CN116665822B - 一种基于机器学习的强化脱氮生物炭材料设计方法 - Google Patents
一种基于机器学习的强化脱氮生物炭材料设计方法 Download PDFInfo
- Publication number
- CN116665822B CN116665822B CN202310681371.XA CN202310681371A CN116665822B CN 116665822 B CN116665822 B CN 116665822B CN 202310681371 A CN202310681371 A CN 202310681371A CN 116665822 B CN116665822 B CN 116665822B
- Authority
- CN
- China
- Prior art keywords
- biochar
- model
- blue algae
- denitrification
- preparation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 239000000463 material Substances 0.000 title claims abstract description 22
- 238000013461 design Methods 0.000 title claims abstract description 17
- 238000002360 preparation method Methods 0.000 claims abstract description 63
- 239000010802 sludge Substances 0.000 claims abstract description 62
- 241000195493 Cryptophyta Species 0.000 claims abstract description 60
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 41
- 230000000694 effects Effects 0.000 claims abstract description 38
- 239000002994 raw material Substances 0.000 claims abstract description 17
- 238000000197 pyrolysis Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 229910021578 Iron(III) chloride Inorganic materials 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 5
- RBTARNINKXHZNM-UHFFFAOYSA-K iron trichloride Chemical compound Cl[Fe](Cl)Cl RBTARNINKXHZNM-UHFFFAOYSA-K 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 32
- 238000003763 carbonization Methods 0.000 claims description 28
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 24
- 229910052799 carbon Inorganic materials 0.000 claims description 24
- 238000011056 performance test Methods 0.000 claims description 21
- 229910052742 iron Inorganic materials 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 18
- 229910052757 nitrogen Inorganic materials 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 7
- 229910052748 manganese Inorganic materials 0.000 claims description 7
- 239000011572 manganese Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000003610 charcoal Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000227 grinding Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 229920001661 Chitosan Polymers 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000001035 drying Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000000813 microbial effect Effects 0.000 description 13
