馮紅利,劉秀紅,楊 慶*,黃斯婷,崔 斌,周 桐,楊玉兵,周薛揚(.北京工業(yè)大學,北京市水質(zhì)科學與水環(huán)境恢復工程重點實驗室,北京 000；.中國人民大學環(huán)境學院,北京 0087)

低溶解氧下氨氧化過程神經(jīng)網(wǎng)絡預測控制模型

馮紅利1,劉秀紅2,楊 慶1*,黃斯婷1,崔 斌1,周 桐1,楊玉兵1,周薛揚1(1.北京工業(yè)大學,北京市水質(zhì)科學與水環(huán)境恢復工程重點實驗室,北京 100022；2.中國人民大學環(huán)境學院,北京 100872)

在低溶解氧(DO)狀態(tài)下,以城市生活污水為研究對象,將神經(jīng)網(wǎng)絡預測的方法應用到污水處理過程中,建立了基于神經(jīng)網(wǎng)絡的氨氧化過程預測控制模型,預測并控制污水處理氨氧化過程. 該模型分為兩部分,一是根據(jù)在線pH值變化預測氨氧化結(jié)束時間,其相關(guān)系數(shù)R值為0.9985;二是根據(jù)在線pH值實時預測氨氮濃度,R值為0.9083.試驗結(jié)果表明該模型預測精度高、可控性好,具有較好的適應性和穩(wěn)定性,對實現(xiàn)并穩(wěn)定短程硝化以及促進主流工藝(厭氧氨氧化)有重要的指導和借鑒意義.

低溶解氧；氨氧化過程；神經(jīng)網(wǎng)絡；模型；pH

污水生物脫氮一直是國內(nèi)外研究的熱點.目前國內(nèi)外對污水生物脫氮主要集中在新工藝和機理研究.新工藝如短程硝化反硝化工藝

[1-4,12-13,20]、同步硝化反硝化工藝、厭氧氨氧化工藝[21],而這些工藝都直接或間接地涉及到氨氧化過程[17-19],因此研究氨氧化過程對這些工藝的實際工程應用具有重要的指導與借鑒意義.城市污水的水質(zhì)、水量與環(huán)境條件等均隨時間變化,同時,城市污水氨氧化過程具有非線性、時變性和不確定性等特點,因此,難于建立精準的數(shù)學模型;即使建立了數(shù)學模型, 結(jié)構(gòu)也較為復雜,難于實際工程應用.為有利于模型的實際應用,不但應使模型盡量簡化,控制算法簡單,易于實現(xiàn),而且在系統(tǒng)不確定性因素的影響下能夠保持良好的性能,滿足實時控制的需求.神經(jīng)網(wǎng)絡預測控制是把神經(jīng)網(wǎng)絡與預測控制相結(jié)合,將預測控制的滾動優(yōu)化思想與神經(jīng)網(wǎng)絡精確描述非線性和不確定性動態(tài)過程的特性有機結(jié)合[5-7].近年來,許多學者提出了多種基于神經(jīng)網(wǎng)絡的預測控制模型

[8-11],部分學者將神經(jīng)網(wǎng)絡用于進、出水指標的預測[9],例如將LM-BP神經(jīng)網(wǎng)絡技術(shù)應用于水質(zhì)預測[11].但關(guān)于生因此,本研究以城市生活污水為研究對象,在物脫氮過程的神經(jīng)網(wǎng)絡預測模型未見報道.

低溶解氧(0.4～0.6mg/L)條件下,考察了氨氧化過程建立神經(jīng)網(wǎng)絡預測控制模型的可行性,并對不同條件下,模型預測的準確性等進行了研究.

1 材料與方法

1.1 污泥與污水

試驗所用種泥取自穩(wěn)定運行2年的大型中試短程 SBR內(nèi)活性污泥[14],污水取自北京市某家屬小區(qū)實際生活污水.進水水質(zhì)和控制參數(shù)如表1.

