基于ANN-MCDM集成框架优化紫外C辐照时间处理含盐工业废水

《Scientific Reports》：Optimization of UV-C irradiation time for biologically treated saline wastewater using artificial neural networks and a hybrid multi-criteria decision-making framework

　　

摘要

经生物处理的盐基工业废水中可能仍含有残留有机物、营养物质、石油烃及溶解性组分，这些因素限制了出水水质的提升及其潜在回用价值。紫外C（UV-C）辐照是一种无化学添加的抛光处理技术，具有进一步提升出水水质的潜力；然而，其处理效果对辐照时间高度敏感，过长的曝照可能增加能耗却无法带来成比例的改善。此外，仅基于单一水质参数进行优化不足以充分表征多项出水水质指标之间的协同变化与权衡关系。现有方法通常采用个别水质参数或常规统计分析来评估UV处理效果，而人工神经网络虽然具备预测能力，但在运行条件选择方面可解释性有限。相反，多准则决策（MCDM）方法能够支持透明优化，但一般仅限于实验已考察的条件范围。因此，需要一种将实验UV-C处理、预测建模与可解释的多准则优化相结合的集成框架，以系统确定辐照时间。本研究旨在实验探究UV-C辐照时间对经生物处理的盐基工业废水的影响，并建立ANN–MCDM集成框架，用于预测废水水质响应、识别关键水质参数并确定最佳辐照条件。实验采用配备30 W低压汞灯（发射波长254 nm）的实验室规模反应器，辐照时间为40–320 s。辐照前使用4.8 g干冰进行pH调节。评估了九项废水水质参数，分别为化学需氧量（COD）、生化需氧量（BOD）、磷酸盐、硝酸盐、溶解性有机碳（DOC）、总石油烃（TPH）、浊度、总溶解固体（TDS）和pH值。建立了64–32–16–9多层感知器ANN用于同时预测归一化后的各项水质参数。与此同时，集成Min–Max归一化、K-Means聚类、主成分分析（PCA）、综合废水水质指数（CWQI）、TOPSIS及敏感性分析，以实现处理制度分类、确定参数权重、评估整体处理质量、排序辐照时间并识别最具影响力的水质指标。废水水质总体随辐照时间增加而改善，整体改善最为显著的区域出现在240至280 s之间，之后在更长曝光时间内趋于饱和。综合分析确定280 s为最佳辐照时间，其CWQI最大值为0.977，TOPSIS得分为0.966。在该条件下，COD和BOD的削减率分别约为41.1%和17.5%，同时在DOC、TPH、磷酸盐、硝酸盐、浊度和TDS方面均观察到改善。在320 s时，CWQI和TOPSIS得分分别降至0.925和0.894，表明延长辐照时间并未带来整体处理性能的相应提升。PCA分析识别出磷酸盐为最具影响力的参数，归一化权重为0.168，其次为COD（0.149）、DOC（0.139）和BOD（0.125）。敏感性分析得出了相同的参数重要性排序。ANN的平均测试RMSE在归一化尺度上约为0.12，并可对实验数据集中未明确包含的辐照时间提供预测。ANN与混合MCDM方法提供了互补能力：ANN可实现未测试辐照时间下的非线性同时预测，而混合框架通过聚类、客观赋权、综合水质评估、排序和敏感性分析提供了更高的数学透明度。CWQI与TOPSIS在识别280 s为最佳条件上的一致性，验证了两种独立多准则评价方法之间的吻合性。从实际应用角度看，结果表明超出最佳辐照时间继续延长辐照并不一定改善整体出水水质，反而可能增加辐照时间及相应能耗而无法带来成比例的处理效益。所提出的UV-C抛光处理、基于ANN的预测与可解释混合MCDM框架的集成方案，为评估和优化经生物处理的盐基工业废水提供了系统性方法。该方法能够同时考虑多项水质参数，同时保持对未测试运行条件的预测能力。确定的280 s最佳辐照时间为所研究的实验室系统提供了数据驱动的运行条件，并为后续涉及重复实验、不确定性分析、显式UV辐照量测量、微生物灭活以及向实际废水回用应用的放大研究奠定了基础。