- 244000005700 microbiome Species 0.000 description 9
- 238000004064 recycling Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 241000203069 Archaea Species 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000023852 carbohydrate metabolic process Effects 0.000 description 2
- 235000021256 carbohydrate metabolism Nutrition 0.000 description 2
- 230000037149 energy metabolism Effects 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 239000010813 municipal solid waste Substances 0.000 description 2
- 239000003895 organic fertilizer Substances 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102000003939 Membrane transport proteins Human genes 0.000 description 1
- 108090000301 Membrane transport proteins Proteins 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 241000083879 Polyommatus icarus Species 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 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 description 1
- 230000037354 amino acid metabolism Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006065 biodegradation reaction Methods 0.000 description 1
- 238000010000 carbonizing Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000013068 control sample Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000037356 lipid metabolism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000009061 membrane transport Effects 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 235000021391 short chain fatty acids Nutrition 0.000 description 1
- 150000004666 short chain fatty acids Chemical class 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/40—Valorisation of by-products of wastewater, sewage or sludge processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种基于机器学习的脱氮生物炭材料设计方法，该方法是以蓝藻与剩余污泥为原料，将蓝藻与剩余污泥干燥脱水后研磨，使用氯化铁溶液浸泡负载铁元素，干燥后采用高温管式炉热解。利用机器学习模型预测生物炭材料的最优制备条件和脱氮性能，以提高脱氮效果。通过收集与生物炭材料制备和脱氮性能相关的数据，并进行特征提取、数据预处理、模型训练和优化，设计出符合特定需求的生物炭材料制备方案。本发明基于机器学习的设计方法可显著提高生物炭材料的脱氮性能，更有效解决了如何高效的资源化利用蓝藻与污泥的问题，具有良好的环境和经济效益。
Description
技术领域
本发明属于固体废弃物资源化综合利用领域，涉及一种基于机器学习的强化脱氮生物炭材料设计方法，具体涉及蓝藻及污泥的处理方法及获得用于水处理的强化脱氮生物炭。
