人工智能与活性污泥仿真软件在污水处理中的协同应用

慧聪水工业网 2024-11-08 09:36 来源:净水技术

人工智能对复杂非线性动态问题具有强大的处理能力,正在成为污水处理系统模拟、预测与优化的热门工具。实际污水处理系统提供的训练数据数量不足或质量较差,是制约人工智能应用于污水处理领域的一大障碍。活性污泥仿真软件可准确模拟实际污水处理系统,为人工智能提供丰富的高质量训练数据。同时,人工智能可扩展活性污泥仿真软件的功能与应用场景。但是,鲜有文献对人工智能与活性污泥仿真软件的协同应用进行系统性阐述。基于此,文章归纳总结了人工智能、活性污泥仿真软件以及两者协同应用的特点与现状,列举了相关的经典案例或最新案例,提出了4点未来研究方向,以期为人工智能与活性污泥仿真软件在污水处理中的协同应用提供研究思路。

污水处理系统是包含物理、化学及生物等多种过程的复杂动态系统,具有非线性、大时滞和多变量等特点。人工智能(AI)具有自学习、自适应和自组织等特点,是解决复杂动态问题的强大工具,在污水处理领域的应用备受关注。然而,在实际污水处理厂,传感器缺装、采样频率低和故障发生等问题,以及天气变化和人为干扰等外部因素,导致AI的训练数据数量不足或质量欠佳,阻碍AI在污水处理领域中的应用。

与此同时,活性污泥仿真(ASS)软件已成为污水处理设计与优化的重要工具。通过表征进水特性,适当调整模型参数,ASS软件能够准确模拟实际污水处理厂的运行,生成丰富的高质量数据,可用于AI的训练与验证,即实现AI与ASS软件的协同应用。

目前,鲜有文献系统性地阐述AI与ASS软件在污水处理领域的协同应用。基于此,本文分别介绍了AI与ASS软件概况,探讨了两者在污水处理领域的协同应用,并提出了协同应用的未来研究方向。

1  AI

1.1AI的概述

AI是计算机科学的一个关键分支,其目标是构建智能系统,模拟和扩展人类智能,解决各类问题。近年来,AI在污水处理领域的应用扩大。以“sewage treatment and artificial intelligence” 或“wastewater treatment and artificial intelligence”为主题,在Web of Science中检索1991年—2023年发表的SCI论文,共335篇。从发表趋势、国家、机构和关键词等角度,统计分析了这些论文,结果图1所示。

人工智能与活性污泥仿真软件在污水处理中的协同应用

图1 1991年—2023年AI在污水处理领域应用的SCI论文统计分析

由图1(a)可知,AI在污水处理领域的研究在2010年开始暴发,主要是得益于大数据、云计算和物联网等的迅猛发展,突破了AI的技术瓶颈,解决了AI的硬件短板。我国论文发表数量最多[图1(b)],远超其他国家,说明我国在AI领域的研究实力强大,在国际上占据重要地位。我国北京工业大学是论文发表数量最多的研究机构[图1(c)],比例高达10%,发展强势。在关键词中,“removal”“prediction”“artificial intelligence”“performance”和“optimization”5个词出现频率最高[图1(d)],说明AI在污水处理领域的研究热点集中在污染物去除预测与优化。

AI模型分为单一模型和混合模型两类。在污水处理领域,应用广泛的单一模型有人工神经网络(ANNs)、支持向量机(SVM)、遗传算法(GA)和模糊逻辑(FL)等。混合模型是两种及以上的AI模型的组合,通过互补克服单一模型的部分缺点。在污水处理领域,应用广泛的混合模型有模糊神经网络(FNN)、人工神经网络-遗传算法(ANN-GA)和多目标优化(MOO)等。单一模型与混合模型概念、优缺点与应用方向例举于表1。

