人工智能技术在模拟预测和优化污水处理中的应用

胡鹤轩 孙昕远

(河海大学人工智能学院,江苏 南京 211100)

随着大数据、超级计算、传感网、脑科学等新理论新技术进步,人工智能(AI)内涵概念挖掘与技术进步影响已不断拓展和深入至科学、工程与社会诸多领域,成为国际竞争的新高地和新焦点。AI技术对处理不确定性、交互性和动态复杂性问题具有较强能力和优势,广泛应用于环境工程学科,在水污染治理、水污染物溯源、河流水质预测评价、水资源循环利用、海水淡化[1-3]等领域均有良好表现。在污水处理方面,AI技术用于污水处理性能预测、出水质量预测、运行参数优化和处理单元的设计,以及评价关键部件传感器的设计、基于故障诊断的预测维护策略、基于性能的操作指令和处理过程中能源使用的优化。本研究系统梳理了AI技术在污水处理的建模方法、污染物去除过程的建模优化、污水处理过程的优化控制等方面取得的研究成果,探讨了AI技术在污水处理中的研究方向。

1 污水处理AI建模方法

1.1 人工神经网络(ANN)

ANN类似于人类大脑的信息处理系统,以生物神经元为模型,模拟简单的非线性神经元之间复杂而又灵活的连接关系,通过对已知信息的反复学习训练,逼近真实数据,从而达到处理信息、模拟输入输出之间关系的目的。ANN因其自适应、自学习、容错性和非线性动态处理等特征,成功应用于模拟、预测和优化污水处理中的各种过程,尤其是被广泛用于模拟污水生化处理。基于ANN的建模方法比传统活性污泥模型更准确性、更简洁。多层感知器神经网络(MLPNN)、径向基函数神经网络(RBFNN)、前馈神经网络、小波神经网络、递归神经网络、循环神经网络、自组织映射等,也得到较广泛应用。

1.2 模糊逻辑(FL)

FL是多值逻辑的一种形式,它用0～1之间的实数来描述变量的情况。FL主要由模糊化、模糊规则、模糊推理系统和去模糊化4个部分组成。FL因其强大的非线性、滞后性、不确定性、复杂性等处理能力而在污水处理模拟和优化中得到应用。神经模糊、补偿FL、监督委员会FL等,也有研究[4-5]。尤其是,这些模型还可对污水处理厂的建设和运营成本进行优化,重点是通过控制曝气影响溶解氧(DO)、降低电耗、预测对吸附材料的影响、降低膜污染等,从而降低成本。

1.3 遗传算法(GA)

GA是一种自适应优化算法,模拟达尔文生物进化论的自然选择和遗传学机理生物进化过程的计算模型,估计工程或科学问题所有可能解决的方案,生成一个帕累托集,以实现最小或最大目标函数获得最优解。GA因其全局寻优、多元非线性优化能力强等特点,被广泛应用于组合优化、自适应控制等领域。遗传编程(GP)作为GA的一个扩展,是一种归纳式数据驱动的机器学习。在水污染优化控制领域,GA被普遍用于解决与海水淡化、膜应用有关的问题,GA和GP可预测不同水质、不断变化操作条件下的运行性能,而无需了解过程基本描述,也得到了较广泛应用[6-7]。

1.4 其他单一模型方法

支持向量机(SVM)、支持向量回归(SVR)、贝叶斯网络、粒子群优化等技术也应用于污水处理建模和优化。每种AI模型由于其独特的结构或特征,均有其独特优势,但也都存在不可避免的缺陷和误差,关键是要根据条件和需要而有所侧重和取舍。

1.5 集成模型

许多研究引入组合建模方法,以减少模型误差。与单一模型相比,集成模型实现“智能模型+智能优化方法”组合应用,调整其权重、阈值和函数,预测结果更可靠,也更具应用前景。典型的集成模型是ANN-GA、ANN-FL模型[8-9]。ANN-GA采用GA对ANN参数进行迭代优化,提高ANN求解能力。自适应模糊神经网络(ANFIS)作为神经和模糊方法的组合建模,使用反向传播和最小二乘算法的混合算法来调整前提和结论参数,可最优利用FL的易解释性及ANN优越的自学习、自适应能力。

