH)、异养菌的基质最大生长速率分别为0.2mgCOD/mgN、0.05h-1、0.3h-1。
2.建立相应的预测模型，使用参数估计可得出最佳参数值为iXB，0.07mg(N)/mg(COD)；ka，0.04L/(mg(N)·d)；0.33h-1；YH，0.32mg(COD)/mg(N)；bH，0.05h-1；KH，NH，0.05mg(N)/L；KH，O，0.2mg(N)/L；0.3h-1；fH，DON，0.04；YA，3.0mg(COD)/mg(N)；bA，0.15h-1；KA，NH，5mg(N)/L；KA，O，0.4mg(N)/L；fA，DON，0.04；iXP，0.03mg(N)/mg(COD)；fNO，0.8；fI，0.2；KH，DON，1.5mg(N)/L；
3.将经测定的水样进水组分及参数输入微生物类溶解性有机氮预测模型的仿真软件中，并设置单步计算大小为0.1、计算容量为60步，对微生物类溶解性有机氮产生的浓度进行模拟预测。经微生物类溶解性有机氮模型预测，由预测模型估算得出在氧化沟工艺段内产生微生物类溶解性有机氮浓度分别为4.31mg/L。
验证例
选取本发明实施例1中序批式活性污泥反应器对微生物类溶解性有机氮预测结果进行对比验证。在反应器运行的一个周期中，在该周期设定的5h反应期间，每间隔0.5h进行水样采集。采集的水样预处理方法及其测定方法分别按照实施例1中相应的方法进行测定。如图3所示，实测一个周期中序批式活性污泥反应器中微生物类溶解性有机氮的产生过程，其测定值与模拟曲线匹配良好，基本在误差范围之内。
综上所述，本发明实施例的活性污泥系统中产生的微生物类溶解性有机氮的预测值与实际测定确定的反应过程中微生物类溶解性有机氮产生的浓度相差无异。本发明预测快速、定量准确、操作简便，因此，可广泛应用于活性污泥系统中微生物类溶解性有机氮产生的预测。
Claims (10)
1.一种污水中微生物类溶解性有机氮的预测模型，其特征在于，是利用污水厂活性污泥处理段的运行参数、进水中的组分浓度、动力学参数和化学计量数建立的ASM-mDON预测模型，具体建立方法为：
(a)利用活性污泥系统中微生物类溶解性有机氮产生及消耗的动力学过程对传统的活性污泥1号模型进行改进，将微生物类溶解性有机氮的动力学表达式加入活性污泥1号模型，组建以微生物类溶解性有机氮为对象的动力学方程式；
(b)将预测模型的组分变量、参数变量、模型矩阵、过程变化速率方程及工艺运行参数输入AquaSim模拟软件中，建立ASM-mDON预测模型；
(c)在AquaSim模拟软件中输入组分变量和参数变量的初始值，利用各变量的初始值进行ASM-mDON预测模型的初始化；
(d)根据初步模拟的微生物类溶解性有机氮动力学以及灵敏度分析的结果，选择相应的参数，通过AquaSim模型软件中的参数估计功能校准预测模型中动力学及化学计量参数数值，以实现模型准确预测微生物类溶解性有机氮的浓度；
(e)将参数估计得到的最优数值替换预测模型中的参数初始值，完成预测模型的优化。
2.根据权利要求1所述的一种污水中微生物类溶解性有机氮的预测模型，其特征在于：所述的活性污泥处理段为完全混合式的稳态活性污泥系统，满足5d＜污泥龄＜30d，2000mg/L＜污泥浓度＜5000mg/L。
3.根据权利要求1所述的一种污水中微生物类溶解性有机氮的预测模型，其特征在于：所述ASM-mDON预测模型是以活性污泥系统中微生物活动产生的微生物类溶解性有机氮为研究对象，包含以下7种组分、5个反应过程和18个参数：
7种组分：XH(异养菌)，XA(自养菌)，XI(颗粒惰性物质)，SNO(硝态氮)，SNH(氨氮)，SDON(微生物类溶解性有机氮)，SO(溶解氧)；
5个反应过程：异养菌基于氯化铵作为底物的自身生长及其内源呼吸过程、自养菌基于氯化铵作为外源底物的自身生长及其内源呼吸过程和微生物类溶解性有机氮氨化过程；
18个参数：(异养菌最大比增长速率)，YH(异养菌产率系数)，bH(异养菌衰减系数)，KH，NH(异养菌的氨氮半饱和系数)，KH，O(异养菌的氧半饱和系数)，(自养菌最大比增长速率)，fH，DON(异养菌利用底物时转化为微生物类溶解性有机氮的比例)，YA(自养菌产率系数)，bA(自养菌衰减系数)，KA，NH(自养菌的氨氮半饱和系数)，KA，O(自养菌的氧半饱和系数)，fA，DON(自养菌利用底物时转化为微生物类溶解性有机氮的比例)，iXB(生物体中含氮比例)，iXP(生物体产物中的含氮比例)，fNO(自养菌利用底物时转化为硝态氮的比例)，fI(生物体中可转化为惰性颗粒物的比例)，ka(氨化速率)，KH，DON(微生物类溶解性有机氮半饱和系数)。
4.根据权利要求3中所述的一种污水中微生物类溶解性有机氮的预测模型，其特征在于：用以计算ASM-mDON预测模型的各组分变化速率方程为：
XH：
XA：
SNH：
SDON：
SNO：
XI：
S：
其中，MH，NH(t)为异养菌中底物限制的Monod项，MA，NH(t)为自养菌中底物限制的Monod项，MH，O(t)为异养菌中氧限制的Monod项，MA，O(t)为自养菌中氧限制的Monod项，MH，DON(t)为异养菌中微生物类溶解性有机氮限制的Monod项。
5.根据权利要求3中所述的一种污水中微生物类溶解性有机氮的预测模型，其特征在于：定量微生物类溶解性有机氮的动力学方程为：
6.根据权利要求4中所述的一种污水中微生物类溶解性有机氮的预测模型，其特征在于：所述ASM-mDON预测模型的单步计算大小为0.1，计算容量与单步计算大小的乘积等于所预测的总反应时长。
7.一种如权利要求1～6任意一项所述的模型在污水中微生物类溶解性有机氮的预测中的应用，其特征在于，包括以下步骤：
(1)建立ASM-mDON预测模型；
(2)测定污水组分及ASM-mDON预测模型参数：用滤膜过滤污水处理厂中的进水水样，测定进水水样中COD、总氮、硝态氮、亚硝态氮、氨氮和溶解性有机氮的浓度，同时利用污水厂活性污泥系统中的污泥测定异养菌产率系数(YH)及其衰减系数(bH)、异养菌的基质最大生长速率