表1 常用AI技术在污水处理领域的应用总结

人工智能与活性污泥仿真软件在污水处理中的协同应用

1.2AI的应用案例

目前,已有大量研究报道了AI在污水处理领域的应用,具有代表性的案例如下。

(1)尼科西亚污水处理厂出水指标的预测

Nourani等采用多种AI模型,对尼科西亚污水处理厂的出水指标进行了预测研究。该研究使用前馈神经网络、自适应神经模糊推理系统、SVM与多元线性回归,预测了出水的BOD5、CODCr和TN。结果表明,AI混合模型可显著提高预测性能,简单平均继集成模型、加权平均集成模型及神经网络集成模型3种混合模型的预测精度可分别提高14%、20%和24%。然而,该研究仍需扩大数据集以提高模型的泛化能力。同时,还需探索其他AI模型,以进一步改进预测性能。

(2)大不里士污水处理厂出水指标的预测

Hejabi等采用SVM模型和ANNs模型预测了大不里士污水处理厂的处理效果。研究结果表明,SVM模型和ANN模型的预测效果明显优于线性模型。通过月度数据训练SVM模型和ANN模型,可获得更佳的预测精度。蒙特卡洛分析证明了SVM模型和ANN模型对出水BOD5、CODCr和SS等指标的预测结果可靠。最后,还发现混合模型的预测效果明显优于单一模型。然而,该研究只使用了特定时间范围内的数据进行建模,故在数据集上存在局限性。此外,模型的性能仍然受到输入数据的敏感性影响,需要进一步改进和优化。

(3)AI软测量模型预测出水BOD5浓度

Chang等提出了一种基于多目标鸽群优化算法和过完备广义学习系统模型(MOPIO-OBLS),预测污水处理厂出水BOD5浓度。MOPIO-OBLS模型采用两阶段MOO算法,智能设置超参数,减少了人为干预,提高了模型的精度。在基准仿真1号模型平台上,与其他AI 模型进行对比,发现MOPIOOBLS模型的均方根误差更小,预测性能更优。但由于仅在仿真平台上进行模拟,其可行性和预测性能有待在实际中验证。

2  ASS软件

2.1ASS软件的概述

ASS软件的核心模型通常是活性污泥模型系列(ASMs),也集成了厌氧消化1号模型、生物膜模型、沉淀模型等。经历20世纪七八十年代—21世纪初的集中研究,ASMs趋于完善。基于ASMs的ASS软件能较好地模拟污水处理厂运行,得到大量过程信息,便于掌握和分析各阶段的污水处理效果。

ASS软件可分为通用型和专业型两大类。常见的通用型ASS软件是MATLAB/SIMULINK,基准仿真模型系列就主要基于MATLAB/SIMULINK平台开发。常用的专业型ASS软件有BioWin、GPS-X、STOAT、SUMO 和WEST等。表2归纳了常用ASS软件的核心模型、优缺点和性质。

表2 常用ASS 软件总结概述

人工智能与活性污泥仿真软件在污水处理中的协同应用

2.2ASS软件的应用案例

目前,国内自主开发的ASS软件少见,发达国家开发的软件占绝对主导地位。在Web of Science数据库中,以“activated sludge model”与ASS软件名称为主题查阅文献,统计分析发现,,目前使用最多的3款ASS软件分别是MATLAB/SIMULINK、BioWin和GPS-X,记录数分别为132、71条和62条,表明专业型ASS软件已被大量使用。以下是一些相关的应用案例。

(1)WEST软件在无锡城北污水处理厂的应用

揭大林等介绍了WEST软件在无锡城北污水处理厂的模拟应用。通过实地调研和试验分析,使用WEST软件对奥贝尔氧化沟进行了动态模拟,核心模型选用活性污泥模型1号(ASM1)。模拟结果表明,二沉池出水CODCr和氨氮的模拟值与实测值吻合度较高,进一步证实了使用ASS软件可准确模拟实际污水处理过程。需要说明的是,该研究是基于设计参数模拟运行的,在实际进水浓度出现峰值时,模拟结果仍有一定偏差。因此,在应用仿真软件时,尤其需要考虑实际变动因素,并结合实测数据进一步校准模型参数,以提高模拟结果的精确性和可靠性。

(2)GPS-X软件在土耳其埃尔津詹省水处理厂的应用

Nuhoglu等使用GPS-X软件对卡鲁塞尔氧化沟的除碳、硝化与澄清等过程进行了模拟。核心模型选用ASM1模型,通过详细的采样计划表征了进水组分特性,用作模型输入参数。随后,使用GPS-X软件模拟工艺流程,只需校准4个参数即可对出水水质进行较为准确地预测。然而,出水溶解性CODCr与生化池混合液悬浮固体浓度的模拟值未能完全准确反映实际值的波动。因此,在应用ASS软件时,可能需要结合实际情况修正模型组分和模型结构。