2 AI模拟和预测污染物去除

2.1 有机污染物去除

对于生物处理工艺,ANN应用广泛,但集成模型模拟效果更好一些。ARAROMI等[10]对活性污泥工艺处理生活污水的出水生化需氧量(BOD)和化学需氧量(COD)进行建模和预测,均方根误差(RMSE)和相关系数(R)作为评估模型预测性能的指标。与广义线性回归(GLM)模型相比,ANFIS模型预测精度更高。对于BOD、COD,ANFIS的R分别为0.947、0.946,RMSE分别为1.041、1.302,优于GLM的R(均为0.637)和RMSE(2.415、3.042),且对于时间滞后和预防过程干扰具有较大潜力。HUANG等[11]研究发现,与ANN相比,ANN-GA用于模拟预测厌氧消化COD去除,R更大,均方误差(MSE)、RMSE和平均绝对百分比误差(MAPE)更低。

对于物理处理工艺,SARGOLZAEI等[12]采用基于反向传播-ANN(BPNN)、ANFIS和RBFNN的智能系统,预测亲水聚醚砜微过滤膜对淀粉废水中淀粉的去除,在所有测试操作条件下,模型预测与实验数据之间一致性很好,ANFIS预测结果比RBFNN和BPNN更好。

对于化学氧化工艺,ELMOLLA等[13]利用ANN对芬顿氧化降解青霉素类抗生素进行预测和模拟,模拟预测COD去除率,预测与实验结果非常接近,R2=0.997,MSE=0.000 376。敏感性分析表明,反应时间、H2O2和COD摩尔比、H2O2和Fe2+摩尔比、pH和抗生素浓度等因素对COD去除率影响较大。MUSTAFA等[14]利用ANN模拟了高级氧化工艺对石油的降解能力,发现H2O2、Fe2+、冲击时间等变量对油品破坏能力有显著影响。

2.2 氮磷营养物质去除

一般而言,SVM、ANN、ANN-GA等建模预测生化或物化处理过程中的脱氮除磷效果较好。MANU等[15]采用SVM和ANFIS预测好氧生物废水处理厂凯氏氮的去除效率,以进水pH、COD、总固形物、游离氨、氨氮和凯氏氮等进水变量作为输入变量,以RMSE、R等指标评估,SVM的预测结果比ANFIS更可靠。ANTWI等[16]开发了一种新的前馈反向传播神经网络模型来预测膨胀颗粒污泥床反应器中的厌氧氨氧化和部分硝化脱氮效率,该模型预测良好,R2=0.989、分数方差为0.010 7、一致性指数为0.997。BPNN-GA模拟纳米复合吸附剂去除水中磷酸盐,R2=0.99[17]。

2.3 重金属去除

对于采用吸附、电絮凝等物理或化学方法去除Cu2+、Cd2+、Cr(Ⅵ)等重金属离子,ANN、SVM、SVR、ANN-GA等模型均具有广泛的使用[18]。

3 AI模拟和优化污水处理控制

相较于污染物去除过程的建模与优化,AI技术对于预测处理性能、诊断预测故障、优化维护运行、降低运行成本、提高处理效果更具实践意义。

3.1 好氧生物污水处理优化控制

活性污泥工艺能耗主要集中在泵站和生物处理的曝气系统,这两个单元运行的能耗一般约占污水处理全厂总能耗的70%,曝气系统耗电量约占全厂总能耗的40%～50%,是全厂耗电量最大的运行单元。将AI与活性污泥工艺机理模型相结合,通过自动化提高处理性能、增强运行可靠性,实现和改进处理过程控制[19]。采用模糊控制器集成DO和氧化还原电位,曝气模糊控制在保持良好污染物去除效果的同时,可实现节能10%以上[20]。利用ANFIS调节曝气量的DO控制器,使污水处理厂的运行成本降低了33%左右[21]。将模糊系统与BPNN相结合,模拟解决生物膜废水处理过程可变流入速率和有机负荷要求问题,智能控制气流速率,可使系统运行成本降低38%左右[22]。