背景技术
蓝藻水华暴发产生的大量的蓝藻生物质需要合理的处理方式以减少二次污染、提高资源利用率。目前较为常见的蓝藻资源化包括：蓝藻厌氧发酵产气，制备有机肥料、提取蓝藻种的藻蓝蛋白等物质、制备活性炭。当前我国对于蓝藻的资源化处理研究仍处于初级阶段，存在许多问题，如蓝藻水华产生的蓝藻生物质组分复杂，处理程序繁多处理成本高，产出产品的质量不稳定。尽管这些资源化都有实际应用，但较难大规模推广，仍然需要发挥蓝藻的生物质能价值，开发蓝藻的更多功能。
污水的生物处理会产生大量的剩余污泥，且随着经济的快速增长，剩余污泥急剧增多。尽管剩余污泥是潜在的有机肥原料，但由于其含有重金属、病原微生物等污染物，剩余污泥比较常用于厌氧发酵，在这个过程产生的短链脂肪酸可作为生物反硝化所需要的碳源，但剩余污泥的问题之一是碳氮比低、可生化性能差，导致剩余污泥中的碳的回收效率低。因此对于剩余污泥的合理绿色处置是亟需解决的难题。
发明内容
生物炭是使用有机原料在低氧的条件下经过低于900℃的热解而形成的富碳物质。生物炭的碳含量丰富，并且生物炭的比表面积大，孔隙结构发达，表面富含较多的活性官能团，其用途广泛，在污水处理、土壤改良等多个领域有着较大的应用潜力。生物炭能够为微生物提供有利于其代谢与生长的临时底物，生物炭还可以增强微生物活性，强化微生物的处理效率，如在厌氧生物反应器中添加生物炭后能够显著提高化学需氧量的去除率。蓝藻与剩余污泥是两种极具资源化潜力的生物炭制造原料，使用蓝藻与剩余污泥制备生物炭能解决其资源回收利用问题，具有良好的环境、社会经济效益。
在生物脱氮工艺中，碳源不足始终是工艺导致脱氮效率低的重要问题，如何在低成本的条件下提高脱氮效率且提高微生物活性一直是生物脱氮的重要需求。铁是微生物所需的一种重要微量元素。铁盐或者含铁固体化合物等的投加会对微生物及其脱氮功能产生影响，厌氧氨氧化反应器的启动耗时较长，适量铁的添加能够缩短厌氧氨氧化反应系统启动时间。添加铁能促进细菌对氨氮的异养硝化作用。将生物炭与铁的有机结合，既能解决废弃生物质的资源回收利用问题，并且也能提高生物脱氮效率给，提高微生物活性，一举多得。
本发明的目的在于解决蓝藻及废弃污泥的处置问题与生物脱氮工艺效率低的问题，减少蓝藻与废弃污泥造成二次污染，实现蓝藻及污泥的资源化利用，同时利用机器学习涉及的强化微生物脱氮工艺的处理效果，提高微生物活性，工艺简单，产品成本低，具有良好的社会经济环境效益。
采用的技术方案如下：
本发明提供一种基于机器学习的强化脱氮生物炭材料设计方法，包括：
(1)数据收集：获取与制备过程和生物炭性能相关的数据，所述数据包括蓝藻指标、脱水污泥指标、生物炭制备参数和性能测试结果；
(2)特征提取：从所述数据中提取与复合基生物炭制备和性能相关的特征，所述与复合基生物炭制备和性能相关的特征包括蓝藻和脱水污泥的原料加入比例、碳化温度、碳化时间；
(3)数据预处理：对收集到的数据进行清洗、去除异常值、填补缺失值，并进行归一化处理；
(4)模型选择和训练：根据预处理后的数据，选择合适的机器学习算法构建模型，通过输入特征和输出结果进行模型训练；
(5)模型优化：通过模型评估指标对训练得到的模型进行评估和优化，得到优化后的机器学习模型；其中所述优化包括调整模型参数、特征选择；
(6)制备条件预测：利用优化后的机器学习模型预测复合基生物炭的最佳制备条件，所述制备条件包括蓝藻与污泥的原料加入比例、碳化温度、碳化时间；
(7)制备：根据预测得到的最佳制备条件，按照蓝藻与污泥的原料加入比例将干燥研磨成粉的蓝藻和污泥在氯化铁溶液中浸泡、干燥后，并研磨过筛，使用管式炉在预测得到的碳化温度、碳化时间下进行热解碳化，研磨得到负载铁的蓝藻-污泥生物炭，即强化脱氮生物炭。
在一些实施例中，所述的方法，还包括：
(8)性能测试评估：对制备得到的负载铁的蓝藻-污泥壳聚糖生物炭进行性能测试得到性能测试结果，所述性能测试结果包括微观结构比表面积、孔隙结构、脱氮性能；将性能测试结果输入微观结构评估模型进行评估得到评估结果；
(9)反馈和迭代：根据评估结果对模型进行反馈和调整；
如果模型预测与评估结果存在差异，可以通过增加更多的实验数据来改进模型的准确性；通过反复迭代上述步骤，逐渐改进模型的性能，并实现基于机器学习的强化脱氮生物炭材料的制备。
在一些实施例中，蓝藻指标包括：碳、氮含量占比；脱水污泥指标包括：碳、氮、铁、锰含量占比；
生物炭制备参数包括：升温时间、热解温度、热解温度下的停留时间、降温时间；性能测试结果包括生物炭脱氮效果指标。
在一些实施例中，选择合适的机器学习算法构建模型，包括：采用随机森林模型，随机森林模型的建立方法包括：输入特征设置为所有蓝藻指标、脱水污泥指标和生物炭制备参数，输出特征设置为生物炭脱氮效果指标，进行调参。
在一些实施例中，特征选择包括：
特征重要性计算：
式中，GIm，基尼指数；K，生物炭脱氮效果类别的集合；k，生物炭脱氮效果类别；pmk，节点m中类别k所占的比例；
式中，GIl，GIr，子节点的基尼指数；分枝前后基尼指数变化；
式中，M，节点的集合；m，节点；特征j在决策树i的重要性；
式中，n，决策树数量；特征j的重要性评分；
式中，VIMnormalj为归一化的特征j的重要性评分；j∈c、i∈c，c为特征的集合。
