基于人工神经网络与高斯过程回归的旋转生物接触器总氮去除过程建模

《Cleaner Waste Systems》：Process Modeling of Total Nitrogen Removal in Rotating Biological Contactor Through Artificial Neural Networks and Gaussian Process Regression

　　

生活污水中总氮（TN）的高效去除对于防止富营养化并保护受纳水体至关重要。本研究在不同运行条件下，采用实验与数据驱动建模相结合的框架，考察了旋转生物接触器（RBC）对TN去除的性能。研究人员利用人工神经网络（ANN）和有理二次高斯过程回归（RQ-GPR），评估了3个关键运行参数——圆盘转速、水力停留时间（HRT）和污泥停留时间（SRT）的影响。两种模型均与实验观测结果表现出较强一致性；然而，ANN在未见测试数据上表现出更优的泛化能力，其决定系数（R²）达到0.978，而RQ-GPR为0.972。ANN在训练过程中能够有效捕捉复杂非线性关系，而RQ-GPR在验证集和测试集上表现出更优的稳健性与预测可靠性。ANN与RQ-GPR的联合使用为优化RBC中的TN去除提供了综合性框架，并为节能型、可持续生物废水处理系统的设计与运行提供了有价值的指导。

该文发表于《Cleaner Waste Systems》，聚焦旋转生物接触器（RBC）在生活污水总氮（TN）去除中的过程建模问题，核心目标是在实验研究基础上，引入机器学习（ML）模型揭示关键运行参数与脱氮效果之间的非线性关系。研究背景在于，随着人口增长、环境污染加剧及土地利用变化，清洁水资源需求持续上升，而含氮废水若处理不当，会排入河流、湖泊与海洋，诱发富营养化并损害受纳水体生态安全。生物法污水处理因具有可持续性、成本效益与较高能源效率而受到广泛重视，其中RBC作为一种附着生长型反应器，具有构造相对简单、占地较紧凑、运行费用较低等优势，并可有效处理有机物及营养盐。然而，RBC在实际推广中仍面临生物膜附着不足、传氧效率受限、生物膜形成较慢及放大应用困难等问题。同时，RBC性能受圆盘转速、水力停留时间（HRT）、污泥停留时间（SRT）、溶解氧（DO）等多因素耦合影响，传统依靠单一实验或单一模型的方法，难以系统刻画其复杂非线性行为。因此，开展结合实验数据与智能建模的研究，对于提升RBC脱氮效率、优化运行参数及增强工艺可解释性具有现实意义。

研究人员围绕RBC去除TN的运行规律开展了实验与建模一体化研究，并比较了人工神经网络（ANN）与有理二次高斯过程回归（RQ-GPR）两类模型的预测性能。研究结论表明，两种模型均能有效描述圆盘转速、HRT与SRT对TN去除效率的影响，其中ANN在测试集上的预测精度更高，RQ-GPR则在模型稳健性、泛化评估与不确定性表征方面表现突出。该研究的重要意义在于构建了一个兼顾灵活性、准确性与预测可靠性的综合框架，为RBC脱氮过程优化提供了决策支持，也为节能、可持续生物废水处理系统的设计和运行管理提供了参考依据。

作者采用的主要技术方法包括：首先，构建自制RBC反应器，以合成生活污水为处理对象，并以来源于污水处理设施的污泥进行接种，诱导聚氨酯泡沫载体表面生物膜形成；随后，系统调控圆盘转速（30–50 rpm）、HRT（3–9 h）和SRT（5–15 d），考察其对TN去除的影响；在表征方面，采用扫描电子显微镜（SEM，扫描电子显微镜）观察成熟生物膜形貌；在建模方面，使用MATLAB R2025a建立ANN模型与RQ-GPR模型，对输入参数与TN去除之间的非线性映射关系进行拟合，并采用R²、均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）评价模型性能。

在研究结果部分，论文首先设置了“3.1. Development of Biofilm”这一部分，说明RBC内生物膜经历了由初始黏附、胞外聚合物（EPS，extracellular polymeric substances）分泌、微菌落形成到成熟三维结构建立的连续过程。研究显示，盘片表面微生物最初通过较弱的理化作用附着，随后随着EPS分泌增加形成不可逆附着和自聚集，进而发展为具有水通道结构的成熟生物膜。SEM结果显示，成熟生物膜具有致密、异质且多层的表面结构，微生物群体嵌埋于EPS基质中，表面粗糙不均，说明该生物膜具有较好的抗剪切能力和稳定性。研究人员据此认为，成熟生物膜为多样化微生物群落提供了稳定微环境，有利于提高基质利用效率、增强生物量截留，并提升系统对环境波动的抵御能力，从而支撑稳定的污水处理性能。