3.2 厌氧/兼氧生物污水处理优化控制

针对厌氧/兼氧废水处理装置中因非线性和生化现象的复杂性而难以有效运行控制问题,多项研究通过故障诊断、智能监测厌氧生物反应的DO、酸化状态、污泥膨胀指数等,控制进水、反应温度等因素,优化生物反应器性能,实现污染物去除效果、沼气产量等多目标优化控制。BAGHERI等[23]开发了MLPNN和RBFNN来预测序批式活性污泥法污水处理厂的污泥膨胀,实测污泥膨胀指数发现,MLPNN的预测结果比RBFNN更准确。ROBLES等[24]开发了一种控制系统,该系统由计算控制变量初始化、初步知识规则和FL控制器3个部分组成,其控制变量包括污垢率、渗透率、跨膜压和跨膜通量。通过FL控制器调节淹没式生物膜反应器的沼气循环流量,通过初步知识规则控制膜运行阶段,从而控制膜污染率。

3.3 物化/物理污水处理优化控制

许多研究通过多目标优化污染物去除率、化学药剂用量、操作压力和能耗等,产生非支配最优点,这些最优点就是最佳运行条件。对于混凝处理工艺,采用ANFIS对污染物去除率与化学药剂用量之间的非线性关系进行建模,使系统能适应多种操作条件,且具有更灵活的自学习能力。该系统包括反应过程模糊神经网络模拟器、控制器和基于用于识别所需控制输入性能函数的优化程序,采用梯度下降算法实现优化过程[25]。对于反渗透工艺,利用GA优化氯酚的去除,建立并实现了反渗透系统的一维数学模型,GA对模型进行优化,决策变量是进料流量、压力和温度,目标函数是最大限度地提高氯酚去除率,并使操作压力最小化[26]。对于电絮凝工艺,利用铜浓度、电压、pH和处理时间作为收集数据和建立模型的操作条件,使用ANN和表面响应法模拟除铜效率和能耗,GA对效果较好的ANN进行多目标优化,在能耗最小化的同时实现除铜效率最大化[27]。

3.4 膜污染优化控制

FL已在多项研究中用于膜污染模拟,并开发自动化系统以更好地控制和管理膜污染。BRAUNS等[28]引入一种基于FL的控制系统,通过传感器和工艺参数的输入来调整传统膜过滤控制系统的设定值。MOGHADDAM等[29]预测了亲水聚醚磺酮膜系统处理淀粉废水的渗透通量,研究渗透通量对废水温度、流速、浓度和pH等参数的依赖性,通过FL结果可视化,将各种操作参数的影响与膜污染特征联系起来。

GA可优化膜污染控制的各种操作参数,ANN-GA是选择最佳操作参数以提高膜性能的一个非常有效和有益的工具,有效操作参数的优化不仅对控制膜污染非常重要,而且影响过滤成本。BADRNEZHAD等[30]采用GA优化含油废水横流超滤的进料温度、进料pH、跨膜压、横流速度和过滤时间,最大和最小渗透通量时预测的温度最佳值与实际结果高度吻合。SOLEIMANI等[31]以最大化渗透通量和最小化污垢阻力为目标,训练ANN,GA被用于调节跨膜压、进料温度和pH等,优化从工业含油废水中分离油的操作参数,预测可接受的渗透通量和污垢阻力。

4 结 语

(1) 在AI技术污水处理模拟预测和优化控制领域,单一模型中,ANN、FL应用较广泛;集成模型中,ANN-GA、ANFIS使用较多。一般情况下,集成模型比单一模型精度更高、误差更小,也更有应用前景。但基于数据量、建模时间、成本等因素限制,是否采用集成模型还需根据实际条件和需求进行权衡。

(2) AI技术对于模拟和预测有机污染物、氮、磷和重金属等去除均有成功案例,且在物理、化学、生物处理等技术领域均得到很好的应用。但不同模型预测效果差异较大、评价方法、评价指标又不尽一致,而且与输入参数种类、数据数量和数据质量密切相关。今后研究,可结合当前海量的实时在线数据,研究更具广泛代表性的评价指标体系,支持AI变得更快、更准、更友好。

(3) AI与自动控制、水处理等技术融合,进行多目标优化,可减少能源、化学品等消耗,降低建设和运营成本,提高处理效率。今后研究,可探索推进AI技术与自动化技术、治污工艺的深度融合,强化实时监测、智能控制、精准作业等能力,提升综合治污效能。