胡鶴軒 孫昕遠

(河海大學人工智能學院,江蘇 南京 211100)

隨著大數(shù)據(jù)、超級計算、傳感網(wǎng)、腦科學等新理論新技術進步,人工智能(AI)內涵概念挖掘與技術進步影響已不斷拓展和深入至科學、工程與社會諸多領域,成為國際競爭的新高地和新焦點。AI技術對處理不確定性、交互性和動態(tài)復雜性問題具有較強能力和優(yōu)勢,廣泛應用于環(huán)境工程學科,在水污染治理、水污染物溯源、河流水質預測評價、水資源循環(huán)利用、海水淡化[1-3]等領域均有良好表現(xiàn)。在污水處理方面,AI技術用于污水處理性能預測、出水質量預測、運行參數(shù)優(yōu)化和處理單元的設計,以及評價關鍵部件傳感器的設計、基于故障診斷的預測維護策略、基于性能的操作指令和處理過程中能源使用的優(yōu)化。本研究系統(tǒng)梳理了AI技術在污水處理的建模方法、污染物去除過程的建模優(yōu)化、污水處理過程的優(yōu)化控制等方面取得的研究成果,探討了AI技術在污水處理中的研究方向。

1 污水處理AI建模方法

1.1 人工神經(jīng)網(wǎng)絡(ANN)

ANN類似于人類大腦的信息處理系統(tǒng),以生物神經(jīng)元為模型,模擬簡單的非線性神經(jīng)元之間復雜而又靈活的連接關系,通過對已知信息的反復學習訓練,逼近真實數(shù)據(jù),從而達到處理信息、模擬輸入輸出之間關系的目的。ANN因其自適應、自學習、容錯性和非線性動態(tài)處理等特征,成功應用于模擬、預測和優(yōu)化污水處理中的各種過程,尤其是被廣泛用于模擬污水生化處理。基于ANN的建模方法比傳統(tǒng)活性污泥模型更準確性、更簡潔。多層感知器神經(jīng)網(wǎng)絡(MLPNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFNN)、前饋神經(jīng)網(wǎng)絡、小波神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、自組織映射等,也得到較廣泛應用。

1.2 模糊邏輯(FL)

FL是多值邏輯的一種形式,它用0～1之間的實數(shù)來描述變量的情況。FL主要由模糊化、模糊規(guī)則、模糊推理系統(tǒng)和去模糊化4個部分組成。FL因其強大的非線性、滯后性、不確定性、復雜性等處理能力而在污水處理模擬和優(yōu)化中得到應用。神經(jīng)模糊、補償FL、監(jiān)督委員會FL等,也有研究[4-5]。尤其是,這些模型還可對污水處理廠的建設和運營成本進行優(yōu)化,重點是通過控制曝氣影響溶解氧(DO)、降低電耗、預測對吸附材料的影響、降低膜污染等,從而降低成本。

1.3 遺傳算法(GA)

GA是一種自適應優(yōu)化算法,模擬達爾文生物進化論的自然選擇和遺傳學機理生物進化過程的計算模型,估計工程或科學問題所有可能解決的方案,生成一個帕累托集,以實現(xiàn)最小或最大目標函數(shù)獲得最優(yōu)解。GA因其全局尋優(yōu)、多元非線性優(yōu)化能力強等特點,被廣泛應用于組合優(yōu)化、自適應控制等領域。遺傳編程(GP)作為GA的一個擴展,是一種歸納式數(shù)據(jù)驅動的機器學習。在水污染優(yōu)化控制領域,GA被普遍用于解決與海水淡化、膜應用有關的問題,GA和GP可預測不同水質、不斷變化操作條件下的運行性能,而無需了解過程基本描述,也得到了較廣泛應用[6-7]。

1.4 其他單一模型方法

支持向量機(SVM)、支持向量回歸(SVR)、貝葉斯網(wǎng)絡、粒子群優(yōu)化等技術也應用于污水處理建模和優(yōu)化。每種AI模型由于其獨特的結構或特征,均有其獨特優(yōu)勢,但也都存在不可避免的缺陷和誤差,關鍵是要根據(jù)條件和需要而有所側重和取舍。

1.5 集成模型

許多研究引入組合建模方法,以減少模型誤差。與單一模型相比,集成模型實現(xiàn)“智能模型+智能優(yōu)化方法”組合應用,調整其權重、閾值和函數(shù),預測結果更可靠,也更具應用前景。典型的集成模型是ANN-GA、ANN-FL模型[8-9]。ANN-GA采用GA對ANN參數(shù)進行迭代優(yōu)化,提高ANN求解能力。自適應模糊神經(jīng)網(wǎng)絡(ANFIS)作為神經(jīng)和模糊方法的組合建模,使用反向傳播和最小二乘算法的混合算法來調整前提和結論參數(shù),可最優(yōu)利用FL的易解釋性及ANN優(yōu)越的自學習、自適應能力。