在一些实施例中，优化随机森林模型：按照特征重要性排序，将除生物炭制备参数外的排名位于前五的特征作为优化后模型的输入特征，输出特征不变，重新训练模型并调参。
在一些实施例中，利用优化后的机器学习模型预测复合基生物炭的最佳制备条件，包括：
(1)根据优化后模型的输入特征，输入相应的数据；
(2)利用穷举法，改变生物炭制备参数，预测不同参数组合下的生物炭脱氮效果；
(3)选取生物炭脱氮效果最佳的生物炭制备参数作为预测得到的最佳制备条件。
在一些实施例中，所述最佳制备条件包括：蓝藻与污泥的原料加入比例为1∶3～1∶5；碳化温度为450～600℃，碳化时间为2h～4h。
在一些实施例中，采用卷积神经网络对制备得到的生物炭的脱氮效率进行评估；
所述卷积神经网络包括五部分，分别是两个卷积块和三个全连接层；
每个卷积块包括卷积层、ReLU激活函数和平均汇聚层，ReLU激活函数的数学表达如下：
ReLU(x)＝max(x，0)
式中，x为随机变量；
在前向传播过程中，计算全连接层的同时注入噪声，即每个全连接层活性值h以暂退概率p由随机变量h’替换；
式中，h为全连接层活性值；p为暂退概率；h’为用于替换全连接层活性值的随机变量。
在一些实施例中，设计得到的蓝藻指标为：碳、氮含量占比分别为32％～40％、8％～15％；
设计得到的脱水污泥指标：碳、氮、铁、锰含量占比分别为22％～30％、6％～10％、1.8％～5.2％、0.5％～1.2％。
有益效果：本发明提供了一种基于机器学习的强化脱氮生物炭材料设计方法，利用获取的与复合基生物炭制备和性能相关的特征和数据构建训练机器学习模型，利用机器学习模型预测生物炭材料的制备条件和脱氮性能，以提高脱氮效果。通过收集与生物炭材料制备和脱氮性能相关的数据，并进行特征提取、数据预处理、模型训练和优化，设计出符合特定需求的生物炭材料制备方案。本发明基于机器学习的设计方法可显著提高生物炭材料的脱氮性能，更有效解决了如何高效的资源化利用蓝藻与污泥的问题，具有良好的环境和经济效益。本发明所得的生物炭材料绿色高效廉价，可应用于水处理过程中微生物反硝化脱氮等领域，具有广泛的应用前景。
本发明设计出来的强化微生物脱氮的蓝藻与污泥混合生物炭的制备方法，以蓝藻与剩余污泥为原料经改性、热解碳化、固化成型后制备得到的生物炭。本发明中以湖泊蓝藻爆发产生的蓝藻与城市污水处理厂中的剩余污泥为原料，不仅解决了蓝藻与剩余污泥的处理与处置问题，同时还实现了蓝藻与剩余污泥的资源化利用，避免了二次污染，并且制备的生物炭通过投加到微生物反应器中，能提高微生物活性与脱氮效率，解决了脱氮效率低的问题。本发明的制备方法具有操作简单，制备成本低、生产效率高，强化微生物效果好，且能够大规模生产等优点。
附图说明
图1是本发明实施例中蓝藻与污泥后在500℃的炭化3h后制备出的生物炭的微观形貌；
图2是本发明实施例中硝态氮去除效果(初始浓度100mg/L)；
图3是本发明实施例中设计与预测流程图。
具体实施方式
本发明用下列实施例进行说明，但不是对本发明的使用范围的限制。
实施例1：
一种基于机器学习的强化脱氮生物炭材料设计方法，包括以下步骤：
(1)数据收集：获取与制备过程和生物炭性能相关的数据，包括蓝藻指标、脱水污泥指标、生物炭制备参数和性能测试结果；
(2)特征提取：从获取到的数据中提取与复合基生物炭制备和性能相关的特征，包括蓝藻和脱水污泥的原料加入比例、碳化温度、碳化时间；
(3)数据预处理：对收集到的数据进行清洗、去除异常值、填补缺失值，并进行归一化处理；
(4)模型选择和训练：根据预处理后的数据，选择合适的机器学习算法构建模型，通过输入特征和输出结果进行模型训练；
(5)模型优化：通过模型评估指标对训练得到的模型进行评估和优化，得到优化后的机器学习模型；其中所述优化包括调整模型参数、特征选择；
(6)制备条件预测：利用优化后的机器学习模型预测复合基生物炭的最佳制备条件，所述制备条件包括蓝藻与污泥的原料加入比例、碳化温度、碳化时间；
(7)制备：根据预测得到的最佳制备条件，按照蓝藻与污泥的原料加入比例将干燥研磨成粉的蓝藻和污泥在氯化铁溶液中浸泡、干燥后，并研磨过筛，使用管式炉在预测得到的碳化温度、碳化时间下进行热解碳化，研磨得到负载铁的蓝藻-污泥生物炭；
(8)性能测试评估：对制备得到的负载铁的蓝藻-污泥壳聚糖生物炭进行性能测试得到性能测试结果，所述性能测试结果包括微观结构比表面积、孔隙结构、脱氮性能；将性能测试结果输入微观结构评估模型进行评估得到评估结果；
(9)反馈和迭代：根据评估结果对模型进行反馈和调整；
如果模型预测与评估结果存在差异，可以通过增加更多的实验数据来改进模型的准确性；通过反复迭代上述步骤，逐渐改进模型的性能，并实现基于机器学习的强化脱氮生物炭材料设计方法。
在一些实施例中，蓝藻指标包括：碳、氮含量占比；脱水污泥指标包括：碳、氮、铁、锰含量占比；
生物炭制备参数包括：升温时间、热解温度、热解温度下的停留时间、降温时间；性能测试结果包括生物炭脱氮效果指标。
在一些实施例中，选择合适的机器学习算法构建模型，包括：采用随机森林模型，
随机森林模型的建立方法包括：输入特征设置为所有蓝藻指标、脱水污泥指标和生物炭制备参数，输出特征设置为生物炭脱氮效果指标，进行调参。