(3)BioWin软件在泗县污水处理厂改良型氧化沟工艺的应用

李天宇等使用BioWin软件对泗县污水处理厂的改良型氧化沟工艺进行了问题诊断与优化方案比选。该研究基于BioWin-ASDM模型,完成了对全厂模型的建立与校正、最佳运行参数确定以及运行控制策略优化,显著降低了药耗与能耗。因此,ASS软件在污水处理问题诊断、运营优化与方案验证方面具有指导价值,为今后类似工程提供了有益参考。

3  AI与ASS软件的协同应用

3.1AI与ASS软件协同应用的概述

AI与ASS软件结合是解决训练数据数量不足或质量差的有效方式(图2)。ASS软件可以生成大量可靠过程数据,用于AI模型的训练和验证。AI可帮助人类发现新过程、新规律,扩展活性污泥模型。此外,AI还可作为诊断和控制工具,提高ASS软件提升对污水处理厂的预测和优化性能。因此,AI与ASS软件具有协同效应,有助于推动污水处理智慧化。

人工智能与活性污泥仿真软件在污水处理中的协同应用

图2 AI与ASS软件的协同应用

值得特别指出的是,ASMs仅能用于生化处理单元的模拟。在活性污泥2号模型和活性污泥2D号模型中,含有磷酸盐沉淀溶解平衡等少数物化过程,但大部分过程为生化过程。与ASMs 相比,在厌氧消化1号模型包含了气液传质、酸碱解离平衡等更多的物化过程,但仍旧是为生化反应主导的处理单元服务。最近,国际水协提出了污水处理通用物化模型,包含了更多类型的物化反应,可模拟物化反应主导的处理单元。然而,该通用物化模型为机理模型,需要掌握数量庞大的物化过程机理及其参数,阻碍了物化模型的推广。

此外,大部分ASS软件封装的污水处理模型仅关注CODCr、氮和磷等传统污染物,鲜有涉及全氟和多氟烷基化合物、纳米颗粒、抗生素抗性基因、内分泌干扰物、微塑料、抗生素、药物和个人护理品等新污染物。

AI的迅猛发展为物化技术和新污染物的模拟提供了新思路。因此,AI与ASS软件的协同应用可将污水处理模拟的范围由二级生化处理延伸至预处理和深度处理,将污水处理模拟的污染物由传统污染物扩展至新污染物。

3.2AI与ASS软件协同应用的案例

目前,与AI或ASS软件的单独应用相比,两者在实际污水厂的协同应用案例较少,以基础性应用研究为主。表3对这些基础性应用研究进行了总结归纳,具有代表性的研究案例如下所述。

表3 AI与ASS软件的协同研究总结

人工智能与活性污泥仿真软件在污水处理中的协同应用

(1)数据驱动的迭代自适应批判策略

近年来,污水处理领域的非线性最优控制问题备受关注。Wang等提出了一种数据驱动的迭代自适应批判(IAC)策略,基于基准仿真1号模型建立仿真试验平台,验证了IAC策略相对于传统比例-积分-微分控制的优越性。该策略在控制关键参数(如溶解氧和硝酸盐浓度)方面具有更快的响应和更小的振幅。这种创新策略不仅解决了污水处理中复杂控制问题,而且也为非线性优化设计提供了一种先进方法。

(2)膜污染控制分析

GA与ASS软件的结合能更好地处理运行参数与成本之间的多目标非凸优化问题。以Ludwig等的研究为例,首次提出将GA与GPS-X 软件结合,优化微滤平板膜的松弛时间与过滤时间。优化后的时间参数具有更高的处理效率、更低的膜清洗药耗和能耗,并在小试装置上得到了进一步验证。这种创新结合方式为膜生物反应器提高处理效率、降低运营成本、促进可持续性提供了可行途径。

