不同碳源种类对好氧颗粒污泥合成PHA的影响

影响好氧颗粒污泥稳定性的因素众多,其中碳源种类的不同会造成好氧颗粒污泥合成聚羟基烷酸酯(PHA)的不同,进而影响其稳定性能.采用混合碳源驯化培养的好氧颗粒污泥进行试验.考察了厌氧条件下,乙酸钠等八种碳源对好氧颗粒污泥合成PHA的影响.结果表明,颗粒污泥对乙酸钠和蔗糖具有较好的转化能力,合成PHA的量分别为102.19mgCOD/g·VSS和70.58mgCOD/g·VSS,显著高于其他碳源的PHA合成量(5~26mg/g×VSS).故以蔗糖和乙酸钠作碳源均有利于颗粒污泥稳定性能的维持,而当以甲醇作碳源时好氧颗粒污泥的贮存能力最差.     

热水解污泥酸化液碳氮磷对PHA合成的影响

基于热水解污泥酸化液定向驯化得到了稳定的PHA合成混合菌体系,分析了菌群特征与结构,研究了限制氮、磷、非挥发性脂肪酸(non-VFAs)物质和补料方式对PHA合成率以及相关组分对菌群活性的影响.结果表明,利用热水解污泥酸化液合成PHA的特有混合菌体系中优势菌属短枝单胞菌属(Brachymonas)占45%.限制酸化液中NH₄⁺-N浓度PHA合成率从22wt%提高至25wt%,限制non-VFAs不仅PHA合成率可提升27%同时合成速率也提升了25%.酸化液中的NH₄⁺-N、PC₄^3--P和non-VFAs未对PHA合成菌群活性造成显著影响,但是高浓度挥发性脂肪酸(VFAs)会对菌群活性造成抑制.为降低高浓度VFAs的抑制采取分批补料策略可提高PHA合成率,分批补料(5次)PHA最大合成率较一次补料的28wt%提升至34wt%.因此,通过提高酸化液中VFAs占比及优化补料方式均可提升PHA合成率,热水解污泥酸化液生物合成PHA在未来工业化生产时具有很大发展前...     

厌氧-好氧驯化活性污泥生物合成PHA的研究

厌氧-好氧处理有机污水的活性污泥中含有大量菌胶团菌,其形成与菌体胞内聚羟基烷酸酯(PHA)的积累有关,因此有可能利用污水中有机物和活性污泥中多种微生物合成PHA。笔者利用纺织工业废水厌氧-好氧驯化活性污泥,从中提取PHA。分别研究了厌氧过程和好氧过程中供氧量、碳源调节物浓度、培养时间等对菌胶团菌生长和胞内PHA积累的影响,测定了所得PHA的分子量、熔点和单体链节组成。      

活性污泥中PHA合成优势菌的筛选及产物结构分析

聚羟基脂肪酸酯(PHA)是一种具有广阔应用前景的生物可降解塑料,活性污泥中存在大量PHA合成菌,通过好氧/微好氧/沉淀的方式对污泥进行驯化,使PHA占污泥MLVSS的比例提高到21.19%。用BOX-PCR、ERIC-PCR和REP-PCR指纹图谱技术,对驯化前后污泥样品的菌群组成进行比较分析,结合尼罗蓝荧光平板法和菌落原位杂交技术,筛选得到活性污泥中PHA合成的优势菌株CAMP11。分类鉴定表明CAMP11属于芽孢杆菌属,FT-IR与NMR碳谱分析表明其合成的产物为羟基丁酸与羟基戊酸的共聚物(PHBV)。将菌株CAMP11回注入污泥驯化液,可使PHA占污泥MLVSS的比例进一步提高到32.08%。     

不同补料方式对好氧颗粒污泥合成PHA的影响

为提高好氧颗粒污泥(AGS)合成聚羟基脂肪酸酯(PHA)的产量,探究了4种不同补料方式(未补料、好氧0h补料、好氧0.5h补料和好氧1h补料)对AGS合成PHA的影响,同时考察了此过程中AGS的碳氮磷去除效能以及微生物群落结构变化.结果表明,补料能够提高AGS合成PHA的含量,在好氧1h补料时AGS合成PHA的含量最高,为125.06mg/g;同时补料时间会影响AGS的脱氮除磷性能,当补料时间由好氧0h延迟至好氧1h时,AGS的总氮去除率由(87.49±5.49)%降至(67.60±16.24)%,溶解性正磷酸盐(SOP)去除率由(94.08±1.42)%降至(62.91±15.33)%.且不同补料时间条件下,AGS的微生物群落结构变化较大,合成PHA的优势菌群差异较大,在未补料和好氧0h补料条件下,优势菌为既能合成PHA同时能够脱氮或除磷的不动杆菌属(Acinetobacter);在好氧1h补料条件下中,优势菌为能合成PHA的噬氢菌属(Hydrogenophaga)和黄杆菌属(Flavobacterium).     