表1 進水水質(zhì)與控制參數(shù)Table 1 Influent quality & control parameters

1.2 試驗裝置與運行模式

圖1 SBR試驗裝置示意Fig.1 Schematic diagram of SBR

小試SBR,材質(zhì)為有機玻璃,有效容積19.5L,高 1100mm,內(nèi)徑 150mm,試驗裝置如圖 1所示.SBR進水由液位計控制,每天運行一個周期,整個反應過程中,由加熱棒和溫控系統(tǒng)控制反應溫度在 25 ,℃好氧反應階段由空氣壓縮機曝氣,控制系統(tǒng)內(nèi)DO在0.4～0.6mg/L;缺氧階段投加乙醇作為反硝化碳源,整個反應過程一直進行攪拌,以保持系統(tǒng)內(nèi)泥水混合狀態(tài),好氧缺氧反應時間按照實時控制策略[15]運行,反應結(jié)束后沉淀30min,排水12L.

1.3 模型建立過程

模型建立整體過程分為 3個部分:1.數(shù)據(jù)采集:通過在線儀表將實時采集數(shù)據(jù);2.數(shù)據(jù)處理:將第一步采集到的數(shù)據(jù)進行預處理,從中選擇足夠的樣本和合適的變量參數(shù);3.模型建立:將處理后的數(shù)據(jù)進行建模,首先選擇合適的模型,進行訓練、校正和測試,達到精度要求后,進行在線預測、過程監(jiān)測及傳感器監(jiān)測.

1.3.1 預測模型變量參數(shù)的選擇 污水生物處理過程控制參數(shù)一般分為直接參數(shù)和間接參數(shù)兩種,直接參數(shù)是指通過在線傳感器直接獲得的COD、NH4+-N、NO2--N、NO3

--N等污染物的濃度值,但由于這些直接參數(shù)的傳感器價格昂貴、存在滯后性等原因,一直以來應用得不是很多.間接參數(shù)是指一些與污染物濃度存在一定關(guān)系,可以間接反映系統(tǒng)內(nèi)反應過程的控制參數(shù),如,DO、pH和ORP等.間接參數(shù)由于檢測方便準確穩(wěn)定,且經(jīng)濟實用,應用比較廣泛[16].在好氧硝化階段,DO和 pH值可以指示氨氧化反應終點;當硝化結(jié)束后,停止曝氣進入缺氧階段,ORP和pH值曲線上的變化點可準確指示反硝化終點[10]. pH值在氨氧化結(jié)束和反硝化結(jié)束時都會出現(xiàn)明顯的變化點,與DO、ORP等控制參數(shù)相比,選取pH值作為短程深度脫氮過程的控制參數(shù)既可節(jié)省數(shù)據(jù)存儲的空間,又可減少控制器運算次數(shù),使控制策略得以簡化.本試驗在低溶解氧(0.4～0.6mg/L)下實現(xiàn)穩(wěn)定的短程,好氧階段 DO維持恒定,因此,選取pH值作為BP神經(jīng)網(wǎng)絡的預測參數(shù)指標,用于預測氨氧化過程中氨氮濃度的變化. 1.3.2 神經(jīng)網(wǎng)絡預測模型的建立 為預測氨氧化結(jié)束時間和氨氮濃度,本研究建立的 3層 BP神經(jīng)網(wǎng)絡如圖2所示,其輸入層包括在線監(jiān)測的pH值和好氧反應過程間隔 30～60min實際測定的氨氮濃度,輸出層為預測的pH值和氨氮濃度.

圖2 神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.2 Structure of neural network

神經(jīng)網(wǎng)絡訓練函數(shù)如下:

激活函數(shù):激活函數(shù)不管對于識別率或收斂速度都有顯著的影響.在逼近高次曲線時,S形函數(shù)精度比線性函數(shù)要高得多,隱含層的激活函數(shù)采取S函數(shù):f(x) = 1/(1+exp(-x)) (1)

訓練函數(shù)的優(yōu)化:traingdx為自適應 lr動量梯度下降法,與其它訓練函數(shù)(trainm, trainbfg, trainrp和traingd等)相比,該訓練函數(shù)具有精度較高,運行速度快,且內(nèi)存占用小的優(yōu)點.

1.BP神經(jīng)網(wǎng)絡的設計:典型的BP神經(jīng)網(wǎng)絡為3層結(jié)構(gòu)(輸入層、隱含層和輸出層).輸入層接受算法輸入,在本模型中對應為X.輸入層節(jié)點的個數(shù)和X的維數(shù)對應,本研究中,輸入X為標量,輸入層節(jié)點個數(shù)為 1.隱含層結(jié)點個數(shù)可以自行設定,在本實例中建議設定為4個.輸出層結(jié)點個數(shù)和輸出Y的維數(shù)對應,本研究中,輸出y為標量,輸出層節(jié)點個數(shù)為1.

