胡鶴軒 孫昕遠(yuǎn)

(河海大學(xué)人工智能學(xué)院,江蘇 南京 211100)

隨著大數(shù)據(jù)、超級計(jì)算、傳感網(wǎng)、腦科學(xué)等新理論新技術(shù)進(jìn)步,人工智能(AI)內(nèi)涵概念挖掘與技術(shù)進(jìn)步影響已不斷拓展和深入至科學(xué)、工程與社會諸多領(lǐng)域,成為國際競爭的新高地和新焦點(diǎn)。AI技術(shù)對處理不確定性、交互性和動態(tài)復(fù)雜性問題具有較強(qiáng)能力和優(yōu)勢,廣泛應(yīng)用于環(huán)境工程學(xué)科,在水污染治理、水污染物溯源、河流水質(zhì)預(yù)測評價(jià)、水資源循環(huán)利用、海水淡化[1-3]等領(lǐng)域均有良好表現(xiàn)。在污水處理方面,AI技術(shù)用于污水處理性能預(yù)測、出水質(zhì)量預(yù)測、運(yùn)行參數(shù)優(yōu)化和處理單元的設(shè)計(jì),以及評價(jià)關(guān)鍵部件傳感器的設(shè)計(jì)、基于故障診斷的預(yù)測維護(hù)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(shù)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(shù)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(luò)(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(fù)雜而又靈活的連接關(guān)系,通過對已知信息的反復(fù)學(xué)習(xí)訓(xùn)練,逼近真實(shí)數(shù)據(jù),從而達(dá)到處理信息、模擬輸入輸出之間關(guān)系的目的。ANN因其自適應(yīng)、自學(xué)習(xí)、容錯(cuò)性和非線性動態(tài)處理等特征,成功應(yīng)用于模擬、預(yù)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(zhǔn)確性、更簡潔。多層感知器神經(jīng)網(wǎng)絡(luò)(MLPNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)、前饋神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自組織映射等,也得到較廣泛應(yīng)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(shí)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(gè)部分組成。FL因其強(qiáng)大的非線性、滯后性、不確定性、復(fù)雜性等處理能力而在污水處理模擬和優(yōu)化中得到應(yīng)用。神經(jīng)模糊、補(bǔ)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(shè)和運(yùn)營成本進(jìn)行優(yōu)化,重點(diǎn)是通過控制曝氣影響溶解氧(DO)、降低電耗、預(yù)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(yīng)優(yōu)化算法,模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理生物進(jìn)化過程的計(jì)算模型,估計(jì)工程或科學(xué)問題所有可能解決的方案,生成一個(gè)帕累托集,以實(shí)現(xiàn)最小或最大目標(biāo)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(qiáng)等特點(diǎn),被廣泛應(yīng)用于組合優(yōu)化、自適應(yīng)控制等領(lǐng)域。遺傳編程(GP)作為GA的一個(gè)擴(kuò)展,是一種歸納式數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)。在水污染優(yōu)化控制領(lǐng)域,GA被普遍用于解決與海水淡化、膜應(yīng)用有關(guān)的問題,GA和GP可預(yù)測不同水質(zhì)、不斷變化操作條件下的運(yùn)行性能,而無需了解過程基本描述,也得到了較廣泛應(yīng)用[6-7]。

1.4 其他單一模型方法

支持向量機(jī)(SVM)、支持向量回歸(SVR)、貝葉斯網(wǎng)絡(luò)、粒子群優(yōu)化等技術(shù)也應(yīng)用于污水處理建模和優(yōu)化。每種AI模型由于其獨(dú)特的結(jié)構(gòu)或特征,均有其獨(dú)特優(yōu)勢,但也都存在不可避免的缺陷和誤差,關(guān)鍵是要根據(jù)條件和需要而有所側(cè)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(shí)現(xiàn)“智能模型+智能優(yōu)化方法”組合應(yīng)用,調(diào)整其權(quán)重、閾值和函數(shù),預(yù)測結(jié)果更可靠,也更具應(yīng)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(jìn)行迭代優(yōu)化,提高ANN求解能力。自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(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(diào)整前提和結(jié)論參數(shù),可最優(yōu)利用FL的易解釋性及ANN優(yōu)越的自學(xué)習(xí)、自適應(yīng)能力。

2 AI模擬和預(yù)測污染物去除

2.1 有機(jī)污染物去除

對于生物處理工藝,ANN應(yīng)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(xué)需氧量(COD)進(jìn)行建模和預(yù)測,均方根誤差(RMSE)和相關(guān)系數(shù)(R)作為評估模型預(yù)測性能的指標(biāo)。與廣義線性回歸(GLM)模型相比,ANFIS模型預(yù)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(shí)間滯后和預(yù)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(yù)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(yù)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(yù)測與實(shí)驗(yàn)數(shù)據(jù)之間一致性很好,ANFIS預(yù)測結(jié)果比RBFNN和BPNN更好。

對于化學(xué)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(jìn)行預(yù)測和模擬,模擬預(yù)測COD去除率,預(yù)測與實(shí)驗(yàn)結(jié)果非常接近,R2=0.997,MSE=0.000 376。敏感性分析表明,反應(yīng)時(shí)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(shí)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(zhì)去除

