人工智能在工業(yè)園區(qū)廢水處理中的應(yīng)用研究現(xiàn)狀及展望

中圖分類號(hào)： X703.1 最近更新：2024-11-22 DOI： 10.11835/j.issn.2096-6717.2023.117

摘要

工業(yè)園區(qū)廢水處理體系是減少?gòu)U水污染物和提高園區(qū)水環(huán)境質(zhì)量的重要設(shè)施。自然條件波動(dòng)、廢水進(jìn)水沖擊、污染物成分多樣性和廢水處理技術(shù)的復(fù)雜性導(dǎo)致工業(yè)園區(qū)廢水處理系統(tǒng)的不確定性和復(fù)雜性。這些不確定性導(dǎo)致工業(yè)園區(qū)出水水質(zhì)和運(yùn)行成本的波動(dòng)，以及后續(xù)受納水體的環(huán)境生態(tài)風(fēng)險(xiǎn)。近年來，人工智能技術(shù)已成為降低廢水處理復(fù)雜性和系統(tǒng)風(fēng)險(xiǎn)性的有力工具。通過對(duì)人工智能技術(shù)在廢水處理中的應(yīng)用進(jìn)行文獻(xiàn)計(jì)量分析，系統(tǒng)總結(jié)人工智能技術(shù)在工業(yè)園區(qū)廢水處理監(jiān)控、污染物去除、節(jié)能、管理和廢水回用等5個(gè)方面的應(yīng)用，并對(duì)典型人工智能技術(shù)適宜的應(yīng)用場(chǎng)景、預(yù)測(cè)精度和應(yīng)用局限性進(jìn)行總結(jié)。最后，展望了在廢水處理廠中利用人工智能技術(shù)的研究前沿和潛在方向，提出了人工智能在解決復(fù)雜實(shí)際應(yīng)用中的污染物去除、成本降低、廢水重復(fù)利用和管理等方面的現(xiàn)存難點(diǎn)。

關(guān)鍵詞

人工智能; 廢水處理; 廢水回用; 運(yùn)行管理; 工業(yè)園區(qū)

廢水處理是工業(yè)園區(qū)減少水污染物和改善水環(huán)境質(zhì)量的最重要步驟。廢水的組成非常復(fù)雜，各污水處理廠的進(jìn)水特性和污染物濃度以及處理后的廢水有很大差異[1]。廢水處理是一個(gè)受多種化學(xué)、物理和微生物因素影響的復(fù)雜過程。此外，隨機(jī)擾動(dòng)和進(jìn)水可變性要求操作員對(duì)系統(tǒng)進(jìn)行適當(dāng)?shù)牟僮骺刂芠2]。自然現(xiàn)象、人為活動(dòng)和廢水處理過程的復(fù)雜性導(dǎo)致廢水處理系統(tǒng)存在許多不確定性。此外，鑒于工業(yè)園區(qū)招商入駐企業(yè)的多元性，廢水的數(shù)量、質(zhì)量和去除效率，這些不確定性隨機(jī)波動(dòng)[1]。工業(yè)園區(qū)現(xiàn)代廢水處理廠面臨著越來越嚴(yán)格的排放限制，以及新的能效和資源回收條例[3-4]。近年來，人們開始將人工智能技術(shù)應(yīng)用于工業(yè)園區(qū)現(xiàn)代廢水處理廠以克服這些問題，并呈現(xiàn)逐年增多的趨勢(shì)。

在諸多人工智能（artificial intelligence，AI）技術(shù)中，人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、模糊邏輯（fuzzy logic，F(xiàn)Ls）、數(shù)據(jù)挖掘（data mining， DM）和遺傳算法（genetic algorithm，GA）是目前應(yīng)用最廣泛的污水處理單一模型，而神經(jīng)模糊（neural-fuzzy，NF）和ANN-GA則是混合模型中使用最多的方法[5]。此外，NF和ANN-GA組合方法可以提供更高的精度和更低的誤差。筆者通過對(duì)人工智能技術(shù)在廢水處理中的應(yīng)用進(jìn)行大規(guī)模的文獻(xiàn)計(jì)量分析（圖1），從監(jiān)控、污染物去除、節(jié)能、管理和廢水回用5個(gè)方面對(duì)人工智能在工業(yè)園區(qū)污水處理領(lǐng)域中的應(yīng)用進(jìn)行系統(tǒng)的綜述（圖2），有望為人工智能應(yīng)用于工業(yè)園區(qū)廢水處理的潛在機(jī)遇和挑戰(zhàn)提供見解和建議。

