部分亚硝化污泥对曝气策略的响应机制及基于图像识别的特性预测

《Journal of Environmental Chemical Engineering》：Response Mechanism of Partial Nitritation Sludge to Aeration Strategies and Property Prediction Based on Image Recognition

水冲洗厕所废水（TW）的硝化作用受曝气模式影响，实验发现循环曝气降低硝化率但可通过切换连续曝气恢复。基于机器学习的图像识别平台构建成功，可预测硝化污泥特性，对挥发性悬浮固体浓度预测误差≤15%且准确率＞90%。研究为农村PN工艺优化提供新方法，助力农村生态数字文明建设。

　　

李敖|舒尚义|沈楠|王继阳|冯慧娟

中国环境科学研究院环境标准与风险评估国家重点实验室，北京，100012，中国

摘要

在曝气条件下，水冲式马桶废水（TW）可以自发地发生部分亚硝化（PN）反应，这为在农村TW处理中应用高效的氮去除工艺提供了可能。然而，关于曝气模式对TW亚硝化污泥的影响及其响应机制的研究却很少。此外，基于机器学习的图像识别技术在预测亚硝化污泥特性方面的应用也非常有限。本研究监测了不同曝气策略下亚硝化污泥的代谢特性，并构建了一个通过图像识别预测污泥特性的平台。结果表明，循环曝气模式会降低亚硝化速率，但通过切换到连续曝气可以恢复这一效果。在某一范围内，观察到的污泥产率（SOY）与COD与总氨氮的去除比率（COD/TAN_m）呈正线性相关，而与亚硝化速率呈负线性相关。COD/TAN_m为1.25且亚硝化速率为0.018 mgNO₂^--N/min时，污泥产率达到零点。交叉验证结果显示，梯度提升（Gradient Boosting）算法在图像识别平台中的表现最佳，该平台在预测亚硝化污泥的（挥发性）悬浮固体浓度方面具有较好的性能，误差保持在15%以内，准确率超过90%。本研究旨在为解决农村污水处理中PN应用的实际问题奠定初步基础，并为构建农村生态数字化文明增添新的元素。

引言

亚硝化反应是高效氮去除工艺（如短程反硝化和ANAMMOX）中的关键中间步骤。先前的研究发现，由于马桶废水（每次冲水量约为6升）中游离氨浓度较高（20-80 mg/L）且氨氮比（约3.80 gCaCO₃/gN）较低，在曝气条件下，部分亚硝化反应可以自发发生，无需控制反应条件[1]。一系列研究致力于将马桶废水的特性优势成功应用于实际场景，如农村污水处理。具体研究内容包括：将食物垃圾混入TW对亚硝化效率的影响[2]、TW亚硝化过程中的氮损失规律[3]、PN的稳态维持[4]、分散式污水处理场景中PN后ANAMMOX单元的溶解氧浓度自调节[5]，以及亚硝化过程对提高处理效率和稳定性的作用[6]。这些研究成果促进了基于PN的高效氮去除工艺在农村生活污水处理中的应用。然而，该工艺的应用仍面临一些亟需解决的实际问题，其中操作条件对工艺的影响尤为重要。

通常，农村生活污水处理工艺的操作条件是根据污水的性质和排放特性进行调整的。农村生活污水的排放具有间歇性，主要集中在特定时间段，如上午8-9点、上午11点-下午1点以及下午5-9点[6]，其他时间段的排放量较少。因此，从节省污水处理运营成本的角度出发，能耗较高的单元通常采用功率调节或循环运行策略，这些单元主要包括曝气和供氧单元。BioWin^TM模型模拟研究表明，在循环曝气和连续曝气两种模式下，传统污水处理厂中曝气单元的氨氮去除效率相似。然而，循环曝气策略可将该单元的能耗降低50%[7]。实验室研究还发现，循环曝气效果更好，主要是因为它有利于Comammox Nitrospira的相对富集[8]。除了节省能耗外，循环曝气还能改变微生物群落结构并影响工艺运行性能，其本质在于在同一空间内提供有氧和缺氧环境之间的交替条件，以及这两种环境之间的过渡状态。基于此，循环曝气还可用于调节和抑制亚硝酸盐氧化菌（NOB）以实现亚硝化[9]，减少亚硝化副产物一氧化二氮的生成[10]，并在同一反应空间内实现甲烷生成（Feammox）和反硝化[11]。现有研究主要关注循环曝气的三个方面：首先降低处理系统的运营成本；其次丰富有氧单元的处理功能；第三调节和优化亚硝化反应。然而，针对在农村生活污水处理中应用亚硝化过程中提高工艺稳定性和效率的实际需求，关于循环曝气模式对亚硝化污泥及其响应机制的影响的研究仍较少。