2 AI模擬和預測污染物去除

2.1 有機污染物去除

對于生物處理工藝,ANN應用廣泛,但集成模型模擬效果更好一些。ARAROMI等[10]對活性污泥工藝處理生活污水的出水生化需氧量(BOD)和化學需氧量(COD)進行建模和預測,均方根誤差(RMSE)和相關系數(shù)(R)作為評估模型預測性能的指標。與廣義線性回歸(GLM)模型相比,ANFIS模型預測精度更高。對于BOD、COD,ANFIS的R分別為0.947、0.946,RMSE分別為1.041、1.302,優(yōu)于GLM的R(均為0.637)和RMSE(2.415、3.042),且對于時間滯后和預防過程干擾具有較大潛力。HUANG等[11]研究發(fā)現(xiàn),與ANN相比,ANN-GA用于模擬預測厭氧消化COD去除,R更大,均方誤差(MSE)、RMSE和平均絕對百分比誤差(MAPE)更低。

對于物理處理工藝,SARGOLZAEI等[12]采用基于反向傳播-ANN(BPNN)、ANFIS和RBFNN的智能系統(tǒng),預測親水聚醚砜微過濾膜對淀粉廢水中淀粉的去除,在所有測試操作條件下,模型預測與實驗數(shù)據(jù)之間一致性很好,ANFIS預測結果比RBFNN和BPNN更好。

對于化學氧化工藝,ELMOLLA等[13]利用ANN對芬頓氧化降解青霉素類抗生素進行預測和模擬,模擬預測COD去除率,預測與實驗結果非常接近,R2=0.997,MSE=0.000 376。敏感性分析表明,反應時間、H2O2和COD摩爾比、H2O2和Fe2+摩爾比、pH和抗生素濃度等因素對COD去除率影響較大。MUSTAFA等[14]利用ANN模擬了高級氧化工藝對石油的降解能力,發(fā)現(xiàn)H2O2、Fe2+、沖擊時間等變量對油品破壞能力有顯著影響。

2.2 氮磷營養(yǎng)物質去除

一般而言,SVM、ANN、ANN-GA等建模預測生化或物化處理過程中的脫氮除磷效果較好。MANU等[15]采用SVM和ANFIS預測好氧生物廢水處理廠凱氏氮的去除效率,以進水pH、COD、總固形物、游離氨、氨氮和凱氏氮等進水變量作為輸入變量,以RMSE、R等指標評估,SVM的預測結果比ANFIS更可靠。ANTWI等[16]開發(fā)了一種新的前饋反向傳播神經(jīng)網(wǎng)絡模型來預測膨脹顆粒污泥床反應器中的厭氧氨氧化和部分硝化脫氮效率,該模型預測良好,R2=0.989、分數(shù)方差為0.010 7、一致性指數(shù)為0.997。BPNN-GA模擬納米復合吸附劑去除水中磷酸鹽,R2=0.99[17]。

2.3 重金屬去除

對于采用吸附、電絮凝等物理或化學方法去除Cu2+、Cd2+、Cr(Ⅵ)等重金屬離子,ANN、SVM、SVR、ANN-GA等模型均具有廣泛的使用[18]。

3 AI模擬和優(yōu)化污水處理控制

相較于污染物去除過程的建模與優(yōu)化,AI技術對于預測處理性能、診斷預測故障、優(yōu)化維護運行、降低運行成本、提高處理效果更具實踐意義。

3.1 好氧生物污水處理優(yōu)化控制

活性污泥工藝能耗主要集中在泵站和生物處理的曝氣系統(tǒng),這兩個單元運行的能耗一般約占污水處理全廠總能耗的70%,曝氣系統(tǒng)耗電量約占全廠總能耗的40%～50%,是全廠耗電量最大的運行單元。將AI與活性污泥工藝機理模型相結合,通過自動化提高處理性能、增強運行可靠性,實現(xiàn)和改進處理過程控制[19]。采用模糊控制器集成DO和氧化還原電位,曝氣模糊控制在保持良好污染物去除效果的同時,可實現(xiàn)節(jié)能10%以上[20]。利用ANFIS調節(jié)曝氣量的DO控制器,使污水處理廠的運行成本降低了33%左右[21]。將模糊系統(tǒng)與BPNN相結合,模擬解決生物膜廢水處理過程可變流入速率和有機負荷要求問題,智能控制氣流速率,可使系統(tǒng)運行成本降低38%左右[22]。