在一些实施例中，特征选择包括：
特征重要性计算：
式中，GIm，基尼指数；K，生物炭脱氮效果类别的集合；k，生物炭脱氮效果类别；pmk，节点m中类别k所占的比例；
式中，GIl，GIr，子节点的基尼指数；分枝前后基尼指数变化；
式中，M，节点的集合；m，节点；特征j在决策树i的重要性；
式中，n，决策树数量；特征j的重要性评分；
式中，VIMnormalj为归一化的特征j的重要性评分；j∈c、i∈c，c为特征的集合。
在一些实施例中，优化随机森林模型：按照特征重要性排序，将除生物炭制备参数外的排名位于前五的特征作为优化后模型的输入特征，输出特征不变，重新训练模型并调参。
在一些实施例中，利用优化后的机器学习模型预测复合基生物炭的最佳制备条件，包括：
(1)根据优化后模型的输入特征，输入相应的数据；
(2)利用穷举法，改变生物炭制备参数，预测不同参数组合下的生物炭脱氮效果；
(3)选取生物炭脱氮效果最佳的生物炭制备参数作为预测得到的最佳制备条件。
在一些实施例中，采用卷积神经网络对制备得到的生物炭的脱氮效率进行评估；
所述卷积神经网络包括五部分，分别是两个卷积块和三个全连接层；
每个卷积块包括卷积层、ReLU激活函数和平均汇聚层，ReLU激活函数的数学表达如下：
ReLU(x)＝max(x，0)
式中，x为随机变量；
在前向传播过程中，计算全连接层的同时注入噪声，即每个全连接层活性值h以暂退概率p由随机变量h’替换；
式中，h为全连接层活性值；p为暂退概率；h’为用于替换全连接层活性值的随机变量。
在一些实施例中，设计得到的蓝藻指标为：碳、氮含量占比分别为32％～40％、8％～15％；
经过上述流程设计，最终形成以下材料制备方案：所述最佳制备条件包括：蓝藻与污泥的原料加入比例为1∶3～1∶5；碳化温度为450～600℃，碳化时间为2h～4h。
计得到的蓝藻指标为：碳、氮含量占比分别为32％～40％、8％～15％；设计得到的脱水污泥指标：碳、氮、铁、锰含量占比分别为22％～30％、6％～10％、1.8％～5.2％、0.5％～1.2％。
在一些具体实施例中，本实施例采用的剩余污泥来自江苏某污水处理厂的剩余污泥，蓝藻来自于太湖蓝藻爆发时某公司打捞上岸的蓝藻。蓝藻指标为：碳、氮含量占比分别为32％～40％、8％～15％；
将干燥研磨成粉的10g蓝藻和30g的污泥在1L的1mol/L氯化铁溶液中浸泡24小时，之后在80℃的条件下进行干燥。待干燥后，使用管式炉500℃条件下进行热解3小时。并研磨过100目筛得到负载铁的蓝藻-污泥生物炭，储藏备用。图1是本实施例制备出的生物炭的微观形貌。
本实施例制备得到的生物炭的碳含量为30.21％，氮含量为3.13％、锰含量为0.96％，铁含量为11.38％。
本发明的方法制备出的生物炭更适合用于投加入微生物反应体系中，富含的元素能够提高微生物活性，且铁含量更高，对于强化微生物的脱氮有更好的效果。
实施例2：
将生物炭加入到处理初始浓度100mg/L的反硝化脱氮体系中，用于低温条件下(＜5℃)的强化微生物脱氮效果，如图2所示，反应6小时后，剩余硝酸盐浓度仅为12mg/L，相比对照样品反应体系剩余浓度78mg/L，反应速率大大提高。
实施例3：
将本发明的方法制备出的生物炭加入到处理餐厨垃圾渗滤液的厌氧微生物体系中，加入前总氮去除率为70％左右，加入后运行30天，可提高脱氮效率提高了13.5％左右。
加入生物炭且处理餐厨垃圾渗滤液的厌氧微生物体系运行30天后，由古菌的功能基因丰度图来看，加入本发明的方法制备出的生物炭组中的古菌的碳水化合物代谢、能量代谢、代谢辅助因子与维生素、细胞活性、古菌膜运输相关的功能基因丰度相比于添加生物炭的组要高。由细菌的功能基因丰度图来看，加入本发明的方法制备出的生物炭的组的碳水化合物代谢、能量代谢、脂质代谢、氨基酸代谢、细菌膜运输功能、生物降解和代谢功能相关的基因丰度相比于添加生物炭的组要高。由此可见，将本发明的方法制备出的生物炭添加入微生物反应体系中能提高微生物活性与脱氮效果。
虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (6)
1.一种基于机器学习的强化脱氮生物炭材料设计方法，包括以下步骤：
(1)数据收集：获取与制备过程和生物炭性能相关的数据，所述数据包括蓝藻指标、脱水污泥指标、生物炭制备参数和性能测试结果；蓝藻指标包括：碳、氮含量占比；脱水污泥指标包括：碳、氮、铁、锰含量占比；生物炭制备参数包括：升温时间、热解温度、热解温度下的停留时间、降温时间；性能测试结果包括生物炭脱氮效果指标；
(2)特征提取：从所述数据中提取与复合基生物炭制备和性能相关的特征，所述与复合基生物炭制备和性能相关的特征包括蓝藻和脱水污泥的原料加入比例、碳化温度、碳化时间；
(3)数据预处理：对收集到的数据进行清洗、去除异常值、填补缺失值，并进行归一化处理；
(4)模型选择和训练：根据预处理后的数据，选择合适的机器学习算法构建模型，通过输入特征和输出结果进行模型训练；采用随机森林模型，随机森林模型的建立方法包括：输入特征设置为所有蓝藻指标、脱水污泥指标和生物炭制备参数，输出特征设置为生物炭脱氮效果指标，进行调参；