(3)自动化工艺设计与优化

污水处理厂自动化设计是污水处理领域的重要发展方向。Yang等提出将GA与SUMO 软件相结合,自动将传统缺氧/好氧工艺升级为泥膜混合型膜曝气膜生物反应器(MABR),并对其工况参数进行自动优化。经自动设计与优化的泥膜混合型MABR的出水TN浓度显著改善,占地面积、曝气和泵送能耗也明显降低。AI模型与专业型ASS软件的结合为解决工艺设计中的复杂性和耗时性问题提供了新思路。

3.3AI和ASS软件协同应用的不足

AI与ASS软件协同应用尚处于初级阶段,仍存在以下不足。

(1)复杂程度高。AI模型及其算法较为复杂,ASS软件的使用也存在一定门槛,需要较高的专业技能开发维护,这为两者协同应用的实施增加了复杂性和学习成本。

(2)计算成本高。AI模型的训练与运行需要大量的计算资源,ASS软件对计算机运行环境也具有一定要求,因此两者协同应用的可行性存在一定挑战。

(3)潜在风险问题。AI模型的可解释性较差,AI做出的错误决策传导至ASS软件,将导致两者的协同应用结果严重偏离应用目标。

3.4AI与ASS软件协同应用的未来方向

AI与ASS软件的协同应用将是污水处理领域的持续性热点,结合当前协同应用的不足与未来的应用需求,提出了4个研究方向。

(1)集成微生物群落结构信息。目前,ASS软件通过将功能相似的微生物分类来简化模型,但同一类微生物可能存在动力学和计量学参数的差异。同类微生物的丰度变化可能改变整体的动力学参数和计量学参数,从而需要经常对这些参数进行校准,否则,将导致模型预测失效。此外,微生物的简单分类忽略了新的功能微生物和代谢过程,如厌氧氨氧化、硫自养反硝化、厌氧铁氨氧化、甲烷氧化反硝化和全程氨氧化等,这些新代谢过程和功能菌可能使得生化处理单元的宏观功能发生重大变化。因此,将微生物群落结构信息整合到ASS软件中至关重要。AI有望通过处理和转换生物信息大数据,将微生物群落结构信息整合到仿真软件中。

(2)扩充碳减排与资源回收工艺。在“双碳”目标和绿色发展的背景下,污水处理厂对实现碳减排、碳中和、能源自给和资源循环等目标的需求日趋旺盛。然而,ASS软件对温室气体迁移转化、低耗脱氮除磷技术和资源能源回收技术等考虑不足。因此,AI与ASS软件的协同应用应迎合未来需求,扩充碳减排与资源回收工艺。

(3)开发全流程的AI 综合模型。目前,AI模型大多分散应用于污水处理过程中的单一领域,尚未形成从设计、建造到运行,从预处理、二级处理到深度处理,以及从污染物达标排放到碳氮磷资源化的全流程AI模型。因此,可开发全流程的AI综合模型,与ASS软件协同应用,实现对污水处理全生命周期、全覆盖范围和全层次目标的管理,为污水处理提供整体解决方案。

(4)设计简单易用的使用流程。在ASS软件中集成更多的生化、物化反应模型以及更多的AI模型,必将导致ASS软件内部架构和执行程序变得复杂。同时,AI与ASS软件的协同应用需要多学科专业知识交叉,往往需要较长的培训周期,导致从业人员的学习成本高。因此,在协同应用软件的开发上,可考虑使用类似于GhatGPT的AI乃至更高级别的AI协助从业人员使用软件。在机理模型和AI模型等模块的开发上,提供低代码甚至无代码开发技术,降低从业人员修正和扩展内置模型的门槛。

5  结论

AI与ASS软件的协同应用具有诸多优势,在污水处理领域具有广阔的应用前景。两者的协同应用仍存在复杂程度高、计算成本大和潜在风险高等不足之处,需要在未来予以针对性解决。集成微生物群落结构信息、扩充碳减排及资源回收工艺、开发全流程的AI综合模型以及设计简单易用的使用流程是AI与ASS软件的协同应用的重要研究方向。

免责声明:凡注明来源本网的所有作品,均为本网合法拥有版权或有权使用的作品,欢迎转载,注明出处。非本网作品均来自互联网,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。