鄭小發(fā)，楊 麗，刁 月，王秀模

(重慶機電職業(yè)技術(shù)大學(xué)，重慶 402760)

生物廢水處理高度依賴于各種微生物之間復(fù)雜的生物化學(xué)反應(yīng)[10]，通過控制生物反應(yīng)影響因素可提高處理效率，但基本控制因素及具有穩(wěn)定處理效率的優(yōu)化參數(shù)尚未明確。目前，用于廢水處理過程控制和參數(shù)優(yōu)化的常規(guī)建模方法主要基于單因素/正交試驗和物理-數(shù)學(xué)機制[11-13]。大多數(shù)現(xiàn)有模型(物理-數(shù)學(xué)模型)，包括厭氧消化模型(ADM1)、活性污泥模型(ASM1，ASM2)都是基于過程動力學(xué)和傳質(zhì)學(xué)[14]；而當(dāng)反應(yīng)器、廢水或微生物工作環(huán)境發(fā)生變化時，這些模型都需要重新校準(zhǔn)[15]。影響廢水中主要污染物質(zhì)去除的因素主要有流體參數(shù)、微生物群落特性及反應(yīng)器操作條件[16]。利用全面自適應(yīng)模型，如機器學(xué)習(xí)和數(shù)據(jù)驅(qū)動模型，結(jié)合數(shù)學(xué)工具(如artificial neural network，ANN)和方差多變量逐步聚類分析[17]對生物過程進行建模，可以大大減少復(fù)雜生物過程建模中所面臨的挑戰(zhàn)。雖然ANN已用于需氧、厭氧系統(tǒng)和其他各種復(fù)雜的網(wǎng)絡(luò)應(yīng)用模式識別，但ANN和試驗設(shè)計響應(yīng)面法(response surface methodology，RSM)都還需進一步研究。

試驗提出優(yōu)化2種反向傳播神經(jīng)網(wǎng)絡(luò)模型，開發(fā)并應(yīng)用網(wǎng)絡(luò)連接時間模型，用上流污泥床(upflow-sludge-bed，USB)反應(yīng)器經(jīng)由SNAP工藝處理富氮廢水去除其中的銨和總氮。ANN模型中，以主成分分析為基礎(chǔ)，選取一些參數(shù)作為輸入變量，通過優(yōu)化隱層神經(jīng)元數(shù)目建立優(yōu)化的ANN結(jié)構(gòu)，采用基準(zhǔn)比較和多重非線性回歸(multiple nonlinear regression，MNR)模型的Box-Behnken設(shè)計模型的自適應(yīng)值(初始值)和權(quán)重/偏差值(初始值)，預(yù)測所提出模型的效率，利用16S rRNA高通量基因測序微生物群落序列，評價USB-SNAP過程中的生物脫氮途徑和效率。

1 試驗部分

1.1 廢水及試劑

微量元素溶液(Ⅰ)(g/L)：EDTA 5，F(xiàn)eSO40.006 25；

微量元素溶液(Ⅱ)(g/L)：EDTA 15，H3BO40.014；ZnSO4·7H2O 0.43，CuSO4·5H2O 0.25，NiCl2·6H2O 0.19， MnCl2·4H2O 0.99，CoCl2·6H2O 0.24，NaMoO4·2H2O 0.22。

混合液懸浮固體溶液、混合液揮發(fā)性懸浮固體溶液采自市政污水處理廠；試驗用水為實驗室自制純水。

1.2 試驗裝置與儀器

蠕動泵(英國BT10032J Langer Instruments)，分光光度計(日本島津制作所，UV-1800 UV-VIS)，精密離子計(鄭州南北儀器設(shè)備有限公司，PXS450)，在線溶解氧探針(INESA：JPB-607A型)，Illumina Miseq測序平臺(上海桑根生物科技有限公司)。

