序批式复合反应器(Sequencing batch hybrid reactor,SBHR)系统包含悬浮活性污泥和生物膜复合微生物体系,能同时富集不同微生物种群。SBHR系统可以解决反硝化细菌和聚磷菌对碳源需求的矛盾,达到节省碳源和能源的双重目的,从而实现高效同步脱氮除磷^[1,2,3,4,5] 。

　　 人工神经网络(ANN)通过广泛连接简单的非线性神经元,进行自学习、自适应和自组织,从而构成具有大规模分布式并行处理能力的非线性动力学系统,特别适合于多元高度非线性生物过程和严重不确定性系统^[6,7,8] 。ANN已在污水处理、生物传感器等领域得到广泛应用^[9,10,11] 。

　　 本研究采用SBHR系统处理生活污水,利用SBHR系统稳定运行期间的数据,建立ANN预测模型,预测SBHR系统的处理效果,为SBHR系统处理实际生活污水并进行实际应用奠定理论基础。ANN具有学习能力和非线性逼近能力,可为非线性复杂系统的建模以及污水处理系统在线监控和研究提供一条可行的途径^[12] 。

　　 试验采用的SBHR工艺由一个SBHR反应器及附属设施调节池、出水池和进出水控制器组成,如图1所示。反应器有效容积为5L。生物膜载体采用多面空心球填料,投入量为总反应器有效体积的30%;通过搅拌使生物膜载体处于悬浮状态。SBHR通过恒温水浴控制系统温度为20~25℃。厌氧阶段溶解氧(DO)≤0.2 mg/L、好氧阶段DO约2.0mg/L、缺氧阶段DO≤0.5mg/L^[13] 。

　　 试验用水采用校园生活污水(加KH₂PO₄调配TP浓度),污水水质见表1。以城市污水处理厂的絮状活性污泥为接种污泥,在SBHR系统中采用两阶段法培养具有同步脱氮除磷能力的复合悬浮活性污泥和生物膜体系。第一阶段采用厌氧/好氧,第二阶段采用厌氧/好氧/缺氧运行模式^[14] 。培养阶段逐步增加进水水力负荷,在提高反应器对COD、TP和TN去除效果的同时,增加SBHR系统反硝化聚磷菌的数量。完成复合微生物培养驯化后,SBHR系统进入稳定运行阶段。控制反应器中活性污泥和生物膜上的生物量分别约占40%和60%,其中活性污泥的污泥浓度(MLSS)约为3 540mg/L。

　　 污水及处理出水水质分析均采用标准方法。NH₃-N浓度采用纳氏试剂光度法;NO₃^--N浓度采用酚二磺酸分光光度法;NO₂^--N浓度采用N-(1-萘基)乙二胺分光光度法;TN浓度采用过硫酸钾氧化-紫外分光光度法;TP和溶解性磷酸盐浓度采用氯化亚锡还原光度法;化学需氧量(COD)采用采用MS-3型微波消解COD测定仪分析;pH和温度采用PHS-25型pH计分析;溶解氧(DO)采用JPB-607溶氧仪分析;MLSS采用FLS-100型光电污泥浓度计测量。

　　 本研究采用BP-ANN(backpropagation artificial neural network)算法。BP-ANN网络一般由输入层、输出层和隐含层组成,输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,可以是一个或多个;输入信号从输入层经过隐含层然后传到输出层,完成一次学习的正向传播处理过程,如果实际输出与期望输出之间有误差,误差信号将通过传播通路反向折回,按误差梯度下降的方式修正,逐层向输入层传播进行计算后,再经过正向传播,如此反复进行,使误差达到期望要求^[15] 。

　　 本研究采用3层(6-n-1)结构的神经网络^[16] ,输入层含6个控制因素,包括SBHR系统进水的COD、NH₃-N、TP、C/N、C/P和pH,输出层分别为系统出水COD、TN和TP。n为隐含层节点数,采用目前常用的试误法确定^[17] 。经过多次训练后,确定隐含层节点数为12;选取训练精度最佳和误差最小情况下的次数为最佳训练次数,本研究中最佳训练次数为5 000次。在网络运行参数中,动量因子mc和学习率Ir的取值直接影响网络的收敛速度。本研究通过对Ir和mc的不同取值进行仿真模拟,确定本文的ANN模型参数Ir=0.1,mc=0.5。用均方差(MSE)[式(1)]来评价网络性能^[18,19] 。