在“3.2. Artificial neural networks (ANN)”部分，研究人员建立了ANN模型以预测TN去除效率。数据按照70%用于训练、其余用于验证和测试的方式进行划分。通过对隐藏层神经元数量进行迭代优化，最终确定最优网络结构为3-10-1，即3个输入神经元、10个隐藏层神经元和1个输出神经元。隐藏层采用`tansig`传递函数，输出层采用线性函数`purelin`。结果显示，ANN模型在训练、验证、测试及总体数据集上的R²分别达到0.996、0.970、0.978和0.985，训练、验证和测试阶段MSE分别为0.084、0.896和0.213。最佳验证性能出现在第3个训练周期（epoch）。误差直方图与回归结果共同表明，该模型能够准确捕捉运行参数与TN去除之间的非线性关系，且训练与测试结果较为接近，提示模型过拟合程度较低、泛化能力较强。论文据此指出，ANN适用于识别RBC脱氮的最优运行条件。

在“3.3. Rational quadratic Gaussian process regression (RQ-GPR)”部分，研究人员采用RQ-GPR模型建立圆盘转速、HRT与SRT到TN去除效率之间的非线性映射。该模型采用70%数据训练、30%数据作为独立测试集，并以有理二次核函数刻画多尺度变化特征。研究通过贝叶斯优化与随机搜索对超参数进行优化，包括sigma、基础函数、核函数及核尺度等。结果表明，RQ-GPR模型的残差总体紧密分布于0附近，平均偏差为0.22，标准差σ为0.26，残差分布近似对称、单峰且接近高斯分布，说明模型预测误差离散程度较低、校准性较好。误差指标显示MAE为0.56，RMSE为0.75，表明模型具有较高预测精度和较稳定的不确定性刻画能力。进一步比较标准RQ-GPR、贝叶斯优化RQ-GPR与随机搜索RQ-GPR发现，尽管优化模型在验证集上表现略优，但标准RQ-GPR在独立测试集上取得最佳泛化结果，测试集RMSE为0.434，MSE为0.188，MAE为0.390，R²为0.972。这说明超参数优化虽可改善拟合表现，但也可能带来一定过拟合风险，而标准RQ-GPR在未见数据上的平衡性与可靠性更好。

在“3.4. Mechanism of TN removal”部分，论文进一步阐释了RBC中TN去除的生物学机制。研究指出，TN去除主要通过硝化与反硝化的耦合过程实现，这一过程依赖于旋转盘片表面分层生物膜形成的好氧—缺氧微环境。由于氧扩散受限，生物膜外层保持相对好氧状态，内层则形成缺氧区。外层中，氨氧化菌（AOB，ammonia-oxidizing bacteria）将NH₄⁺氧化为NO₂^?，随后亚硝酸盐氧化菌（NOB，nitrite-oxidizing bacteria）将NO₂^?进一步氧化为NO₃^?；而内层缺氧环境中，异养反硝化菌利用有机碳作为电子供体，将NO₃^?和NO₂^?逐级还原为气态氮。也就是说，系统中发生了同步硝化反硝化（SND，simultaneous nitrification and denitrification）。处理出水特征显示，TN为15.86 ± 0.06 mg/L，COD为97.20 ± 7.29 mg/L，氨氮为1.91 ± 0.09 mg/L，DO为3.65 ± 0.04 mg/L，表明系统实现了稳定硝化和一定程度的反硝化。论文同时指出，出水中仍有硝酸盐存在，提示反硝化可能受碳源可利用性或缺氧区不足的限制。研究还归纳了运行参数的影响机制：较长HRT和SRT有助于硝化菌群的建立和维持，适宜圆盘转速则在增强氧传递与维持生物膜稳定之间取得平衡，从而共同促进稳定脱氮。

讨论部分强调，ANN与RQ-GPR的结合为RBC脱氮过程提供了互补性的建模框架。ANN擅长从实验数据中学习复杂的非线性输入—输出关系，在预测精度上略占优势；RQ-GPR则能够通过概率建模提供更加稳健的泛化结果和不确定性信息，适合用于决策支持。研究人员同时指出本研究存在若干局限性：采用合成污水虽然有利于控制实验条件，但不能充分反映真实污水成分波动和复杂性；模型输入仅包含圆盘转速、HRT和SRT，未纳入DO动态、温度及微生物群落结构等潜在关键因子；对于同步硝化反硝化机制的解释主要依据生物膜结构与过程推断，而未直接测量生物膜分层或氧梯度；虽然RQ-GPR具备不确定性量化能力，但相关不确定性尚未与更严格的统计置信分析进行系统对照。因此，该研究在机制验证与工程外推方面仍有进一步深化空间。

研究结论部分可译述为：本研究证明了ANN与RQ-GPR在RBC生物反应器TN去除建模与优化中的应用价值。RBC中的TN去除依赖于旋转盘片上分层生物膜内耦合的硝化与反硝化过程，其驱动力来源于交替形成的好氧—缺氧条件。通过调控圆盘转速、HRT和SRT，两种模型均有效捕捉了运行参数与TN去除效率之间的非线性关系。ANN在训练阶段表现出较强学习能力和较高预测精度，RQ-GPR则在未见数据上展现出更优的泛化表现与稳健性。测试集结果表明，ANN的预测性能略优，R²为0.978，而RQ-GPR为0.972。总体而言，ANN与RQ-GPR共同构建了一个兼具灵活性、准确性与预测可靠性的综合建模框架，说明将两者集成可为RBC中TN去除过程建模提供稳健方案，并在高预测精度基础上兼顾不确定性表征。