1.3 分析方法

USB反應(yīng)器的有效工作量和總工作量分別為0.9 L和1.1 L，頂部空間裝配一個三相分離裝置，可以促進操作過程中生物質(zhì)、液體和氣體的分離。從市政污水處理廠獲得MLSS(混合液懸浮固體)和MLVSS(混合液揮發(fā)性懸浮固體)用于激活USB。采用熱水浴使USB熱敏電阻和數(shù)字溫度控制器在溫度32±1 ℃下運行，隨后用不透明材料覆蓋反應(yīng)器，避免光滲透和微生物群落中的光養(yǎng)細(xì)菌生長[21]。蠕動泵用于將廢水輸送到反應(yīng)器中，反應(yīng)器運行階段分別是階段Ⅰ、階段Ⅱ和階段Ⅲ，水力停留時間(HRT)分別為36、24、18 h，氨負(fù)荷率(NLR)分別為120、170、220 g/(m3·d)。

采用分光光度計在420 nm波長處測定水樣中的銨離子質(zhì)量濃度，在540 nm和220 nm處分別測定亞硝酸鹽和硝酸鹽質(zhì)量濃度；用精密離子計和在線溶解氧探針分別測定pH和溶解氧水平。

1.4 高通量測序

對USB 3個操作階段結(jié)束時獲得的污泥進行微生物群落調(diào)查，以確定USB內(nèi)的各種反應(yīng)。分離DNA后，用瓊脂糖凝膠電泳和基因組對DNA進行定量聚合酶鏈反應(yīng)，隨后在Illumina Miseq測序平臺進行DNA(僅質(zhì)量DNA)測序[22]，對序列進行聚類分析。

1.5 ANN架構(gòu)說明

采用MATLAB軟件2017 B版開發(fā)3層(輸入、隱藏和輸出層)反向傳播訓(xùn)練算法ANN模型。ANN模型如圖1所示。圖1表示第i個權(quán)重輸入和第j個隱藏神經(jīng)元，輸入層神經(jīng)元數(shù)量，隱藏神經(jīng)元和輸出神經(jīng)元權(quán)重。

圖1 ANN模型示意

1.6 ANN訓(xùn)練算法和網(wǎng)絡(luò)拓?fù)涞膬?yōu)化

影響SNAP工藝性能的變量主要通過分析主成分進行選擇，通過將所有相關(guān)變量轉(zhuǎn)換為不相關(guān)變量來執(zhí)行主成分分析。通過基準(zhǔn)比較，選擇用于構(gòu)建有效的ANN架構(gòu)的訓(xùn)練算法。選擇MATLAB平臺訓(xùn)練算法，對每種訓(xùn)練算法，在隱藏層分配2～18個神經(jīng)元，并記錄和比較最小均方差[23]。每種訓(xùn)練算法都是在隱藏層指定2個神經(jīng)元情況下啟動，然后逐步增加至估計出最小均方差(MSE)。通過將整個數(shù)據(jù)集隨機分為3個子集，即訓(xùn)練(70%)、驗證(15%)和測試集(15%)進行檢查，隨后采用訓(xùn)練子集來評估梯度及形成權(quán)重因子和偏差。訓(xùn)練集開始學(xué)習(xí)數(shù)據(jù)集之后采用驗證集。從驗證集獲得的誤差被連續(xù)用于監(jiān)視訓(xùn)練過程，基于3級因子完成Box-Behnken設(shè)計[24-25]。

2 試驗結(jié)果與討論

2.1 USB脫氮效率與微生物群落演替

去除率；b—總氮去除率；c—氮氧化物。圖2 USB內(nèi)的脫氮效率

2.2 ANN模型的優(yōu)化

2.2.1 基于基準(zhǔn)比較的最優(yōu)訓(xùn)練函數(shù)識別

2.2.2 基于ANN模型的性能評估

圖3 基于ANN的去除模型

圖4 基于ANN的總氮去除模型

ANN模型能夠?qū)W習(xí)輸入和輸出變量之間的復(fù)雜和非線性相互關(guān)系，而不需要復(fù)雜的狀態(tài)方程和動力學(xué)變量[27]，所以，通過模擬和預(yù)測，利用基于ANN的模型對污水生物處理工藝進行優(yōu)化和控制是可行的。此外，本研究也說明ANN可以用來評估遮蔽函數(shù)并進行近似估計，這表明ANN有能力處理非常復(fù)雜的數(shù)據(jù)，尤其在需要主觀判斷的領(lǐng)域更具有廣闊應(yīng)用前景。

3 結(jié)論