2.算法基本思路:

模型結(jié)構(gòu)和訓練函數(shù)確定后,給定組樣本:即穩(wěn)定運行的217批pH值和對應NH4+-N數(shù)據(jù),對模型進行訓練,具體過程如下:

1) 神經(jīng)網(wǎng)絡結(jié)構(gòu)為1-4-1型,選0.1作為最大容許誤差,并給出隱層到輸出層的權(quán)矩陣,輸入層到隱層的權(quán)矩陣,將其初始化為某一小的隨機權(quán)矩陣.

2) 依次輸入樣本,計算網(wǎng)絡的實際輸出.

3) 計算誤差.

4) 計算各層權(quán)值的變化量.

5) 調(diào)節(jié)權(quán)值.

6) 若誤差在容許范圍內(nèi),則轉(zhuǎn)2),否則轉(zhuǎn)7).

7) 若達到訓練時間,結(jié)束;否則,轉(zhuǎn) 2)進入下一輪的計算,若直到規(guī)定的次數(shù)(2500次)時還沒有使輸出層達到期望的輸出,則強行退出,終止程序.

3.基于在線pH值預測氨氧化結(jié)束時間:在低DO(0.4～0.6mg/L)狀態(tài)下,建立一個3層的BP神經(jīng)網(wǎng)絡模型(包含 4個隱含層),利用輸出后的誤差來估計輸出層的直接前導層的誤差,再用這個誤差估計更前一層的誤差,如此一層一層的反傳下去,就獲得了所有其他各層的誤差估計.神經(jīng)網(wǎng)絡在外界輸入樣本的刺激下不斷改變網(wǎng)絡的連接權(quán)值,以使網(wǎng)絡的輸出不斷地接近期望的輸出,權(quán)值不斷調(diào)整的過程,也就是網(wǎng)絡的學習訓練過程.此過程一直進行到網(wǎng)絡輸出的誤差減少到可接受的程度或進行到預先設定的學習次數(shù)為止.采用穩(wěn)定運行的217批pH值數(shù)據(jù)訓練神經(jīng)網(wǎng)絡模型,通過滾動預測的方法預測氨氧化結(jié)束時間.具體如下:一個SBR好氧反應周期中,前50個點只進行數(shù)據(jù)采集,不進行預測,從第51個pH值開始預測,用第1～50個pH值預測第51個pH值,將預測出的第51個當作已知pH值,用第2～52個pH值預測第52個pH值,將預測的第52個作為已知pH值,用第3～52個pH值預測第53個pH值,以此類推,滾動預測,用前50個實際在線監(jiān)測的pH值預測后20個pH值值.在第51個點時顯示了預測的51～70個pH值值,根據(jù)預測的pH值變化曲線的 ‘氨谷’點,可預測氨氧化結(jié)束時間.

基于在線 pH值實時預測氨氮濃度:在低DO(0.4～0.6mg/L)狀態(tài)下,建立一個3層的BP神經(jīng)網(wǎng)絡模型(包含 4個隱含層),采用穩(wěn)定運行的217批pH值和對應NH4+-N數(shù)據(jù)訓練神經(jīng)網(wǎng)絡模型,其中pH值為在線連續(xù)監(jiān)測,氨氮為實際測定不同時間點的氨氮濃度.根據(jù)在線監(jiān)測 pH值實時預測NH4+-N的具體預測方法:根據(jù)pH值與對應NH4+-N濃度構(gòu)建模型,根據(jù)pH值預測氨氮結(jié)束時間模型中預測的pH值和所建立的pH值和氨氮模型,來預測對應的下一時刻NH4+-N值.

1.4 分析方法

每周進行3-5次周期性檢測分析.每個周期根據(jù)pH值、DO(WTW3420,DO/pH值便攜式測定儀)變化關(guān)鍵點取樣.COD采用COD快速測定儀(連華,5B-3(C))測定.NH4+-N、NO2--N、NO3

--N采用流動注射儀(QC8500Series2)進行測定,污泥濃度(MLSS)用重量法測定.