(3)预测污水中微生物类溶解性有机氮的浓度：将经步骤(2)确定的组分输入ASM-mDON预测模型，预测系统中微生物类溶解性有机氮的产生。
8.根据权利要求7所述的应用，其特征在于：步骤(2)中所述的污水处理厂为市政污水处理厂，满足15℃＜环境温度＜25℃，6.0＜进水pH＜8.0。
9.根据权利要求1所述的一种污水中微生物类溶解性有机氮的预测模型，其特征在于：所述ASM-mDON预测模型是以活性污泥系统中微生物活动产生的微生物类溶解性有机氮为研究对象，包含7种组分、5个反应过程和18个参数。
10.根据权利要求7所述的应用，其特征在于：步骤(2)中，所述的污水样品中溶解性有机氮的浓度通过总氮和氨氮、硝态氮和亚硝态氮的差值计算而得；总氮的浓度采用过硫酸钾氧化-离子色谱法或过硫酸钾氧化-紫外分光光度法测定；所述的氨氮的浓度采用水杨酸-次氯酸盐光度法测定；所述的硝态氮的浓度采用离子色谱法或紫外分光光度法测定；所述的亚硝态氮的浓度采用离子色谱法或N-(1-萘基)-乙二胺光度法测定；所述的COD的浓度采用重铬酸钾法或快速密闭催化消解法测定。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910861998.7A CN110451661B (zh) | 2019-09-12 | 2019-09-12 | 一种污水中微生物类溶解性有机氮的预测模型及其应用 |
| PCT/CN2019/119772 WO2021047033A1 (zh) | 2019-09-12 | 2019-11-20 | 一种污水中微生物类溶解性有机氮的预测模型建立方法及其应用 |
| US17/024,656 US20210081587A1 (en) | 2019-09-12 | 2020-09-17 | Method for building predictive model of microorganism-derived dissolved organic nitrogen in wastewater |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910861998.7A CN110451661B (zh) | 2019-09-12 | 2019-09-12 | 一种污水中微生物类溶解性有机氮的预测模型及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110451661A true CN110451661A (zh) | 2019-11-15 |
| CN110451661B CN110451661B (zh) | 2021-07-30 |
Family
ID=68491796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910861998.7A Active CN110451661B (zh) | 2019-09-12 | 2019-09-12 | 一种污水中微生物类溶解性有机氮的预测模型及其应用 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210081587A1 (zh) |
| CN (1) | CN110451661B (zh) |
| WO (1) | WO2021047033A1 (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111125936A (zh) * | 2020-01-09 | 2020-05-08 | 广州市市政工程设计研究总院有限公司 | 污水设计水质与模型水质的转换方法、系统及存储介质 |
| CN112322483A (zh) * | 2020-10-23 | 2021-02-05 | 美尚生化环境技术（上海）有限公司 | 一种微生物活性测定系统和微生物活性测定方法 |
| CN112397137A (zh) * | 2020-10-28 | 2021-02-23 | 南京大学 | 污水中有机微污染物浓度变化规律的预测模型及预测方法 |
| WO2021047033A1 (zh) * | 2019-09-12 | 2021-03-18 | 南京大学 | 一种污水中微生物类溶解性有机氮的预测模型建立方法及其应用 |
| CN113277685A (zh) * | 2021-06-22 | 2021-08-20 | 哈尔滨工业大学（深圳） | 一种aao工艺碳源投加控制系统 |
| CN113393907A (zh) * | 2021-07-20 | 2021-09-14 | 西安交通大学 | PPCPs类有机污染物降解率预测模型构建方法及装置 |
| CN113419005A (zh) * | 2021-06-22 | 2021-09-21 | 南京大学 | 一种污水中不同源溶解性有机氮的辨析方法及应用 |
| CN114275889A (zh) * | 2021-12-30 | 2022-04-05 | 南京大学 | 一种反硝化工艺有机氮与无机氮的协同优化控制方法 |
| CN114295707A (zh) * | 2021-12-28 | 2022-04-08 | 南京大学 | 一种基于机器学习的污水有机氮生物有效性评价方法 |
| CN114873738A (zh) * | 2022-05-09 | 2022-08-09 | 南京大学 | 一种废水微生物类溶解性有机氮的测定方法 |
| CN115132285A (zh) * | 2022-07-04 | 2022-09-30 | 山东臻智行环保科技有限公司 | 一种实现污水处理好氧池所需曝气量实时预测的模型方法 |