基于OUR-HPR测量在线估计活性污泥合成PHA量

活性污泥工艺是一种具有重要应用前景的工业化生产聚羟基烷酸酯(PHA)的方法.当前PHA测量主要采用离线分析方法,时间滞后、分析操作复杂,不适于PHA生产过程控制.本研究基于活性污泥同时储存生长-溶解性微生物产物模型(SSAG-SMP),认为在饱食(外部有机碳基质充足)期间,聚羟基烷酸酯(PHA)的合成速率与氧利用速率(OUR)及氢离子产生速率(HPR)呈线性关系,建立了一种基于OUR-HPR在线测量数据估计活性污泥合成PHA量的方法.本研究对乙酸作基质的不同浓度情况进行模拟,结果表明OUR及HPR的PHA合成的氧气消耗分数(kPHA,OUR)和质子消耗分数(kPHA,HPR)为常数,分别是0.67和0.57.利用建立的线性关系来预测饱食期PHA含量,结果显示预测值与实测值较为吻合,说明提出的基于OURHPR测量在线估计PHA合成量的方法可行.     

利用污泥水解酸化液合成PHAs菌株的分离和鉴定

该实验模拟污泥水解酸化出水有机酸,通过饱饥驯化法,苏丹黑和尼罗蓝染色初筛,傅立叶变换红外光谱法(FT-IR)复筛,得到一株能以城市污泥水解酸化出水混合有机酸为唯一碳源生长并积累中长链聚羟基脂肪酸酯(polyhydroxyalkanoates,PHAs)的菌株X-3。经分子生物学鉴定该菌为芽孢杆菌(Bacillus sp.)。培养实验表明碳氮比对菌株PHAs积累率有较大影响,碳氮比增高有利于菌株积累PHAs。该菌以实际污泥水解酸化液为培养基正常生长并积累PHAs。     

基于BP神经网络的污染物浓度多模式集成预报

基于中国气象局雾-霾数值预报系统CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品,利用BP神经网络方法建立多模式集成预报模型.首先通过实验得到BP神经网络的训练函数、隐含层节点数和训练样本长度分别为贝叶斯归一化训练函数trainbr、10和50.随后选取北京、天津和石家庄站点的预报结果检验该模型的预报性能.结果表明：（1）相对于单模式,BP神经网络集成预报的3~72h逐3h污染物浓度和观测之间的归一化平均偏差从-100%~200%降低到-20%~20%,污染物浓度和观测的均方根误差比各单模式降低15%以上,相关系数从0.1~0.8提升到0.3~0.85之间,说明其预报结果优于各单模式.（2）2016年AQI等级评估表明,集成模型预报的北京轻度和中度污染的TS评分分别比CUACE提高22%和10%,在天津重度污染的空报率和漏报率分别降低31%和25%.（3）2016年12月份的重污染过程评估发现,集成模型预报的PM_2.5浓度的演变趋势和实况基本相符.     

基于改进偏最小二乘法的近红外快速分析强化生物除磷污泥胞内PHA

聚β羟基烷酸酯(PHA)是强化生物除磷系统中颗粒污泥胞内重要碳源和能源,其快速测定对强化生物除磷机理研究有重要意义. 采用Savitzky-Golay平滑法(SG)-多元散射校正法(MSC)对污泥的近红外光谱进行预处理,通过改进的偏最小二乘法(iPLS、siPLS、biPLS)建立污泥样品近红外光谱与PHA含量的定量分析模型.结果表明,SG-MSC预处理减弱噪声和背景等表面因素对光谱的影响,采用联合区间偏最小二乘法(siPLS)将全光谱等分为30个子区间, 联合子区间[13 21 24 29]建立的模型预测效果最优,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.2018和0.3120,校正集和预测集相关系数分别达到0.9925和0.9391,该光谱区段与PHA分子结构中C-H的伸缩变形、弯曲振动和C=O的伸缩振动密切相关. 改进偏最小二乘有效地优化光谱建模区域,提高模型预测能力,实现污泥胞内PHA含量的快速定量分析.     