2 結(jié)果與討論

2.1 模型訓練結(jié)果

圖3 基于在線pH值預測氨氧化結(jié)束時間模型訓練結(jié)果Fig.3 Train result of ammonia oxidizedtermination prediction model based on on-line pH

圖4 基于在線pH值實時預測氨氮濃度模型訓練結(jié)果Fig.4 Train result of real time ammonia concentration prediction model based on on-line pH

實現(xiàn)與穩(wěn)定短程硝化均需準確控制氨氧化結(jié)束時間,防止亞硝酸鹽氧化過程.采用實時控制方式,利用pH值曲線上的變化點確定氨氧化結(jié)束時間的控制方式中,只有當氨氧化徹底結(jié)束,且亞硝酸鹽氧化開始后,才能出現(xiàn)變化點,易導致過度曝氣.基于在線pH值預測氨氧化結(jié)束時間及氨氮濃度,能夠更有效防止氨氮過度氧化.

2.1.1 基于在線pH值預測氨氧化結(jié)束時間 圖3給出了基于在線pH值預測氨氧化結(jié)束時間模型的訓練結(jié)果.由圖可知整體相關(guān)系數(shù)(R)值為0.99853,說明該模型的相關(guān)性很好,擬合度高.均方誤差(MSE)可評價數(shù)據(jù)的變化程度,是衡量“平均誤差”的一種較方便的方法,本模型MSE值僅為 0.00030108,說明預測模型描述實驗數(shù)據(jù)的精確度很高.

2.1.2 基于在線pH值實時預測氨氮濃度 圖4給出了基于在線pH值實時預測氨氮濃度模型的訓練結(jié)果,其整體R值為0.9083,說明該模型的相關(guān)性較好,擬合度高.但由于pH值為實時在線監(jiān)測的數(shù)據(jù),數(shù)據(jù)采集時間間隔 1min,而氨氮為30～60min不同時間點,關(guān)鍵反應階段氨氮濃度數(shù)據(jù),氨氮樣本數(shù)據(jù)相對較少,這使得該模型精確度略有下降.雖然該模型精確度低于基于 pH值預測氨氧化結(jié)束時間的模型,但整體仍具有較好的預測效果.

2.2 不同運行條件,氨氧化結(jié)束時間預測效果

為進一步考察不同運行條件下,氨氧化結(jié)束時間預測效果,本研究針對溫度和污泥濃度下氨氧化結(jié)束時間預測效果進行了研究.

2.2.1 不同溫度條件,氨氧化結(jié)束時間預測效果 圖 5給出了不同溫度下氨氧化結(jié)束時間預測效果,在污泥濃度(MLSS)為2800mg/L時,溫度分別為21℃、26℃、31 ,℃氨氮去除率均在99%以上.由圖可知,隨著溫度的升高,氨氧化速率逐漸提高.模型預測誤差精度分別為2.78%、2.08%、3.61%以內(nèi),預測精度均較高,效果顯著.

2.2.2 不同 MLSS下氨氧化結(jié)束時間預測效果 圖6給出了不同污泥濃度(MLSS)下氨氧化結(jié)束時間預測效果圖,在 26℃時,MLSS分別為1400和2800mg/L時,氨氮去除率均在99%以上.隨著污泥濃度的提高,氨氧化速率也隨之加快,預測誤差精度分別為0%和3.13%.該模型的預測精度高,預測效果好.

圖5 不同溫度下氨氧化結(jié)束時間預測效果Fig.5 Predict result of ammonia oxidation termination at ddifferent temperature

圖6 不同MLSS下氨氧化結(jié)束時間預測效果Fig.6 Predict result of ammonia oxidation termination at ddifferent MLSS

2.2.3 長期運行 SBR,預測氨氧化結(jié)束時間效果 為進一步確定模型預測準確性,采用建立的模型對運行160天的SBR氨氧化結(jié)束時間進行預測.圖7比較了實際測定值與模型預測結(jié)果.氨氧化結(jié)束時間預測值與實際值基本相同,預測精度在80%以上.

圖7 實際測定值與模型預測效果比較Fig.7 Compare of real and predict results of ammonia oxidation termination

基于上述研究結(jié)果,氨氮結(jié)束時間預測模型具有較好的適應性,在不同溫度和污泥濃度條件下,預測精度仍較高;同時,從長期運行 SBR預測結(jié)果看,盡管水質(zhì)及運行控制參數(shù)有所變化,氨氧化結(jié)束預測時間有所不同,但模型預測精度仍較高,說明模型具有良好的適應性、準確性和穩(wěn)定性.基于BP神經(jīng)網(wǎng)絡預測氨氧化結(jié)束時間,為實現(xiàn)與穩(wěn)定短程硝化提供了一種新的方法.

