成都生物所在污水处理的人工智能预测方面取得系列进展

　　

 污水处理行业属于十大碳排放行业之一，在当前污水处理行业提标改造的大背景下，其能耗将进一步增加，污水处理减污降碳势在必行。由于污水处理过程具有非线性、大惯性、大时滞、强耦合等特点，目前基于人工经验的运行管理方式往往存在滞后性及不确定性，难以满足污水处理减污降碳新需求。近年来，人工智能模型的不断发展为污水处理系统的精细化管理提供了有效解决方案。 

 数据是建模的基础，当污水厂数据量不足时，模型的预测精度往往难以满足要求。针对此，中国科学院成都生物研究所污染生物治理项目组谭周亮研究员团队采用迁移学习算法Two-stage TrAdaBoost.R2解决污水处理厂数据不足时预测性能差的问题。针对资阳某污水厂（A²/O工艺，20000吨/天），在预测出水COD时，与TrAdaBoost.R2算法相比，该迁移学习算法可将R²值从0.51提升至0.8，均方差从19.69降低至8.29。在预测其他出水指标（TP、NH₃-N、pH）时也均获得了更好的预测性能，其R²分别提高了0.34、0.34和0.16。相关成果取得计算机软件著作权1项（2023SR0828036）。 

 

 

 

　　图1污水处理厂迁移学习研究示意图

　　图2 污水处理厂出水COD预测结果（红线代表预测值，黑线代表观测值）（A）基于决策树预测结果；（B）源域和目标域数据直接混合时的预测结果；（C）采用迁移学习将源域模型迁移到目标域的预测结果 

 在预测模型应用过程中，针对多个水质指标，单个模型往往难以实现对所有指标的最优预测。针对资阳某污水厂（A²/O工艺，20000吨/天），团队提出了一种模型融合算法（MFKF），可同时实现对所有进水水质水量指标（进水流量、pH、NH₃-N、TN、COD和TP）的最优预测，其R²值分别为0.987、0.915、0.943、0.898、0.861和0.897。在此基础上，通过改进MFKF获得快速融合模型（FMFKF）算法，模型运行效率最高可提升50%。将该模型拓展应用到其他污水厂，多水质指标预测同样取得良好预测效果。

　　图3同步最优进水预测研究框架图（左）；FMFKF与MFKF模型运行时间对比图（右） 

 污水生物处理系统中，微生物代谢活性与污染物去除效果密切相关，从微生物活性角度开展预测工作有望为精准调控污水处理系统提供新的策略。为此，团队开发了两类具有自主知识产权的微生物活性（比耗氧呼吸速率，SOUR；三磷酸腺苷，ATP）在线检测设备，在四川成都、资阳等地实现工程应用。针对成都某污水厂（A²/O-MBR工艺，30000吨/天），动态考察了其生化处理单元微生物活性响应规律，提出了一种新的微生物活性指标SOUR_ATP，以此为特征创新构建污染物去除性能的智能预测模型，并通过融合模型算法进行优化（CN2023100568447；CN 202310778365.6）。结果表明，SOUR_ATP可有效表征污染物去除性能，所构建的融合模型可解释TN去除速率测试数据中75%的变化。此外，从微生物群落结构与代谢通路两方面阐述了SOUR_ATP有效表征污染物去除性能的作用机制。 

 图4 SOUR设备现场应用

 图5 ATP设备应用

 图6 基于微生物活性的污染物去除性能建模及生物学解译 

 上述研究结果为污水处理设施的诊断预警提供了新思路，为工艺精准调控提供了理论依据。在此基础之上，与中建环能科技股份有限公司联合申报了四川省科技厅发布的2023年中央在川高校院所“聚源兴川”项目（2023ZHJY0013），聚焦生活污水治理提质增效与低碳智能装备产业化开发，促进人工智能技术在污水处理设施减污降碳管理过程中落地应用。 

 上述研究成果分别发表在期刊Biochemical Engineering Journal和 Journal of Environmental上。上述研究得到了中国科学院科研装备研制项目（YJKYYQ20180002）、成都市重点研发项目 (2022-YF09-00044-SN, 2023-JB00-00005-SN)、中国科学院青年创新促进会项目 (2023387)、四川省自然基金项目（2023NSFSC0803）的联合资助。 

 原文链接1  原文链接2  原文链接3