微藻基三级污水处理系统中机理模型与混合模型结构的系统比较研究

《Journal of Water Process Engineering》:A comparative study of mechanistic and hybrid model structures for microalgae-based tertiary wastewater treatment systems

【字体: 大 中 小 】 时间:2026年09月21日 来源:Journal of Water Process Engineering 6.6

编辑推荐:

  研究人员报道了机理模型(mechanistic models)与混合模型(hybrid models)之间的系统比较。研究数据来自在自然条件下运行、处理实际出水的中试规模(pilot-scale)系统。内部营养盐储存(internal nutrient sto

  
研究人员报道了机理模型(mechanistic models)与混合模型(hybrid models)之间的系统比较。研究数据来自在自然条件下运行、处理实际出水的中试规模(pilot-scale)系统。内部营养盐储存(internal nutrient storage)和生物量衰减(biomass decay)改善了模型预测。残差校正混合模型(residual-corrected hybrid models)提高了预测精度。因子预测混合模型(factor-prediction hybrid models)的表现与机理模型相似。
微藻基污水处理技术因其同步脱氮除磷、固碳及资源回收潜力而受到广泛关注。然而,污水水质动态变化以及藻类生长对环境波动的敏感性,给系统优化与控制带来显著挑战。过程建模成为指导设计与运行的关键工具,但现有机理模型在表征实际污水系统中多营养盐交互、混合藻菌群落动态及环境胁迫等因素时,常面临参数化困难。近年来,传感器技术进步与数据可得性提升推动了数据驱动元素与机理框架结合的混合模型发展,但针对不同模型结构在真实中试条件下的系统比较仍非常有限。本研究旨在填补这一空白,系统评估多种机理模型与两类混合模型在微藻基三级污水处理中的预测精度、参数可解释性与实际应用性。

研究人员使用了先前报道的中试规模跑道池系统数据,该系统以城市污水二级处理出水为进水,在户外自然条件下运行,水力停留时间(hydraulic retention time,HRT)为唯一控制变量,采用序批式(draw-and-fill)运行模式。研究涵盖冬、春、夏三季,共136个完整处理循环数据点。所有模型均以状态变量描述溶解性氨氮(SNH4)、硝氮(SNO3)、磷酸盐(SPO4)及微藻生物量(Xalg)等组分,部分模型引入细胞内氮、磷储存变量。机理模型分为四类:基于外部营养盐浓度无/有最低消耗阈值(I型/II型,Monod型),以及基于内部营养盐浓度无/有阈值(III型/IV型,分别采用Droop与Caperon & Meyer函数)。模型进一步组合光照(Steele方程)、温度(Dauta方程)及生物量衰减过程,共构建26种机理模型结构。参数校准采用差分进化全局优化算法,以均方误差归一化后的代价函数最小化为目标。混合模型包括两类:残差校正混合模型(并行结构),利用随机森林回归(RFR)、XGBoost、岭回归(RR)、线性回归(LR)和支持向量回归(SVR)学习机理模型预测与观测值之间的系统残差;环境因子预测混合模型(串行结构),利用机器学习算法预测一个综合环境因子(fenv)替代经验光照/温度函数。模型评估采用决定系数(R2)、均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)。

在机理模型结果方面,考虑内部营养盐储存的III型和IV型模型在Xalg、SPO4和SNO3预测上显著优于基于外部营养盐浓度的I型和II型模型。IV型模型整体最佳,其中Nut_upCM_min_AD(包含Caperon & Meyer生长函数、营养盐消耗阈值及生物量衰减)综合表现最优,其Xalg预测R2为0.573,SPO4与SNO3的RMSE均低于0.3 mg·L?1。加入光照或温度因子并未一致提高预测精度,表明在当前数据条件下营养盐限制为主导因素。生物量衰减的引入改善了营养盐预测,但校准所得衰减常数bmax多接近下边界(0.003 day?1),提示其作用主要体现为内部营养盐再循环而非显著的生物量损失。

在残差校正混合模型结果方面,对所有机理模型进行残差校正后,Xalg、SPO4和SNO3预测精度均获得提升。Xalg的RMSE范围降至45.8–58.6 mg DW·L?1,R2提升至0.68–0.79;SPO4的RMSE降至0.10–0.64 mg P·L?1;SNO3的RMSE降至0.09–0.85 mg N·L?1。最佳总体组合以Nut_upCM_min为基础,Xalg和SPO4残差由RFR校正,SNO3残差由SVR校正。特征重要性分析显示,光照相关变量(如平均光照强度与初始生物量之比)以及初始营养盐与生物量浓度之比是残差结构的主要驱动因素,表明机器学习有效捕获了机理模型中未显式表达的交叉依赖关系。

在环境因子预测混合模型结果方面,仅两个III型基础模型(Nut_upD_min和Nut_upD_min_MaxQ)与机器学习模型组合通过了筛选,形成三种有效混合模型。这些模型与基础机理模型以及含Steele方程的版本性能相当,Xalg预测的RMSE较基础模型降低2.9%–6.9%,但SPO4和SNO3预测未获明显改善,部分模型反而略有上升。该结果表明,在营养盐限制主导的系统中,用机器学习预测综合环境因子的收益有限,但可减少对经验函数形状参数精确校准的需求。

在总体模型比较中,残差校正混合模型在所有目标变量上一致优于纯机理模型,且指标变异性更小,表现出更强的鲁棒性。因子预测混合模型居中,部分指标与III型机理模型相近。值得注意的是,SNH4因实验测量值大多处于或低于分析定量限,所有模型R2均为0,但RMSE值较低,故未纳入整体性能排序。

讨论指出,机理模型校准参数范围宽且部分参数贴近预设边界,反映出有限数据下参数可辨识性不足,以及参数间可能存在补偿效应。残差校正混合模型的改进幅度强烈依赖于基础机理模型质量,说明数据驱动校正应视为机理框架的补充而非替代。环境因子预测混合模型虽可简化环境效应表征,但在当前数据集中环境因子并非主要限制因素。实际应用层面,最佳混合模型(Nut_upCM_min + RFR/SVR)对Xalg、SPO4、SNO3和SNH4的RMSE分别为48.42 mg·L?1、0.100 mg P·L?1、0.104 mg N·L?1和0.052 mg N·L?1,该精度足以支持运行决策,例如根据循环初始浓度与气象数据计算所需循环时长或体积交换比,以满足欧盟城市污水指令中总氮8 mg N·L?1和总磷0.5 mg P·L?1的排放限值。

研究结论可翻译为:研究人员探索了机理建模与数据驱动建模相结合的方式,基于全年三季136个数据点,比较了26种机理模型和两类混合模型(残差校正与因子预测)。研究发现,包含内部营养盐储存、生物量衰减和营养盐消耗阈值的机理模型能最准确地描述营养盐消耗和生物量增长动态。残差校正混合模型在简化的基础机理模型上实现了最准确的总体预测。因子预测混合模型表明环境效应可直接从数据中学习,可作为光照和温度经验方程的替代方案。这些结果支持混合建模方法可在不损害可解释性的前提下,提高户外中试系统的预测精度。未来工作应将该框架扩展至自适应控制导向建模,并检验其在不同进水类型、地理位置、运行设置和环境条件下的可转移性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号