《Water Research X》：The Crucial Role of Activated sludge models (ASMs) on Wastewater Treatment Processes: Developments, Applications, and Future Perspectives
编辑推荐：
本文系统综述了活性污泥模型(ASMs)的最新进展，重点探讨了其在机制扩展（如新型污染物去除、温室气体排放模拟）与多尺度模型集成（如与厌氧模型、计算流体动力学、机器学习耦合）方面的突破，为提升污水处理厂设计、优化及低碳运行提供了系统的理论框架和研究视角。
活性污泥模型(Activated Sludge Models, ASMs)作为废水生物处理中应用最广泛的数学模型，通过简化的矩阵形式表征污染物的生物化学降解过程。随着对污水处理机制认识的深化，通用ASMs的简化假设在某些条件下已显不足，推动其不断改进与发展。本文旨在系统梳理ASMs的最新发展，重点关注模型机制扩展和多尺度模型集成，以建立系统研究框架，分析现有模型局限，并为提升ASMs在污水处理中的精确性和应用广度提供见解。
ASMs的扩展与结构改进
针对悬浮生长工艺（如膜生物反应器(MBR)、氧化沟(OD)、循环式活性污泥系统(CASS)），其生物动力学模式与传统活性污泥法(CAS)存在差异。早期ASMs基于CAS开发，直接应用于上述工艺时常面临适用性挑战。例如，MBR系统中溶解性微生物产物(SMP)和胞外聚合物(EPS)的积累会显著影响生物反应器性能，导致对硝化菌最大比生长率的低估。通过将微生物聚合物生物动力学和同步储存生长理论等新机制纳入ASMs，增强了模型在模拟MBR、除磷及工业废水处理中的准确性，并量化了N2O的生成/消耗途径。
在污泥相关挑战方面，丝状菌膨胀、污泥上浮和过量污泥产量等问题持续存在。通过整合动力学选择理论、底物扩散限制理论等微观机制，开发了基于ASM1的预测模型，可定量预测丝状菌膨胀，并证实好氧选择器在控制膨胀方面的有效性。在ASM3框架内引入动态选择理论，结合BP神经网络，可实现提前一个周期对污泥膨胀现象进行预警。
ASMs与其他领域模型的耦合
与厌氧模型耦合
构建集成水线好氧生物处理和泥线厌氧消化的全厂污水处理模型，有助于全面评估污水处理厂(WWTP)性能并提出优化方案。主要采用超模型(Supermodel)和接口(Interface)两种方法实现ASMs与厌氧消化模型(ADM)的耦合。超模型方法将所有过程模块化，具有元素守恒、可扩展性强且无接口误差等优点，是实现污水处理厂数字化的最有前途的途径之一。接口方法则基于质量平衡算法，在ASM1和ADM1之间进行状态变量转换，更易于集成到商业软件中。
与对流-扩散理论耦合
计算流体动力学(CFD)与ASMs的集成，能够获得关键的三维流速场和生化组分分布信息，从而深入了解流体流动与生物反应对污水处理效率的综合影响。在此框架下，将多相流体动力学模型、物种传输模型和氧传质模型纳入CFD，模拟废水、空气和污泥的流动、混合与传质；同时，将ASMs作为源项（生化反应速率）嵌入CFD的传质方程中，以表征污染物降解转化。无网格的平滑粒子流体动力学(SPH)方法也可与ASMs耦合，实现瞬态流动条件下生物动力学和流体动力学现象的同步模拟。
与机器学习模型耦合
集成ASMs与机器学习(ML)可以弥补各自缺陷，为污水处理过程的精确建模和智能决策铺平道路。当前耦合研究主要有三种典型范式：
- 1.
机理模型作为ML数据库：利用经过校准的ASMs在特定进水条件下进行离线仿真，生成包含最优运行策略的“方案库”，作为ML的训练集。训练后的ML可在线匹配不同进水水质下的优化策略。
- 2.
ML辅助ASMs参数识别与校准：利用反向传播神经网络(BPNN)等ML方法，基于易测的总化学需氧量(COD)实时预测ASM1中定义的5种关键COD组分浓度，解决参数获取难、滞后性强的问题。嵌入贝叶斯优化(BO)的元启发式算法可用于同时估计修正活性污泥模型(M-ASM)的动态和 stoichiometric 参数，减少参数迭代次数。
- 3.
将机理知识深度嵌入ML结构函数：例如，将ASM2d与Q-学习(QL)结合，ASM2d不仅生成训练数据，还构建强化学习智能体中的奖励函数，使强化学习具有实际的物理意义。多智能体强化学习(MARL)也可用于校准ASMs的动态参数。
未来展望
未来ASMs的发展应侧重于更新模型理论和应对新兴污染物，同时利用人工智能平衡模型的完整性和参数的可识别性。
更新和完善模型理论
将两步硝化反硝化理论、聚磷菌(PAOs)与聚糖菌(GAOs)的竞争等亚微观机制整合到ASMs中，可增强模拟生物污水处理的模型可解释性。在速率方程中引入温度作为变量，可以模拟微生物反应对温度的动态响应。针对厌氧氨氧化(ANAMMOX)、同步硝化反硝化(SND)等新工艺，利用扩展的ASMs进行建模模拟，将有助于理解这些工艺并推动污水处理行业的创新。结合宏基因组学和代谢组学等微观微生物信息与宏观过程数据，可以揭示微生物相互作用、代谢功能及其对污水处理厂性能的影响。
提高参数可识别性和校准效率
通过基于反应不变量的模型简化方法，或借助Fisher信息矩阵和RDE准则筛选参数，可以减少需要校准的参数数量，降低参数校准的负担。未来，基于大数据平台分析以往案例中各种参数和进水水质的变化趋势，结合机理，有望确定首选参数集，用户可根据推荐数据库制定有效的调整策略。
将模型扩展至新兴污染物
将基于共代谢过程(CPB)的模型嵌入ASM框架，有助于预测不同微生物及其相关过程对药物去除的贡献。除了生物降解，吸附对新兴污染物(ECs)去除的贡献也不容忽视。通过整合微生物代谢与药物的固液分配，可以表征生物处理过程中药物的行为，包括吸附、解吸、共代谢、竞争抑制和母体化合物形成等。
与人工智能结合
构建在线的、可编辑的参数调节数据库，利用人工智能的强大功能管理维护模型数据库，并借助其智能筛选功能，为用户推荐候选参数。人工智能还有助于完善ASMs理论，例如利用模式识别方法从现有模型数据库中提取信息，自动生成简洁的微分方程来描述某些过程，并将其纳入ASMs，形成更完整的模型框架。然而，人工智能与ASMs的融合也面临提高可解释性、保证数据质量等重要挑战。
综上所述，ASMs通过不断的机制扩展和多学科模型耦合，其模拟预测能力及应用范围得到了显著提升。未来围绕模型理论更新、参数优化、新兴污染物模拟以及与人工智能的深度融合，将继续推动废水处理过程向更精准、高效、低碳的方向发展。
