内源电子受体对剩余污泥释磷行为的影响

采用生物脱氮除磷工艺中剩余活性污泥所含硝化细菌处理生产废水的新型硝化工艺,将生产废水中所含氨氮转化为硝酸盐,获得一种从污水处理工艺中产生的内源电子受体。研究内源电子受体的产生特征及其用于抑制富磷剩余污泥在重力浓缩过程中磷的释放特征。结果表明:(1)采用剩余污泥处理生产废水工艺用于产生内源电子受体时,最佳曝气时间为24 h,可将液相中氨氮由41.20 mg/L降为0.19 mg/L;同时,硝酸盐由1.14 mg/L升高至32.62 mg/L,可作为一种潜在的内源电子受体用于抑制重力浓缩过程中剩余活性污泥释磷;(2)当内源电子受体硝酸盐浓度为36.16 mg/L时,经后续的重力浓缩(24 h)后,回流液中磷浓度为44.87 mg/L,与浓缩池上清液直接回流(100%回流并积累)相比,磷积累量降低了65.44%;同时,硝酸盐氮在这一过程中发生反硝化,由36.16 mg/L降至4.84 mg/L。同时,与生产废水直接回流(100%回流并积累)相比,该新型工艺引起氨氮积累量仅为17.68%。上述结果表明:采用内源电子受体,不仅可以有效降低生物脱氮除磷工艺中生产废水回流而引起的磷积累量,而且可同步减少氨氮的循环积累量。     

南方某水厂生产废水处理工艺运行中存在的问题及应对措施

通过对南方某水厂生产废水处理工艺的现场考察 ,指出了工艺中存在的主要问题 ,并作了分析讨论。利用新型造粒流化床高效污泥浓缩技术 ,对该厂的生产废水进行了现场中试实验 ,研究结果表明 ,该技术能够显著提高污泥脱水性能和排泥浓度 ,缩短了污泥水力停留时间 ,是解决南方地区自来水厂生产废水处理的一项高效实用技术     

污泥浓缩过程下膜生物反应器的生物特性与膜渗透性评估

采用中试规模的好氧膜生物反应器(MBR)工艺处理城市污水,考查了在浓缩过程下膜生物反应器的生物特性对膜渗透性及渗透性恢复的的影响.在试验中通过投加蔗糖溶液使系统维持恒定污泥负荷(food to microorganisms, F/M)在0.13,测定了活性污泥的一系列的生化与理化参数,并通过SPSS软件对污泥性质与动态变化的膜渗透性及渗透性恢复水平的相关性做了进一步的评估.结果表明,混合液悬浮固体(MLSS)浓度对膜渗透性的影响最大(rp=-0.958,P=0.000);溶解性微生物产物(SMP)浓度、溶解性化学需氧量(sCOD)浓度、污泥粒径(PSD)及毛细吸水时间(CST)对膜渗透性的影响属于同一个水平(|rp|=0.82~0.85,P=0.000);而污泥沉降性能与丝状菌指数对膜渗透性的影响不大.并且发现随着MLSS浓度的增大,膜丝廊道内积累的堵塞固体(ACS)的质量以及膜渗透性的绝对恢复量(ΔL)也有增加的趋势,表明MLSS浓度直接影响着膜生物反应器的堵塞性能,也进一步证明了膜堵塞是除膜污染之外影响膜渗透性的另一个重要因素.在低通量[5~6L/(m2·h)] 的操作条件下离线清堵联合强化化学反洗(CEB)的方式可以保证膜生物反应器工艺在高MLSS浓度运行下实现膜渗透性的可持续恢复.     

不同因素对平板膜污泥浓缩工艺膜污染演变的影响研究

以临界通量表征膜污染趋势,利用响应面模型考察污泥浓度、膜间距和曝气量对上下层膜组件的膜污染影响,发现响应面模型具有较好的显著性和拟合性,且污泥浓度、膜间距和曝气量均对上下层膜组件膜污染有显著影响。同时发现,随着污泥浓度的增加上下层膜组件临界通量大幅下降;而在不同污泥浓度下,曝气量和膜间距的变化对上下层膜组件膜污染的变化有不同的影响。利用模型模拟获得了不同污泥浓度下的最优化参数,在四段式平板膜污泥浓缩中试运行中获得了较好的效果。     

两相一体式污泥浓缩消化反应器运行效能及其微生物特性

为考察两相一体式污泥浓缩消化反应器(TISTD)的处理效能和影响因素,试验研究了反应器在不同污泥投配率下的运行效能,并通过显微镜、扫描电镜观察污泥中微生物的形态和种类,同时通过厌氧培养和分离,以或然计数法(MPN)确定优势菌株,用16S rDNA测序分析及系统发育分析研究优势菌株.结果表明,在中温条件35℃±2℃下,TISTD反应器最佳污泥投配率为30%,在此投配率下,排泥含水率达到92.1% ,VS/TS0.2~0.25,产气量为40.35L/d;污泥显微镜观察结果显示,有各种形态的变形虫、豆形虫、鞭毛虫和纤毛虫等原生动物,内反应器污泥电镜扫描照片显示包括各种丝状菌、杆状菌、球状菌以及体积较大的菌胶团,污泥中的微生物种群表现出高度的多样性;16S rDNA序列分析及系统发育树分析结果显示,外反应室的优势菌分属芽孢杆菌属,证明外反应室的反应处于产氢产乙酸阶段,是污泥水解酸化的主要场所;内反应室的优势菌分属于甲烷螺菌属,证明内反应室是适合产甲烷菌生长并产气的主要场所,从而实现了污泥同时浓缩消化的生物相分离.     

Predicting a ‘tree change’ in Australia's tropical savannas: Combining different types of models to understand complex ecosystem behaviour

In this study, key ecological modelling limitations of a process-based simulation model and a Bayesian network were reduced by combining the two approaches. We demonstrate the combined modelling approach with a case study investigating increases in woody vegetation density in northern Australia's tropical savannas. We found that by utilising the strengths of a simulation model and a Bayesian network we could both forecast future change in woody vegetation density and diagnose the reasons for current vegetation states. The local conditions of climate, soil characteristics and the starting population of trees were found to be more important in explaining the likelihood of change in woody vegetation density compared to management practices such as grazing pressure and fire regimes. We conclude that combining the strengths of a process and BN model allowed us to produce a simple model that utilised the ability of the process model to simulate ecosystem processes in detail and over long time periods, and the ability of the BN to capture uncertainty in ecosystem response and to conduct scenario, sensitivity and diagnostic analysis. The overall result was a model that has the potential to provide land managers with a better understanding of the behaviour of a complex ecosystem than simply utilising either modelling approach in isolation.