(5)模型优化：通过模型评估指标对训练得到的模型进行评估和优化，得到优化后的机器学习模型；其中所述优化包括调整模型参数、特征选择；优化随机森林模型：按照特征重要性排序，将除生物炭制备参数外的排名位于前五的特征作为优化后模型的输入特征，输出特征不变，重新训练模型并调参；
(6)制备条件预测：利用优化后的机器学习模型预测复合基生物炭的最佳制备条件，所述制备条件包括蓝藻与污泥的原料加入比例、碳化温度、碳化时间；其中利用优化后的机器学习模型预测复合基生物炭的最佳制备条件，包括：(1)根据优化后模型的输入特征，输入相应的数据；(2)利用穷举法，改变生物炭制备参数，预测不同参数组合下的生物炭脱氮效果；(3)选取生物炭脱氮效果最佳的生物炭制备参数作为预测得到的最佳制备条件；
(7)制备：根据预测得到的最佳制备条件，按照蓝藻与污泥的原料加入比例将干燥研磨成粉的蓝藻和污泥在氯化铁溶液中浸泡、干燥后，并研磨过筛，使用管式炉在预测得到的碳化温度、碳化时间下进行热解碳化，研磨得到负载铁的蓝藻-污泥生物炭，即强化脱氮生物炭。
2.根据权利要求1所述的方法，其特征在于，还包括：
(8)性能测试评估：对制备得到的负载铁的蓝藻-污泥壳聚糖生物炭进行性能测试得到性能测试结果，所述性能测试结果包括微观结构比表面积、孔隙结构、脱氮性能；将性能测试结果输入微观结构评估模型进行评估得到评估结果；
(9)反馈和迭代：根据评估结果对模型进行反馈和调整；
如果模型预测与评估结果存在差异，通过增加更多的实验数据来改进模型的准确性；通过反复迭代上述步骤，逐渐改进模型的性能，并实现基于机器学习的强化脱氮生物炭材料的制备。
3.根据权利要求1所述的方法，其特征在于，特征选择包括：
特征重要性计算：
式中，GIm，基尼指数；K，生物炭脱氮效果类别的集合；k，生物炭脱氮效果类别；pmk，节点m中类别k所占的比例；
式中，GIl,GIr，子节点的基尼指数；分枝前后基尼指数变化；
式中，M，节点的集合；m，节点；特征j在决策树i的重要性；
式中，n，决策树数量；特征j的重要性评分；
式中，VIMnormalj为归一化的特征j的重要性评分；j∈c，c为特征的集合。
4.根据权利要求1所述的方法，其特征在于，所述最佳制备条件包括：蓝藻与污泥的原料加入比例为1：3～1：5；碳化温度为450～600℃，碳化时间为2h～4h。
5.根据权利要求2所述的方法，其特征在于，采用卷积神经网络对制备得到的生物炭的脱氮效率进行评估；
所述卷积神经网络包括五部分，分别是两个卷积块和三个全连接层；
每个卷积块包括卷积层、ReLU激活函数和平均汇聚层，ReLU激活函数的数学表达如下：
ReLU(x)＝max(x,0)
式中，x为随机变量；
在前向传播过程中，计算全连接层的同时注入噪声，即每个全连接层活性值h以暂退概率p由随机变量h’替换；
式中，h为全连接层活性值；p为暂退概率；h’为用于替换全连接层活性值的随机变量。
6.根据权利要求1所述的方法，其特征在于，设计得到的蓝藻指标为：碳、氮含量占比分别为32％～40％、8％～15％；
设计得到的脱水污泥指标：碳、氮、铁、锰含量占比分别为22％～30％、6％～10％、1.8％～5.2％、0.5％～1.2％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310681371.XA CN116665822B (zh) | 2023-06-08 | 2023-06-08 | 一种基于机器学习的强化脱氮生物炭材料设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310681371.XA CN116665822B (zh) | 2023-06-08 | 2023-06-08 | 一种基于机器学习的强化脱氮生物炭材料设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116665822A CN116665822A (zh) | 2023-08-29 |
| CN116665822B true CN116665822B (zh) | 2024-02-13 |
Family
ID=87725895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310681371.XA Active CN116665822B (zh) | 2023-06-08 | 2023-06-08 | 一种基于机器学习的强化脱氮生物炭材料设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665822B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310124A (zh) * | 2023-10-07 | 2023-12-29 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭负碳排放的土壤固碳量测算方法及相关装置 |