| CN116395828A (zh) * | 2023-04-10 | 2023-07-07 | 苏州市环境保护有限公司 | 一种用于污水厂的精准化加药控制方法 |
| CN116935991A (zh) * | 2023-06-07 | 2023-10-24 | 中原环保股份有限公司 | 一种用于污水处理厂生物处理的温室气体模拟方法 |
| CN117113803A (zh) * | 2023-06-07 | 2023-11-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种污水生化处理中温室气体的模拟及预测方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077847B (zh) * | 2021-04-08 | 2022-06-17 | 北京城市排水集团有限责任公司 | 在线模型水质转换方法、系统、电子设备及介质 |
| CN113571137A (zh) * | 2021-06-25 | 2021-10-29 | 上海环境卫生工程设计院有限公司 | 一种采用数学模型测定环境pH值对异养菌活力影响的方法 |
| CN114044568A (zh) * | 2021-11-26 | 2022-02-15 | 昆明理工大学 | 一种基于biocos生物池工艺智能控制的数学模型辅助控制方法 |
| CN114639448A (zh) * | 2022-03-21 | 2022-06-17 | 中国城市建设研究院有限公司 | 一种预测流速对河道氨氮污染物降解速率影响的模型方法 |
| CN114620843B (zh) * | 2022-03-21 | 2023-10-13 | 中国城市建设研究院有限公司 | 一种推流曝气强化河道固定生物膜去除污染物的智慧系统 |
| CN116718742B (zh) * | 2023-05-06 | 2024-05-24 | 四川文韬工程技术有限公司 | 一种未建污水厂地区的水质组分分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880794A (zh) * | 2012-09-17 | 2013-01-16 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理过程模型参数校正方法 |
| CN103342415A (zh) * | 2013-06-10 | 2013-10-09 | 桂林理工大学 | 城市污水厂进水毒性监测装置 |
| CN103911421A (zh) * | 2014-03-10 | 2014-07-09 | 北京工业大学 | 一种定量测定全程自养脱氮工艺菌群活性的方法 |
| CN108640276A (zh) * | 2018-04-17 | 2018-10-12 | 东南大学 | 一种基于west模型的污水处理厂aao工艺优化运行方法 |
| JP2019141763A (ja) * | 2018-02-19 | 2019-08-29 | 株式会社明電舎 | 水処理施設の運転支援装置及び運転支援方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100912021B1 (ko) * | 2008-05-19 | 2009-08-12 | 효성에바라엔지니어링 주식회사 | 하수 고도 처리 시스템 및 방법 |
| BRPI0921825A2 (pt) * | 2008-11-14 | 2016-01-12 | Nippon Steel Corp | processo e dispositivo para simular a qualidade da água |
| CN103064290B (zh) * | 2013-01-01 | 2015-06-17 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
| KR20160114211A (ko) * | 2015-03-23 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
| CN110451661B (zh) * | 2019-09-12 | 2021-07-30 | 南京大学 | 一种污水中微生物类溶解性有机氮的预测模型及其应用 |
-
2019
- 2019-09-12 CN CN201910861998.7A patent/CN110451661B/zh active Active
- 2019-11-20 WO PCT/CN2019/119772 patent/WO2021047033A1/zh active Application Filing
-
2020
- 2020-09-17 US US17/024,656 patent/US20210081587A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880794A (zh) * | 2012-09-17 | 2013-01-16 | 广州中国科学院沈阳自动化研究所分所 | 一种污水处理过程模型参数校正方法 |
| CN103342415A (zh) * | 2013-06-10 | 2013-10-09 | 桂林理工大学 | 城市污水厂进水毒性监测装置 |
| CN103911421A (zh) * | 2014-03-10 | 2014-07-09 | 北京工业大学 | 一种定量测定全程自养脱氮工艺菌群活性的方法 |
| JP2019141763A (ja) * | 2018-02-19 | 2019-08-29 | 株式会社明電舎 | 水処理施設の運転支援装置及び運転支援方法 |