3.2 厭氧/兼氧生物污水處理優(yōu)化控制

針對厭氧/兼氧廢水處理裝置中因非線性和生化現(xiàn)象的復雜性而難以有效運行控制問題,多項研究通過故障診斷、智能監(jiān)測厭氧生物反應的DO、酸化狀態(tài)、污泥膨脹指數(shù)等,控制進水、反應溫度等因素,優(yōu)化生物反應器性能,實現(xiàn)污染物去除效果、沼氣產(chǎn)量等多目標優(yōu)化控制。BAGHERI等[23]開發(fā)了MLPNN和RBFNN來預測序批式活性污泥法污水處理廠的污泥膨脹,實測污泥膨脹指數(shù)發(fā)現(xiàn),MLPNN的預測結果比RBFNN更準確。ROBLES等[24]開發(fā)了一種控制系統(tǒng),該系統(tǒng)由計算控制變量初始化、初步知識規(guī)則和FL控制器3個部分組成,其控制變量包括污垢率、滲透率、跨膜壓和跨膜通量。通過FL控制器調節(jié)淹沒式生物膜反應器的沼氣循環(huán)流量,通過初步知識規(guī)則控制膜運行階段,從而控制膜污染率。

3.3 物化/物理污水處理優(yōu)化控制

許多研究通過多目標優(yōu)化污染物去除率、化學藥劑用量、操作壓力和能耗等,產(chǎn)生非支配最優(yōu)點,這些最優(yōu)點就是最佳運行條件。對于混凝處理工藝,采用ANFIS對污染物去除率與化學藥劑用量之間的非線性關系進行建模,使系統(tǒng)能適應多種操作條件,且具有更靈活的自學習能力。該系統(tǒng)包括反應過程模糊神經(jīng)網(wǎng)絡模擬器、控制器和基于用于識別所需控制輸入性能函數(shù)的優(yōu)化程序,采用梯度下降算法實現(xiàn)優(yōu)化過程[25]。對于反滲透工藝,利用GA優(yōu)化氯酚的去除,建立并實現(xiàn)了反滲透系統(tǒng)的一維數(shù)學模型,GA對模型進行優(yōu)化,決策變量是進料流量、壓力和溫度,目標函數(shù)是最大限度地提高氯酚去除率,并使操作壓力最小化[26]。對于電絮凝工藝,利用銅濃度、電壓、pH和處理時間作為收集數(shù)據(jù)和建立模型的操作條件,使用ANN和表面響應法模擬除銅效率和能耗,GA對效果較好的ANN進行多目標優(yōu)化,在能耗最小化的同時實現(xiàn)除銅效率最大化[27]。

3.4 膜污染優(yōu)化控制

FL已在多項研究中用于膜污染模擬,并開發(fā)自動化系統(tǒng)以更好地控制和管理膜污染。BRAUNS等[28]引入一種基于FL的控制系統(tǒng),通過傳感器和工藝參數(shù)的輸入來調整傳統(tǒng)膜過濾控制系統(tǒng)的設定值。MOGHADDAM等[29]預測了親水聚醚磺酮膜系統(tǒng)處理淀粉廢水的滲透通量,研究滲透通量對廢水溫度、流速、濃度和pH等參數(shù)的依賴性,通過FL結果可視化,將各種操作參數(shù)的影響與膜污染特征聯(lián)系起來。

GA可優(yōu)化膜污染控制的各種操作參數(shù),ANN-GA是選擇最佳操作參數(shù)以提高膜性能的一個非常有效和有益的工具,有效操作參數(shù)的優(yōu)化不僅對控制膜污染非常重要,而且影響過濾成本。BADRNEZHAD等[30]采用GA優(yōu)化含油廢水橫流超濾的進料溫度、進料pH、跨膜壓、橫流速度和過濾時間,最大和最小滲透通量時預測的溫度最佳值與實際結果高度吻合。SOLEIMANI等[31]以最大化滲透通量和最小化污垢阻力為目標,訓練ANN,GA被用于調節(jié)跨膜壓、進料溫度和pH等,優(yōu)化從工業(yè)含油廢水中分離油的操作參數(shù),預測可接受的滲透通量和污垢阻力。

4 結 語

(1) 在AI技術污水處理模擬預測和優(yōu)化控制領域,單一模型中,ANN、FL應用較廣泛;集成模型中,ANN-GA、ANFIS使用較多。一般情況下,集成模型比單一模型精度更高、誤差更小,也更有應用前景。但基于數(shù)據(jù)量、建模時間、成本等因素限制,是否采用集成模型還需根據(jù)實際條件和需求進行權衡。

(2) AI技術對于模擬和預測有機污染物、氮、磷和重金屬等去除均有成功案例,且在物理、化學、生物處理等技術領域均得到很好的應用。但不同模型預測效果差異較大、評價方法、評價指標又不盡一致,而且與輸入?yún)?shù)種類、數(shù)據(jù)數(shù)量和數(shù)據(jù)質量密切相關。今后研究,可結合當前海量的實時在線數(shù)據(jù),研究更具廣泛代表性的評價指標體系,支持AI變得更快、更準、更友好。

(3) AI與自動控制、水處理等技術融合,進行多目標優(yōu)化,可減少能源、化學品等消耗,降低建設和運營成本,提高處理效率。今后研究,可探索推進AI技術與自動化技術、治污工藝的深度融合,強化實時監(jiān)測、智能控制、精準作業(yè)等能力,提升綜合治污效能。