| CN117786569B (zh) * | 2023-12-12 | 2024-05-24 | 中国科学院大学 | 一种污泥热解工艺智能控制方法及其应用 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2018005921A (es) * | 2018-05-09 | 2019-11-11 | Univ Autonoma Del Estado De Morelos | Metodo para preparacion de carbon activado a baja temperatura a partir de biosolidos. |
| CN114105290A (zh) * | 2021-11-24 | 2022-03-01 | 江苏泰源环保科技股份有限公司 | 一种改性蓝藻生物炭负载纳米零价铁材料的制备方法及其应用 |
| CN114202060A (zh) * | 2021-11-25 | 2022-03-18 | 浙江工业大学 | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 |
| 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 |
| CN114783532A (zh) * | 2022-04-12 | 2022-07-22 | 北京工业大学 | 一种基于机理-数据驱动的城市污水处理脱氮过程的混合建模方法 |
| CN114898826A (zh) * | 2022-05-24 | 2022-08-12 | 广州大学 | 基于mof的机器学习算法优选方法、存储介质及计算设备 |
| CN116052787A (zh) * | 2023-01-09 | 2023-05-02 | 上海大学 | 一种基于主动机器学习辅助的低温耐水脱硝催化剂快速优化的方法及其系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230054582A1 (en) * | 2021-08-23 | 2023-02-23 | International Business Machines Corporation | Feature selection and hyperparameter optimization using lds |
-
2023
- 2023-06-08 CN CN202310681371.XA patent/CN116665822B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2018005921A (es) * | 2018-05-09 | 2019-11-11 | Univ Autonoma Del Estado De Morelos | Metodo para preparacion de carbon activado a baja temperatura a partir de biosolidos. |
| CN114105290A (zh) * | 2021-11-24 | 2022-03-01 | 江苏泰源环保科技股份有限公司 | 一种改性蓝藻生物炭负载纳米零价铁材料的制备方法及其应用 |
| CN114202060A (zh) * | 2021-11-25 | 2022-03-18 | 浙江工业大学 | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 |
| 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 |
| CN114783532A (zh) * | 2022-04-12 | 2022-07-22 | 北京工业大学 | 一种基于机理-数据驱动的城市污水处理脱氮过程的混合建模方法 |
| CN114898826A (zh) * | 2022-05-24 | 2022-08-12 | 广州大学 | 基于mof的机器学习算法优选方法、存储介质及计算设备 |
| CN116052787A (zh) * | 2023-01-09 | 2023-05-02 | 上海大学 | 一种基于主动机器学习辅助的低温耐水脱硝催化剂快速优化的方法及其系统 |
Non-Patent Citations (5)
| Title |
|---|
| Machine learning in the evaluation and prediction models of biochar application: A review;Meng-Wei Chen et al.;《Sage Journals》;全文 * |
| Opportunities and challenges of machine learning in bioprocesses: Categorization from different perspectives and future direction;Lim, S.J. et al.;《Bioresource Technology》;第370卷;全文 * |