基于BP神经网络的安全评价方法研究

阐述了BP神经网络的基本原理,利用机会约束的思想建立了综合安全评价模型．运用反向传播算法和遗传算法对神经元网络进行训练,在此分析基础上对系统综合安全评价模型进行求解,并对运用神经元网络进行综合安全评价的优点进行了分析。     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

因子分析-BP神经网络整合方法的沿海地区环境承载力预测

以沿海地区为研究对象,利用因子分析对环境承载力进行评价,综合众多指标的绝大部分信息,形成了环境承载力综合指数;并在此基础上,利用BP神经网络对环境承载力的发展趋势进行了有效预测.结果证明,2010年以后沿海地区环境承载力将呈下降趋势,环境对于经济和社会发展的制约作用初步显现.     

基于动态滑动窗口BP神经网络的水质时间序列预测

为提高BP神经网络（BPNN）模型对具有时间序列特征水质的预测精准度,采用主成分分析法对原始样本数据进行特征提取和降维,选取溶解性有机碳（DOC）浓度、总氮（TN）浓度和浊度作为水质预测指标,构建了具有3层网络结构的BPNN模型进行预测,并分析其预测性能。结果表明：DOC浓度、TN浓度和浊度的最佳训练集尺寸分别为60、60和90 d,最佳BPNN拓扑结构分别为9-12-1、8-6-1和7-13-1,经优化后的BPNN模型对DOC浓度、TN浓度和浊度的变化趋势整体预测效果较好;相比之下,BPNN模型对水中DOC浓度的预测效果显著优于TN浓度和浊度,其均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（R）分别为0.040、0.66%和0.867。该模型对具有非线性特征的地表水水质预测具有较好的适用性,预测精度较高。

     

基于BP神经网络预测地表水净化装置总氮的去除效果

为了模拟预测地表水净化装置脱氮效果,利用水质指标实测数据作为学习样本,选取原水总氮、氨氮、硝氮、COD_Mn及装置运行时间等指标作为预测参数,建立了BP神经网络水质预测模型,并运用该模型对净化装置的水质进行预测,同时引入多元线性回归模型作为对比。结果表明,BP神经网络模型预测值的可决系数为0.985,最大误差为5.92%,明显优于多元线性回归模型预测效果;BP神经网络模型预测精度较高,预测速度快,能够准确地预测净化装置的总氮去除效果。     

基于BP神经网络的水环境承载力预警研究——以北运河为例

为了预测水环境承载力未来可能出现的超载状态并提出警告,达到水环境风险管控的目的,本文构建了基于BP神经网络的水环境承载力预警方法体系,并在北运河流域开展了实证研究.所构建预警模型包括COD、氨氮、总磷承载力预警子模型和水资源承载力预警子模型,且模型拟合效果较好(平均绝对百分比误差在20％左右).研究结果表明:朝阳区、海...     

基于神经网络的某型飞机的人-机-环境系统可靠性分析

提出了利用神经网络,对某型飞机人-机-环境系统的可靠性进行了分析的方法。该方法利用已有飞机本身的可靠性数据,综合考虑了飞机本身、环境条件影响、人为操作因素的影响。全面反映了各种因素共同作用下的系统可靠性,建模简单,对飞机系统可靠性分析具有现实意义。     

基于BP神经网络水质模型的城市安全距离研究——以芜湖和马鞍山为例

快速的城镇化使城市间距不断减小,上下游城市间水质的相互影响愈发显著.本研究提出基于水质的城市安全距离概念,建立基于BP神经网络水质模型的城市安全距离量化方法,并选择长江沿岸相邻的芜湖、马鞍山两市为案例,评估未来两市建成区扩张后城市间距的安全性,计算两市建成区的最小安全距离.结果显示,2020年芜湖与马鞍山4.6km的间距属于安全距离,能够保证下游城市马鞍山上游控制断面地表II类的水功能要求.但与2010年相比,控制断面水质变差,COD与氨氮浓度分别提高了29.2%与23.2%.为了保证控制断面的水功能要求,芜湖与马鞍山两市的最小安全距离为3.2km.     

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

基于神经网络集成的单个飞行事件噪声预测模型

通过分析影响单个飞行事件噪声的各种因素,构建了BP神经网络回归预测模型,并通过自适应遗传算法优选出参与集成的个体神经网络,提出了预测单个飞行事件噪声的神经网络集成预测模型.为了有效保证差异性,设置不同隐藏神经元个数和Bagging算法来构建和训练单个网络.实验结果表明,单个飞行事件噪声的神经网络集成预测模型相对单个BP神经网络模型泛化能力更强,稳定性能更好.本文方法在测试集上误差在3dB以内的平均比率为96.9%,比单个网络高6.8%.