　　 式中y_k———实际输出值;

　　 ———网络预测输出值;

　　 n———样本数据组数。

　　 系统连续稳定运行3个月,取得了良好的同步脱氮除磷及COD去除的效果。SBHR系统对污水中COD、TP和TN的平均去除率分别达到94.66%、94.91%和84.85%。足够数量、具有良好典型性和高精度的样本是利用BP-ANN进行建模的首要条件^[16] 。本研究在SBHR系统稳定运行期间,选取连续运行44d的数据作为仿真模拟样本数据,共264个样本点,见表2。

　　 随机取表2中的4组数据作为验证样本组,其余40组数据作为训练样本组,对样本数据进行自适应学习仿真,仿真结果见表3。从表3可见,验证样本组中第42组中的出水COD相对误差最大,为11.91%。最小误差为第44组的出水TN,为0.042%。验证样本组中出水COD、TP和TN预测值和实际值的相关系数分别为:0.999 3,0.905 7和0.941 2。

　　 由图2可以看出,SBHR系统的BP-ANN模型预测与实际检测值吻合程度较好,出水COD、TP和TN的绝对平均误差分别为1.49%、3.01%和3.35%。BP-ANN对整个工艺系统有良好的仿真预测能力。

　　 权重是影响神经网络训练结果的重要因素,可以表征各影响因素对SBHR系统污水处理特征影响的重要程度。通过BP-ANN程序训练得出连接权值,根据式(2)分析各输入影响因素对输出因素的重要程度。

　　 式中Input_x———输入层的权重值;

　　 HiddenX———输入层与隐节点间的连接权值;

　　 HiddenY———输出层与隐节点间的连接权值。

　　 由图3可见,对SBHR系统出水COD去除影响权重贡献较大的为进水C/P和C/N。这是因为聚磷菌和反硝化菌都需要有机物作为碳源来进行脱氮除磷活动。对SBHR系统出水TP去除影响权重贡献较大的是进水C/P、进水COD和pH。进水COD的浓度直接影响到聚磷菌的活性,而合适的C/P比是影响废水生物除磷效果的重要因素。聚磷菌在厌氧阶段需要利用易降解生物的底物,将其转化为PHA等聚合物贮存在细胞内。在随后外源碳源不足的好氧阶段,PHA经过代谢产生能量,作为污泥的碳源和能源物质,维持聚磷菌的生长。厌氧过程的释磷量与聚磷菌胞内PHA的合成量具有良好的线性关系^[20,21,22] 。有文献表明,较高的pH有利于聚磷菌的活性,有利于提高除磷效率^[23] 。本研究中发现pH在7.45~7.5时,TP去除效率较高。对SBHR系统出水TN去除影响权重贡献较大的为进水C/P、进水TP浓度和C/N。进水C/P和进水TP浓度决定了本系统中聚磷菌为优势菌种,为系统的强化除磷奠定基础。C/N对系统的运行效果也有一定的影响,因为C/N比直接影响系统中反硝化菌的生长,在厌氧段只要存在硝酸氮,反硝化菌就能优先利用碳源进行反硝化,从而抑制了聚磷菌的释磷和PHB的合成。由于悬浮载体上生物膜自身的结构特点以及氧扩散梯度的存在,悬浮生物膜由外到内可以形成好氧区、缺氧区和厌氧区。其中的反硝化菌(包括反硝化聚磷菌)在好氧和缺氧阶段能利用碳源同时将硝化产生的NO₃^--N、NO₂^--N还原,最终以N₂形式去除,在同一反应器中实现同步硝化反硝化和反硝化除磷^[24] 。

　　 (1)BP-ANN预测模型利用人工神经网络的“黑箱特性”,通过训练历史数据,能够模拟SBHR工艺的污水处理规律,避免了建立机理模型所需的各种复杂参数。预测结果表明,模型预测与实际检测值吻合程度良好,全部测试样本的绝对平均误差在3.35%以下。

　　 (2)权重分析发现,在输入的进水参数中,C/P对出水COD、TN和TP浓度的影响权重贡献最大。SBHR系统的C/P为31~44,该C/P有助于系统的高效脱氮除磷。

　　 (3)BP-ANN模型具有较高的精度,能有效应用于SBHR系统出水水质预测管理中,具有良好的研究和工程应用价值。