| 城镇污水处理厂稳定脱氮智能控制研究;赵子豪;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;全文 * |
| 基于人工神经网络的反硝化滤池外碳源投加控制;刘圣誉;李彭;何义亮;邵嘉慧;任龙飞;;中国给水排水(07);全文 * |
| 蓝藻生物炭制备及其对BES阴极氢自养反硝化脱氮过程的影响研究;周彭;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116665822A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116665822B (zh) | 一种基于机器学习的强化脱氮生物炭材料设计方法 | |
| Peccia et al. | Nitrogen supply is an important driver of sustainable microalgae biofuel production | |
| Giwa et al. | Prospects of China’s biogas: Fundamentals, challenges and considerations | |
| Nookwam et al. | Microbial fuel cells with Photosynthetic-Cathodic chamber in vertical cascade for integrated Bioelectricity, biodiesel feedstock production and wastewater treatment | |
| CN101560524B (zh) | 一种利用生物燃料电池反应器产氢并发电转换的方法 | |
| CN101445810B (zh) | 一种使用生物预处理秸秆发酵制备氢气的方法 | |
| Wu et al. | Recovery of methane and acetate during ex-situ biogas upgrading via novel dual-membrane aerated biofilm reactor | |
| CN113636734A (zh) | 一种载铁掺氮复合碳材料联合热水解预处理强化剩余污泥厌氧消化产甲烷效能的方法 | |
| Shen et al. | Efficient treatment of wood vinegar via microbial electrolysis cell with the anode of different pyrolysis biochars | |
| Gurjar et al. | Treatment of organic fraction of municipal solid waste in bioelectrochemical systems: a review | |
| CN117568178A (zh) | 一种高固碳微藻及一种微藻处理污水的方法 | |
| CN102674618B (zh) | 一种生物膜生物强化焦化废水高效处理方法 | |
| CN101402926B (zh) | 产氢细菌补料培养及生物制氢系统的生物强化方法 | |
| CN112679061A (zh) | 污泥厌氧消化制备沼气的方法及获得的沼气 | |
| CN108358311B (zh) | 一种生物炭耦合微电流强化废水厌氧生物除磷的方法 | |
| CN114477691B (zh) | 一种制备功能型蓝藻生物炭并应用于强化厌氧消化的方法 | |
| CN114456942B (zh) | 一种处理高浓度糖蜜酒精废水的链带藻及其应用 | |
| CN101886040B (zh) | 一种产氢产乙醇微生物聚集体的制备方法 | |
| CN112094870B (zh) | 一种利用蓝藻和底泥共发酵生产沼气的方法 | |
| CN113526676A (zh) | 一种可强化脱氮的人工湿地系统 | |
| CN112501038A (zh) | 季也蒙毕赤酵母菌及处理高盐废水的方法 | |
| Mkpuma et al. | Biofilm and suspension-based cultivation of microalgae to treat anaerobic digestate food effluent (ADFE) | |
| Oumabady et al. | Sustainable resource recovery and process improvement in anaerobic digesters using hydrochar: A circular bio‐economic perspective | |
| CN102477408A (zh) | 一种生物制氢混合培养系统的制氢增强剂 | |
| Chen et al. | Biological nitrogen recovery from industrial wastewater |
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 |