2.3 基于在線pH值實時預測氨氮濃度效果

城市污水自養(yǎng)脫氮工藝已成為國內(nèi)外學者廣泛研究熱點.兩段式短程厭氧氨氧化工藝,不但要實現(xiàn)短程,且要求僅有約一半的氨氮氧化為亞硝氮,即實現(xiàn)半短程硝化,這是是實現(xiàn)主流厭氧氨氧化的關(guān)鍵和難點.圖 8A比較了模型預測氨氮濃度和實際測定氨氮濃度,結(jié)果顯示模型可準確預測氨氮濃度,與實際氨氮濃度基本相同.基于實現(xiàn)半短程的條件,需將曝氣時間控制在H點,控制NH4+-N/NO2--N為1左右.圖8B給出了采用模型預測半短程的效果,模型預測過程中同時取樣測定水質(zhì)情況,結(jié)果顯示模型能夠較準確地預測半短程硝化曝氣時間,預測氨氮濃度與實測氨氮濃度基本相同.

圖8 基于在線pH值實時預測氨氮效果Fig.8 Result of real-time predict ammonia based on on-line pH

3 結(jié)論

3.1 在低DO條件下,采用城市污水,在SBR反應器中,選取 pH值作為預測參數(shù)指標建立了三層 BP神經(jīng)網(wǎng)絡預測模型.氨氧化過程結(jié)束時間預測控制模型動態(tài)性能和自適應性能較好,模型R值高達0.9985.在不同溫度和污泥濃度條件下,預測精度仍較高;同時,從長期運行 SBR預測結(jié)果看,盡管水質(zhì)及運行控制參數(shù)有所變化,氨氧化結(jié)束預測時間有所不同,但模型預測精度仍較高,說明模型具有良好的適應性、準確性和穩(wěn)定性.基于 BP神經(jīng)網(wǎng)絡預測氨氧化結(jié)束時間,為實現(xiàn)與穩(wěn)定短程硝化提供了一種新的方法.

3.2 基于pH值預測反應過程中氨氮濃度模型,雖然受氨氮量和進水氨氮濃度波動過大的影響,但該模型的R 值仍可達0.9083.模型可準確預測氨氮濃度,與實際氨氮濃度基本相同.基于實現(xiàn)半短程的條件,模型能夠較準確地預測半短程硝化曝氣時間,這為實現(xiàn)城市污水兩段式短程厭氧氨氧化工藝提供了一種新的控制方法和途徑.

[1] Hellinga C, Schellen A A J C, Mulder J W, et al. The SHARON process: An innovative method for nitrogen removal fromammonium-rich wastewater [J]. Water Science & Technology, 1998,37(9):135-142.

[2] Chung J W, Bae W. Nitrite reduction by a mixed culture under conditions relevant to shortcut biological nitrogen removal [J]. Biodegradation, 2002,13(3):163-170.

[3] Peng Y Z, Zhu G B. Biological nitrogen removal with nitrification and denitrification via nitrite pathway [J]. Applied Microbiology &Biotechnology, 2006,73(1):15-26.

[4] 李澤兵,李 軍,李 妍,等.短程硝化反硝化技術(shù)研究進展 [J].給水排水, 2011,37(4):163-168.

[5] Aslan S, Miller L, Dahab M. Ammonium oxidation via nitrite accumulation under limited oxygen concentration in sequencing batch reactors [J]. Bioresource Technology, 2009,100(2):59-664.

[6] 許 超,陳治剛,邵惠鶴.預測控制技術(shù)及應用發(fā)展綜述 [J]. 化工自動化及儀表, 2002,29(3):1-10.

[7] 陳增強,袁著祉,張 燕.基于神經(jīng)網(wǎng)絡的非線性預測控制綜述[J]. 控制工程, 2002,9(4):7-11.

[8] 段向軍.基于神經(jīng)網(wǎng)絡的預測控制方法研究 [D]. 黑龍江:大慶石油學院, 2005.

[9] 韓紅貴,甄博然,喬俊飛.動態(tài)結(jié)構(gòu)優(yōu)化神經(jīng)網(wǎng)絡及其在溶解氧控制中的應用 [J]. 信息與控制, 2010,39(3):354-360.

[10] 管 秋,王萬良,徐新黎,等.基于神經(jīng)網(wǎng)絡的污水處理指標軟測量研究 [J]. 環(huán)境污染與防治, 2006,28(2):156-158.