此外，随着机器学习技术的发展以及相关软硬件水平的提升，图像识别技术也得到了强化和发展。该技术已应用于环境污染控制领域[12][13]，结合传统指标（如pH/DO）的监测，可全面支持工艺运行中的决策制定。模型算法的应用可以解决耗时、成本高昂且依赖数据和经验的问题。具体研究结果大致可分为三类：第一类是基于照片中传统特征的直接预测，例如通过分析出水悬浮固体的照片来估算出水中浊度以优化混凝剂用量[14]；通过分析显微照片中胶体虫和菌丝的分布和比例来评估丝状菌和絮状菌的平衡[15]；通过分析活性污泥沉降的动态/静态图像的形态和物理特征来识别影响污泥沉降性和悬浮固体去除的关键因素[16]。第二类是基于照片特征和文档数据的多模态预测，例如利用预处理的微藻图像及相关光密度数据来量化微藻[17]，通过活性污泥的形态和污泥体积指数（SVI）来预测活性污泥膨胀风险[18]，或使用染色光学显微镜成像数据[19]。第三类是基于经过一定程度处理的图像特征进行污染物预测，例如利用荧光金属有机框架（MOFs）与四环素相互作用产生的荧光响应图像来追踪四环素的来源[20]，以及其他污染物的来源[21]。然而，在环境污染控制领域，目前的图像识别研究大多基于传统图像特征的提取和识别，与深度特征的结合较少，导致信息利用率和模型泛化能力较低。此外，关于小样本深度学习的优化策略（如数据增强和正则化）的研究也较少。此外，现有研究大多针对常规污水和污泥，而对于新兴工艺（尤其是亚硝化污泥）的特征图像识别研究较少。

因此，本研究的目的是探讨循环曝气模式对TW亚硝化过程的影响及其功能污泥的响应机制。研究从两个方面展开：一方面直接监测不同曝气模式下水质参数和污泥特性的变化；另一方面利用结合机器学习的图像识别技术提取和识别微观尺度图像信息，构建预测亚硝化污泥特性的模型。本研究旨在解决在农村生活污水处理中应用PN时遇到的实际问题，并为构建农村生态数字化文明增添新的元素。

实验装置和原料

主要通过批次实验研究了曝气模式和原料特性对马桶废水（TW）部分亚硝化（PN）的影响。实验在1升玻璃瓶中进行，每个瓶子配备一个曝气泵，曝气速率为12 L/min（图1）。实验所用原料来自三室化粪池第三室的上清液，该化粪池收集马桶废水（每次冲水量约为……）

不同操作条件下的亚硝化反应特性

图2展示了三组批次实验中，部分亚硝化（PN）开始点（标记为“b”）和平衡点（标记为“a”）时氮及相关指标的日均变化情况。如图2所示，几乎所有的总氨氮（TAN，约30 mg/L，图2-a）在经过一个循环反应后转化为亚硝酸盐氮（NO₂^--N，图2-b），反应平衡时NO₂^--N与TAN的浓度比为约1.49（图2……）

结论

进行了三组马桶废水（TW）部分亚硝化（PN）的批次实验，以研究反应条件（如曝气策略和原料特性）变化对亚硝化效果的影响。同时监测了亚硝化污泥的代谢特性，并建立了基于机器学习的图像识别平台来预测污泥特性。研究结论如下：

(1)

比率

CRediT作者贡献声明

沈楠：可视化处理、数据分析。王继阳：撰写、审稿与编辑、验证。冯慧娟：撰写、审稿与编辑、监督。李敖：撰写初稿、软件开发、项目管理、方法设计、资金申请、概念构思。舒尚义：撰写、审稿与编辑、数据管理。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

我们感谢国家自然科学基金青年科学基金（项目编号：42407511）和国家重点研发计划（项目编号：2024YFD1600203）的支持。