| CN108640276A (zh) * | 2018-04-17 | 2018-10-12 | 东南大学 | 一种基于west模型的污水处理厂aao工艺优化运行方法 |
Non-Patent Citations (1)
| Title |
|---|
| SIMSEK,HALIS: "Mathematical modeling of wastewater-derived biodegradable dissolved organic nitrogen", 《ENVIRONMENTAL TECHNOLOGY》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021047033A1 (zh) * | 2019-09-12 | 2021-03-18 | 南京大学 | 一种污水中微生物类溶解性有机氮的预测模型建立方法及其应用 |
| CN111125936A (zh) * | 2020-01-09 | 2020-05-08 | 广州市市政工程设计研究总院有限公司 | 污水设计水质与模型水质的转换方法、系统及存储介质 |
| CN111125936B (zh) * | 2020-01-09 | 2024-01-30 | 广州市市政工程设计研究总院有限公司 | 污水设计水质与模型水质的转换方法、系统及存储介质 |
| CN112322483A (zh) * | 2020-10-23 | 2021-02-05 | 美尚生化环境技术（上海）有限公司 | 一种微生物活性测定系统和微生物活性测定方法 |
| CN112322483B (zh) * | 2020-10-23 | 2023-11-28 | 美尚生化环境技术（上海）有限公司 | 一种微生物活性测定系统和微生物活性测定方法 |
| CN112397137A (zh) * | 2020-10-28 | 2021-02-23 | 南京大学 | 污水中有机微污染物浓度变化规律的预测模型及预测方法 |
| CN112397137B (zh) * | 2020-10-28 | 2024-02-09 | 南京大学 | 污水中有机微污染物浓度变化规律的预测模型及预测方法 |
| CN113277685A (zh) * | 2021-06-22 | 2021-08-20 | 哈尔滨工业大学（深圳） | 一种aao工艺碳源投加控制系统 |
| CN113419005A (zh) * | 2021-06-22 | 2021-09-21 | 南京大学 | 一种污水中不同源溶解性有机氮的辨析方法及应用 |
| CN113393907A (zh) * | 2021-07-20 | 2021-09-14 | 西安交通大学 | PPCPs类有机污染物降解率预测模型构建方法及装置 |
| CN114295707A (zh) * | 2021-12-28 | 2022-04-08 | 南京大学 | 一种基于机器学习的污水有机氮生物有效性评价方法 |
| CN114295707B (zh) * | 2021-12-28 | 2024-02-09 | 南京大学 | 一种基于机器学习的污水有机氮生物有效性评价方法 |
| CN114275889B (zh) * | 2021-12-30 | 2022-11-11 | 南京大学 | 一种反硝化工艺有机氮与无机氮的协同优化控制方法 |
| US20230212045A1 (en) * | 2021-12-30 | 2023-07-06 | Nanjing University | Method for collaborative control of organic nitrogen and inorganic nitrogen in denitrification process |
| US11905192B2 (en) * | 2021-12-30 | 2024-02-20 | Nanjing University | Method for collaborative control of organic nitrogen and inorganic nitrogen in denitrification process |
| CN114275889A (zh) * | 2021-12-30 | 2022-04-05 | 南京大学 | 一种反硝化工艺有机氮与无机氮的协同优化控制方法 |
| CN114873738B (zh) * | 2022-05-09 | 2023-03-14 | 南京大学 | 一种废水微生物类溶解性有机氮的测定方法 |
| CN114873738A (zh) * | 2022-05-09 | 2022-08-09 | 南京大学 | 一种废水微生物类溶解性有机氮的测定方法 |
| CN115132285A (zh) * | 2022-07-04 | 2022-09-30 | 山东臻智行环保科技有限公司 | 一种实现污水处理好氧池所需曝气量实时预测的模型方法 |
| CN116395828B (zh) * | 2023-04-10 | 2024-01-05 | 苏州市环境保护有限公司 | 一种用于污水厂的精准化加药控制方法 |
| CN116395828A (zh) * | 2023-04-10 | 2023-07-07 | 苏州市环境保护有限公司 | 一种用于污水厂的精准化加药控制方法 |
| CN117113803A (zh) * | 2023-06-07 | 2023-11-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种污水生化处理中温室气体的模拟及预测方法 |
| CN116935991A (zh) * | 2023-06-07 | 2023-10-24 | 中原环保股份有限公司 | 一种用于污水处理厂生物处理的温室气体模拟方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210081587A1 (en) | 2021-03-18 |