[11] Wang W L, Ren M, Guan Q. Soft-sensing method for wastewater treatment based on BP neural network [C]//Proc. of the 4th World Congress on Intelligent Control and Automation. 上海:同濟大學出版社, 2002:2330-2332.

[12] 田建平,曹東衛(wèi),李海楠.LM-BP神經(jīng)網(wǎng)絡在于橋水庫水質(zhì)預測中的應用 [J]. 水利信息化, 2010,3:31-34.

[13] Li J P, Elliott D. Nielsen M, et al. Long-term partial nitrification in an intermittently aerated sequencing batch reactor (SBR) treating ammonium-rich wastewater under controlled oxygenlimited conditions [J]. Biochemical Engineering Journal, 2011, 55(3):215-222.

[14] Liu G Q, Wang J M. Long-term low DO enriches and shifts nitrifier community in activated sludge [J]. Environmental Science Technology, 2013,47(10):5109-5117.

[15] 顧聲波,王淑瑩,彭永臻.短程深度脫氮中試工藝的低溫啟動和維持 [J]. 環(huán)境科學, 2013,34(8):3164-3170.

[16] Yang Q, Peng Y Z, Liu X H, et al. Nitrogen removal via nitrite form municipal wastewater at low temperatures using real-time control to optimize nitrifying communities [J]. Environment Science Technology, 2007,41(23):8159-8164.

[17] 楊 慶,彭永臻,王淑瑩,等.SBR法短程深度脫氮過程分析與控制模式的確立 [J]. 環(huán)境科學, 2009,30(4):1084-1089.

[18] Ruiz G, Jeison D, Chamy R. Nitrification with high nitrite accumulation for the treatment of wastewater with high ammonia concentration [J]. Water Research, 2003,37(1):1371-1377.

[19] Xue Y, Yang F L, Liu S T, et al. The influence of control factors on the start up and operation for partial nitrification in membrane bioreactor [J]. Bioresource Technology, 2009,100(3):1055-1060.

[20] Munoz C, Rojas D, Candia O, et al. Supervisory control system to enhance partial nitrification in an activated sludge reactor [J]. Chemical Engineering Journal, 2009,145(3):453-460.

[21] 王淑瑩,黃惠珺,郭建華,等. DO對SBR短程硝化系統(tǒng)的短期和長期影響 [J]. 北京工業(yè)大學學報, 2010,36(8):1104-1110.

[22] Du Y, Peng Y Z, Cao S B, et al. Advanced nitrogen removal with simultaneous Anammox and denitrification in sequencing batch reactor [J]. Bioresource Technology, 2014,162(6):316-322.

Neural network prediction and control model for ammonia oxidizing process under low DO concentration.

FENG Hong-li1, LIU Xiu-hong2, YANG Qing1*,HUANG Si-ting1, CUI Bin1, ZHOU Tong1, YANG Yu-bing1, ZHOU Xue-yang1
(1.Key Laboratory of Beijing Water Quality Science and Water Environment Recovery Engineering, Beijing University of Technology, Beijing 100022；2.School of Environment & Natural Resources, Renmin University of China, Beijing 100872). China Environmental Science, 2017,37(1)：139～145

Under low dissolved oxygen (DO) concentration, the neural network prediction method was applied in SBR for treating domestic wastewater. The neural network control model was built to predict and control the ammonia oxidizing process. The model was divided into two parts. In the first part with the correlation coefficient (R value) of 0.9985, the end of ammonia oxidization was predicted based on the on-line pH variations. In the second part with R value of 0.9083, the ammonia concentration was real-time predicted based on the on-line pH variations. The results showed that the model with high prediction accuracy, good controllability, better adaptability and stability, can not only benefit for achieving and stabilizing short-cut, but also promote the application of anaerobic ammonium oxidation for treating domestic wastewater.

low dissolved oxygen；ammonia oxidizing process；neural network；model；pH

X703

A

1000-6923(2017)01-0139-07

馮紅利(1990-),男,河北保定人,北京工業(yè)大學碩士研究生,研究方向為污水生物脫氮及其過程控制.

2016-03-31

國家自然科學基金(51508561);北京市委組織部青年拔尖團隊;北京市優(yōu)秀人才培養(yǎng)資助計劃

* 責任作者, 副教授, yangqing@bjut.edu.cn