1 人工智能在污水處理控制和自動(dòng)化中的應(yīng)用

人工智能技術(shù)ANN、自適應(yīng)神經(jīng)模糊推理系統(tǒng)（adaptive neuro-fuzzy inference system，ANFIS）、NF、強(qiáng)化學(xué)習(xí)（reinforcement learning，RL）和多目標(biāo)最優(yōu)控制（multi-objective optimal control，MOOC）通過控制工業(yè)園區(qū)廢水處理的日常流量、進(jìn)水流量、監(jiān)測(cè)系統(tǒng)和自動(dòng)化（R2為0.90～0.99）來提高處理效率和工藝穩(wěn)定性，降低成本。

在廢水處理中，活性污泥工藝的基本生物學(xué)行為機(jī)制還不清楚，缺乏可靠的自動(dòng)化儀器在應(yīng)用中造成了許多問題。AI方法最大化了從數(shù)據(jù)和操作人員經(jīng)驗(yàn)中提取的知識(shí)，并將這些知識(shí)應(yīng)用于幫助操作人員改善污水處理廠的管理和控制，使操作人員更好地了解和提高污水處理設(shè)施的性能和穩(wěn)定性。該技術(shù)可用于解決復(fù)雜和動(dòng)態(tài)的問題，包括污水處理廠的控制和自動(dòng)化[6]。最近，工業(yè)過程控制方面的專家們已經(jīng)決定將基于人工智能的方法用于大規(guī)模工業(yè)過程，這導(dǎo)致了先進(jìn)控制的革命。人工智能技術(shù)，如神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法等單一模型以及其他混合系統(tǒng)，可以解決工業(yè)園區(qū)環(huán)境模型中的不確定性，并已被應(yīng)用其中[7]。

研究者還提出了許多通過將人工智能方法與傳統(tǒng)線性方法或線性化控制技術(shù)結(jié)合來控制廢水處理過程的策略。Mirghasemi等[8]通過自適應(yīng)控制與神經(jīng)網(wǎng)絡(luò)的耦合產(chǎn)生了自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法，用于控制曝氣率，該方法顯示出對(duì)不同干擾的強(qiáng)大和魯棒控制，是一種實(shí)時(shí)適應(yīng)非線性模型的策略。也有文獻(xiàn)報(bào)道可以利用神經(jīng)模糊和模型預(yù)測(cè)控制等方法來控制活性污泥廢水處理過程中溶解氧的濃度[7]。此外，Gomm等[9]提出了利用神經(jīng)預(yù)測(cè)策略在線控制pH值的方法。

在不同的廢水系統(tǒng)中，模糊邏輯已成功應(yīng)用于城市焚燒爐、厭氧沼氣池、厭氧反應(yīng)器和好氧處理反應(yīng)器，且已被證明具有魯棒性和可靠性[7]。此外，模糊邏輯還可以控制污泥量和營(yíng)養(yǎng)物用量[7]。Traoré等[10]對(duì)模糊邏輯控制與序批式反應(yīng)器中經(jīng)典比例積分導(dǎo)數(shù)（PID）方法對(duì)溶解氧的控制進(jìn)行了比較研究。他們注意到，由于過程的非線性，調(diào)整PID參數(shù)非常困難。然而，模糊控制器能夠控制反應(yīng)器并提高性能。在污水處理廠中，還可以采用模糊邏輯控制來控制污水處理廠的二級(jí)沉淀池污泥覆蓋率、硝酸鹽再循環(huán)負(fù)債率和外部加碳量，在步進(jìn)過程中，采用模糊邏輯控制來優(yōu)化各階段的體積分布[7]?？刂剖歉鶕?jù)一個(gè)規(guī)則庫(kù)形成的，該規(guī)則庫(kù)對(duì)模糊集和干擾執(zhí)行控制過程。Jiang等[11]在研究模糊控制理論的基礎(chǔ)上，建立了一個(gè)基于移動(dòng)Agent服務(wù)器（MAS）理論的工業(yè)廢水臭氧氧化過程Agent控制系統(tǒng)，并采用模糊控制方法實(shí)現(xiàn)。仿真結(jié)果顯示了較強(qiáng)的穩(wěn)定性，驗(yàn)證了基于MAS理論的分布式智能污水處理系統(tǒng)在實(shí)際控制過程中的可行性和適應(yīng)性。

Huang等[12]提出了一種基于神經(jīng)網(wǎng)絡(luò)和傅立葉變換的NF混合系統(tǒng)來實(shí)現(xiàn)污水處理廠的自適應(yīng)軟件傳感器，其R2為0.96～0.98的NF模型的仿真效果優(yōu)于BP-ANN模型（反向傳播人工神經(jīng)網(wǎng)絡(luò)模型）。Wen等[13]提出了一種基于人工智能的混合自動(dòng)控制系統(tǒng)，應(yīng)用于G2[Gensym公司開發(fā)的專家控制系統(tǒng)（expert system）]，實(shí)時(shí)控制污水處理過程的運(yùn)行。ES控制的BOD范圍為20.1～21.3 mg/L， AI混合系統(tǒng)控制的BOD范圍為20.6～21.5 mg/L。這些結(jié)果表明，混合AI技術(shù)為操作復(fù)雜廢水處理提供了另一種方法，提高了處理設(shè)備的效率，同時(shí)降低了操作過程中的能耗。Dai等[14]采用多目標(biāo)優(yōu)化方法，解決出水水質(zhì)、運(yùn)行成本、運(yùn)行穩(wěn)定性等多重沖突的前景。研究表明，與傳統(tǒng)方法相比，多目標(biāo)優(yōu)化在廢水處理過程中具有更好的控制性能。

為了對(duì)整個(gè)廢水處理系統(tǒng)的控制系統(tǒng)進(jìn)行監(jiān)控，克服傳統(tǒng)的基于個(gè)體知識(shí)的控制策略和系統(tǒng)存在的主要問題，在21世紀(jì)初就有研究者開發(fā)了集成化分布式系統(tǒng)。ES由3個(gè)模塊組成，分別用于檢測(cè)故障、識(shí)別工廠運(yùn)行問題和由與其他兩個(gè)模塊相關(guān)的問題引起的過渡過程狀態(tài)。研究結(jié)果表明，開發(fā)的分布式ES將出水特性保持在可接受的范圍內(nèi)，同時(shí)以盡可能低的成本運(yùn)行工廠[15]。雖然專家系統(tǒng)已經(jīng)可以每天24 h對(duì)污水處理廠進(jìn)行監(jiān)控，但必須事先從工廠操作員或以前的數(shù)據(jù)中獲得專家系統(tǒng)的知識(shí)。Hernández-del-Olmo等[16]提出了整個(gè)廢水處理系統(tǒng)的自動(dòng)化，一種基于學(xué)習(xí)能力的代理人基模型（agent-based model，ABM）。這種方法適應(yīng)性強(qiáng)，不過分依賴工廠操作員或工程師的操作和決策，模型由與環(huán)境的交互產(chǎn)生。

基于人工智能的方法，一種模擬人類神經(jīng)系統(tǒng)的信息處理模式，具有控制工業(yè)園區(qū)廢水處理過程提高廢水處理效率和穩(wěn)定性的巨大能力。它們基本上是一種統(tǒng)計(jì)分析工具，可用于構(gòu)建系統(tǒng)行為模型。人工智能使得用解析形式、非線性系統(tǒng)或時(shí)變系統(tǒng)來表示復(fù)雜的函數(shù)關(guān)系成為可能。

2 人工智能在污水處理中去除污染物的應(yīng)用

常規(guī)污染物指標(biāo)，如化學(xué)需氧量（chemical oxygen demand，COD）、生化需氧量（biochemical oxygen demand，BOD）、總氮（total nitrogen，TN）、NH+4

、NO?3

、總磷（total phosphorus，TP）、PO3?4

等，其預(yù)測(cè)主要采用ANN、FL、ANFIS、ABM、ANN- GA等模型，其精度（R2）在0.63～0.99之間。ANN、ANN-GA和粒子群算法（particle swarm optimization，ANN-PSO）對(duì)廢水中重金屬（Cu2+、Cd2+、As3+、Mn2+和Cr（Ⅵ））去除的預(yù)測(cè)精度高達(dá)0.948～1.000。有機(jī)污染物和混合污染物的去除主要采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，其R2較高，約為0.99。大多數(shù)人工智能技術(shù)都使用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行建模，以模擬、預(yù)測(cè)、確認(rèn)和優(yōu)化廢水處理過程中的污染物去除。