一般而言,SVM、ANN、ANN-GA等建模預(yù)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(yù)測好氧生物廢水處理廠凱氏氮的去除效率,以進(jìn)水pH、COD、總固形物、游離氨、氨氮和凱氏氮等進(jìn)水變量作為輸入變量,以RMSE、R等指標(biāo)評估,SVM的預(yù)測結(jié)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(luò)模型來預(yù)測膨脹顆粒污泥床反應(yīng)器中的厭氧氨氧化和部分硝化脫氮效率,該模型預(yù)測良好,R2=0.989、分?jǐn)?shù)方差為0.010 7、一致性指數(shù)為0.997。BPNN-GA模擬納米復(fù)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(xué)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(shù)對于預(yù)測處理性能、診斷預(yù)測故障、優(yōu)化維護(hù)運(yùn)行、降低運(yùn)行成本、提高處理效果更具實(shí)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(gè)單元運(yùn)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(yùn)行單元。將AI與活性污泥工藝機(jī)理模型相結(jié)合,通過自動化提高處理性能、增強(qiáng)運(yùn)行可靠性,實(shí)現(xiàn)和改進(jìn)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(shí),可實(shí)現(xiàn)節(jié)能10%以上[20]。利用ANFIS調(diào)節(jié)曝氣量的DO控制器,使污水處理廠的運(yùn)行成本降低了33%左右[21]。將模糊系統(tǒng)與BPNN相結(jié)合,模擬解決生物膜廢水處理過程可變流入速率和有機(jī)負(fù)荷要求問題,智能控制氣流速率,可使系統(tǒng)運(yùn)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(fù)雜性而難以有效運(yùn)行控制問題,多項(xiàng)研究通過故障診斷、智能監(jiān)測厭氧生物反應(yīng)的DO、酸化狀態(tài)、污泥膨脹指數(shù)等,控制進(jìn)水、反應(yīng)溫度等因素,優(yōu)化生物反應(yīng)器性能,實(shí)現(xiàn)污染物去除效果、沼氣產(chǎn)量等多目標(biāo)優(yōu)化控制。BAGHERI等[23]開發(fā)了MLPNN和RBFNN來預(yù)測序批式活性污泥法污水處理廠的污泥膨脹,實(shí)測污泥膨脹指數(shù)發(fā)現(xiàn),MLPNN的預(yù)測結(jié)果比RBFNN更準(zhǔn)確。ROBLES等[24]開發(fā)了一種控制系統(tǒng),該系統(tǒng)由計(jì)算控制變量初始化、初步知識規(guī)則和FL控制器3個(gè)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(diào)節(jié)淹沒式生物膜反應(yīng)器的沼氣循環(huán)流量,通過初步知識規(guī)則控制膜運(yùn)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(biāo)優(yōu)化污染物去除率、化學(xué)藥劑用量、操作壓力和能耗等,產(chǎn)生非支配最優(yōu)點(diǎn),這些最優(yōu)點(diǎn)就是最佳運(yùn)行條件。對于混凝處理工藝,采用ANFIS對污染物去除率與化學(xué)藥劑用量之間的非線性關(guān)系進(jìn)行建模,使系統(tǒng)能適應(yīng)多種操作條件,且具有更靈活的自學(xué)習(xí)能力。該系統(tǒng)包括反應(yīng)過程模糊神經(jīng)網(wǎng)絡(luò)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(shí)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(shí)現(xiàn)了反滲透系統(tǒng)的一維數(shù)學(xué)模型,GA對模型進(jìn)行優(yōu)化,決策變量是進(jìn)料流量、壓力和溫度,目標(biāo)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(shí)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(yīng)法模擬除銅效率和能耗,GA對效果較好的ANN進(jìn)行多目標(biāo)優(yōu)化,在能耗最小化的同時(shí)實(shí)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(xiàng)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(diào)整傳統(tǒng)膜過濾控制系統(tǒng)的設(shè)定值。MOGHADDAM等[29]預(yù)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(jié)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(gè)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(jìn)料溫度、進(jìn)料pH、跨膜壓、橫流速度和過濾時(shí)間,最大和最小滲透通量時(shí)預(yù)測的溫度最佳值與實(shí)際結(jié)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(biāo),訓(xùn)練ANN,GA被用于調(diào)節(jié)跨膜壓、進(jìn)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(yù)測可接受的滲透通量和污垢阻力。

4 結(jié) 語

(1) 在AI技術(shù)污水處理模擬預(yù)測和優(yōu)化控制領(lǐng)域,單一模型中,ANN、FL應(yīng)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(yīng)用前景。但基于數(shù)據(jù)量、建模時(shí)間、成本等因素限制,是否采用集成模型還需根據(jù)實(shí)際條件和需求進(jìn)行權(quán)衡。

(2) AI技術(shù)對于模擬和預(yù)測有機(jī)污染物、氮、磷和重金屬等去除均有成功案例,且在物理、化學(xué)、生物處理等技術(shù)領(lǐng)域均得到很好的應(yīng)用。但不同模型預(yù)測效果差異較大、評價(jià)方法、評價(jià)指標(biāo)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(zhì)量密切相關(guān)。今后研究,可結(jié)合當(dāng)前海量的實(shí)時(shí)在線數(shù)據(jù),研究更具廣泛代表性的評價(jià)指標(biāo)體系,支持AI變得更快、更準(zhǔn)、更友好。

(3) AI與自動控制、水處理等技術(shù)融合,進(jìn)行多目標(biāo)優(yōu)化,可減少能源、化學(xué)品等消耗,降低建設(shè)和運(yùn)營成本,提高處理效率。今后研究,可探索推進(jìn)AI技術(shù)與自動化技術(shù)、治污工藝的深度融合,強(qiáng)化實(shí)時(shí)監(jiān)測、智能控制、精準(zhǔn)作業(yè)等能力,提升綜合治污效能。