| CN110451661B (zh) | 2021-07-30 |
| WO2021047033A1 (zh) | 2021-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110451661A (zh) | 一种污水中微生物类溶解性有机氮的预测模型及其应用 | |
| Drewnowski et al. | Aeration process in bioreactors as the main energy consumer in a wastewater treatment plant. Review of solutions and methods of process optimization | |
| Lorenzen et al. | Biosensor determination of the microscale distribution of nitrate, nitrate assimilation, nitrification, and denitrification in a diatom-inhabited freshwater sediment | |
| CN107337272A (zh) | 一种投加碳源的污水处理优化控制方法 | |
| KR101233623B1 (ko) | 수질 시뮬레이션 방법 및 장치 | |
| CN106405052B (zh) | 一种模拟原位河岸带土壤的铁氨氧化过程的装置及使用方法和应用 | |
| Martínez-García et al. | Activated sludge mass reduction and biodegradability of the endogenous residues by digestion under different aerobic to anaerobic conditions: comparison and modeling | |
| CN107192800A (zh) | 一种化工废水毒性及可生化性程度的评价方法 | |
| CN114132980B (zh) | 用于污水处理的短程智能精确曝气控制方法、设备及系统 | |
| CN112397137B (zh) | 污水中有机微污染物浓度变化规律的预测模型及预测方法 | |
| CN103632064B (zh) | 一种污水生物处理活性污泥模型自适应参数校准方法 | |
| CN109596796A (zh) | 一种河道底泥厌氧氨氧化活性的测定方法 | |
| CN106745734B (zh) | 一种分析单级生物脱氮系统硝化与反硝化过程氧化亚氮排放速率的方法 | |
| Zhang et al. | Modeling and simulation of an extended ASM2d model for the treatment of wastewater under different COD: N ratio | |
| CN117079730A (zh) | 一种a2o生物池工艺的全流程优化数学模型建立方法 | |
| Hellinga et al. | The potential of off-gas analyses for monitoring wastewater treatment plants | |
| US20220220527A1 (en) | Method for measuring the activity of a culture of microalgae | |
| CN107720975B (zh) | 一种乙醇类物质作为外加碳源的污水处理优化模拟方法 | |
| AghaBeiki et al. | Performance and modeling of a moving bed biofilm process: nickel and chromium heavy metal removal from industrial wastewater | |
| Rahman et al. | A simple cost-effective manometric respirometer: design and application in wastewater biomonitoring | |
| CN105868457B (zh) | 一种污水生物脱氮过程中氧化亚氮动力学模型的建模方法 | |
| Mei et al. | The ASM2d model with two-step nitrification can better simulate biological nutrient removal systems enriched with complete ammonia oxidizing bacteria (comammox Nitrospira) | |
| CN115639333A (zh) | 一种利用硝化生物反应检测氨氮含量的方法 | |
| Lv et al. | Establishment of nitrous oxide (N2O) dynamics model based on ASM3 model during biological nitrogen removal via nitrification | |
| Mannucci et al. | Ammonia Oxidizing Bacteria (AOB) kinetic parameters estimated using the actual maximum ammonia oxidation rate |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |