Wykorzystanie modelowania matematycznego do poprawy sedymentacji osadu czynnego i jakości ścieków na odpływie z oczyszczalni ścieków - studium przypadku

• Autorzy: Studziński J. , Szeląg B. , Leśniańska A.
• Języki publikacji: PL

Abstrakty

PL

Istotną cechą osadu czynnego jest formowanie kłaczków, które w osadniku wtórnym oddzielane są od ścieków w procesie sedymentacji. Istotnym składnikiem kłaczków są bakterie nitkowate, które stanowią swego rodzaju szkielet, na którym rozwijają się bakterie, a wytwarzane przez nie pozakomórkowe biopolimery nadają kłaczkom odpowiednią spoistość. Jednakże, nadmierny rozwój bakterii nitkowatych prowadzi do pogorszenia zdolności sedymentacyjnych osadu czynnego, a co za tym idzie również jakości ścieków na odpływie z oczyszczalni [ i inni 2009]. Aby uniknąć powyższych problemów na oczyszczalniach ścieków wdrażane są modele matematyczne pozwalające na prognozowanie i odpowiednie działania zmierzające do poprawy zdolności osadu do sedymentacji.

Słowa kluczowe

PL

modelowanie matematyczne; sedymentacja osadu; osad czynny; gospodarka osadowa

EN

mathematical modelling; sedimentation of sludge; activated sludge; sludge management

• Wydawca: Stowarzyszenie Eksploatatorów Obiektów Gospodarki Wodno-Ściekowej
• Czasopismo: Forum Eksploatatora
• Rocznik: 2018
• Tom: Nr 6 (99)
• Strony: 54--60
• Opis fizyczny: Bibliogr. 19 poz., rys. tab.

Twórcy

autor

Studziński J.

• Instytut Badań Systemowych Polskiej Akademii Nauk

autor

Szeląg B.

• Politechnika Świętokrzyska w Kielcach

autor

Leśniańska A.

• EkoWodrol Sp. z o.o. Koszalin

Bibliografia

• [1] Bayo J., Angosto J.M., Serrano-Aniorte J.: Evaluation of physicochemical parameters influencing bulking episodes in a municipal wastewater treatment plant. Water Pollution VIII: Modelling, Monitoring and Management 95:531-542, 2006.
• [2] Bloom H.A.: Indirect measurement of key water quality parameters in sewage treatment plants. J. Chemometr. 10, 697-706, 1996.
• [3] Clara Narcis: Nearal Networks complemented with Genetic Algorithms and Fazzy Systems for Predicting Nitrogenous Effluent Variables in Wastewater Treatment Plants. WSEAS Transactions on Systems, Issue 6, Volume 7, June 2008.
• [4] Cortés U., Martinez J., Comas M., Sànchez-Marrèa M., Rodriguez I.: A conceptual model to facilitate knowledge sharing for bulking solving in wastewater treatment plant. AI Communications 16, 279-289, 2006.
• [5] Flores-Alsina X.J., Comas J., Rodriguez-Roda I., Gernaey K.V., Rosen Ch.: Including the effects of filamentous bulking sludge during the simulation of wastewater treatment plants using a risk assessment model. Water Research 43(18), 4527-4538, 2009.
• [6] Gülçlü Ş. Dursun: Artificial neural network modelling of a large-scale wastewater treatment plant operation. Bioproc Biosyst Eng, 33, 1051-1058, 2010.
• [7] Han H.G., Qiao J.F.: Hierarchical neural network modelling approach to predict Sludge Volume Index of wastewater treatment process. Control Systems Technology, IEEE Transactions 21:2423-2431, 2013.
• [8] Henze M. P. Hong-gui, Chen Zhi-yuan, Qiao Jun-fei, Zhang Hui-qing: Soft-sensor method for effluent ammonia nitrogen based on interval type-2 jazzy neural networks, 2016.
• [9] Henze M., P. Harremoes, E. Arvin, J. Lacour: Wastewater Treatment. Biological and Chemical Processes, Springer-Verlag, Berlin, 2002.
• [10] Hongbin Liu, Mingzhi Huang, Chang Kyoo Yoo: A fuzzy neural network-based soft sensor for modeling nutrient removal mechanism in a full-scale wastewater treatment system. Desalination and Water Treatment, 51, 6184-6193,2013.
• [11] Hong Y.S.T., R. Bhamidimarri: Evolutionary self-organising modelling of a municipal wastewater treatment plant. Water Res., 37, 1199-1212, 2003.
• [12] Huang Z., J. Luo, X. Li: Prediction of effluent parameters of wastewater treatment plant based on improved least square support vector machine with P50. The 1st International Conference on Information Science and Engineering (ICISE2009), 2009.
• [13] Lee D. S., M. W. Lec, S. H. Woo, Y.J. Kim, J. M. Park: Nonlinear dynamic partial least squares modeling of a full-scale biological wastewater treatment plant. Process Biochemistry 41, 2050-2057, 2006.
• [14] Lee H.W., Lec M.W., Park J. M.: Multi-scale extension of PLS algorithm for advanced on-line process monitoring. Chemometr. Intell. Lab. 98, 201-212, 2009.
• [15] Lou I., Zhao Y.: Sludge bulking prediction using principle component regression and artificial neural network. Mathematical Problems in Engineering, 1-17, 2012.
• [16] Łomotowski J., J. Szpindor: Nowoczesne systemy oczyszczania ścieków. Wydawnictwo Arkady. Warszawa, 2003.
• [17] Raduly B., K.y. Gernaey, A.G. Capodaglio, P.S. Mikkelsen M. Henze: Artificial neural networks for rapid WWTP performance evaluation: Methodology and case study. Environmental Modelling & Software 22, 1208-1216, 2007.
• [18] Szeląg B, Studziński J.: Modelling mixed liquor suspended solid and substrate bad on the basis of the waste quality indices and operational parameters of the bioreactor: data mining approach. 15th International Industrial Simulation Conference (Edited: J. Kasprzyk,J.W. Owsinski), 69-76, 2017.
• [19] Szeląg B., P. Siwicki. In: B. Kaźmierczak, M. Kutyłowska, K. Piekarska, A. Trusz-Zdybek: Application of the selected classification models to the analysis of the settling capacity of the activated sludge - case study. E3S Web of Conferences 2017, Boguszów-Gorce, 1-7, 2017.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).