2.1 常規(guī)污染物去除

1） COD

在廢水的生化和物化處理過程中，有許多用于模擬、預(yù)測(cè)和優(yōu)化COD去除的模型。Moral等[17]研究了伊斯肯德倫污水處理廠的活性污泥工藝，也使用了ANN模型，預(yù)測(cè)了測(cè)定系數(shù)（R2）為0.632的出水COD。ANFIS用于預(yù)測(cè)使用缺氧或好氧工藝的造紙廢水處理的COD去除率，最低平均絕對(duì)百分比誤差為1.0%，R2為0.982[18]。Huang等[19]提出了一種用于厭氧消化操作多目標(biāo)優(yōu)化的GA-ANN和非優(yōu)勢(shì)排序GA-II。與ANN模型相比，GA-ANN模型具有較低的均方差、較高的均方根歸一化誤差、較高的平均絕對(duì)百分比誤差和較高的相關(guān)系數(shù)。Sabour等[20]使用響應(yīng)面法（response surface method，RSM）和BP-ANN建模方法研究芬頓過程的性能；與RSM相比，BP-ANN表現(xiàn)出優(yōu)異的性能，R2更高，為0.97～0.98，RMSE（root mean square error，均方誤差）為1.45～1.86，平均誤差為2%～4%。一般來說，ANN模型被廣泛應(yīng)用于理解生化處理過程的單個(gè)模型，使用組合模型（GA-ANN和ANFIS）進(jìn)行模擬可以獲得更好的結(jié)果。Chen 等[21]將灰色動(dòng)態(tài)模型（Grey dynamic modeling，GM）和GA相結(jié)合的混合模型用于準(zhǔn)確預(yù)測(cè)工業(yè)園區(qū)廢水處理廠處理廢水中的COD濃度。通過與ANN和Monte Carlo分析的結(jié)果進(jìn)行比較，對(duì)該模型進(jìn)行了評(píng)估，并給出了良好的預(yù)測(cè)性能（R2=0.85，RMSE為57.9，平均絕對(duì)百分比誤差為20.2%）。Pai等[22]采用3種類型的自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）來預(yù)測(cè)工業(yè)園區(qū)污水處理廠的出水懸浮物（SSeff）、化學(xué)需氧量（CODeff）和pHeff。為了進(jìn)行比較，還使用了人工神經(jīng)網(wǎng)絡(luò)（ANN）。結(jié)果表明，在出水預(yù)測(cè)方面，ANFIS在統(tǒng)計(jì)上優(yōu)于ANN。使用ANFIS可以實(shí)現(xiàn)SSeff、CODeff和pHeff的最小平均絕對(duì)百分比誤差分別為2.67%、2.80%和0.42%。SSeff、CODeff和pHeff的相關(guān)系數(shù)最大值分別為0.96、0.93和0.95。SSeff、CODeff和pHeff的最小均方誤差分別為0.19、2.25和0.00，最小均方根誤差分別為0.43、1.48和0.04。ANFIS的體系結(jié)構(gòu)可以克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性。結(jié)果表明，進(jìn)水指標(biāo)可用于出水水質(zhì)的預(yù)測(cè)。

2） BOD5

ANN、監(jiān)事會(huì)模糊邏輯（supervisory committee fuzzy logic，SCFL）、FL和神經(jīng)網(wǎng)絡(luò)組合（neural network ensemble，NNE）用于模擬、預(yù)測(cè)和優(yōu)化生化廢水處理過程中BOD5的去除。ANN模型可有效預(yù)測(cè)工業(yè)園區(qū)的曝氣擴(kuò)散廢水處理的BOD5去除率，R2為0.63～0.81[23]。Nadiri等[24]發(fā)現(xiàn)，在預(yù)測(cè)Tabriz污水處理廠的BOD出水時(shí)，SCFL模型的R2較高，為0.960，平均絕對(duì)百分比誤差較低，為4%，優(yōu)于單個(gè)FL。采用經(jīng)典的認(rèn)知模型：記憶、學(xué)習(xí)和識(shí)別（memory， learning and recognition，MLR）和3種不同的基于人工智能的非線性模型前饋神經(jīng)網(wǎng)絡(luò)（feed-forward neural network，F(xiàn)FNN）、ANFIS和支持向量機(jī)（support vector machine，SVM）來預(yù)測(cè)廢水處理過程中BODeff的去除性能。在預(yù)測(cè)BODeff時(shí)，在驗(yàn)證階段，集成模型通過簡(jiǎn)單平均集成、加權(quán)平均集成和NNE分別將AI建模的性能效率提高了14%、20%和24%[24]。

3）氮磷

有許多模型用于模擬、預(yù)測(cè)和優(yōu)化生化和物理化學(xué)廢水處理過程中的營(yíng)養(yǎng)素去除。Chen等[25]采用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)接觸曝氣工藝處理后廢水的含氮量，該模型的預(yù)測(cè)精度可能達(dá)到90%。Bucci等[26]開發(fā)了一種用于強(qiáng)化生物除磷的ABM，采用傳統(tǒng)種群水平建模的聚磷酸鹽累積生物體的標(biāo)定最大醋酸鹽攝取率比采用參數(shù)隨機(jī)化的ABM低38%。Han等[27]提出了一種改進(jìn)的策略，基于改進(jìn)的多目標(biāo)PSO算法，以獲得廢水處理中硝酸鹽的最佳設(shè)定值。MOOC平方誤差的積分為0.034 4，積分絕對(duì)誤差為0.101 2。Pang等[28]使用改進(jìn)的Q學(xué)習(xí)算法開發(fā)了一種新的優(yōu)化方法，通過生物除磷系統(tǒng)中厭氧和好氧過程的優(yōu)化控制策略，達(dá)到優(yōu)異和穩(wěn)定的出水水質(zhì)。Li等[29]為了預(yù)測(cè)處理生活污水的生物膜系統(tǒng)的性能，基于傳統(tǒng)的厭氧/好氧工藝建立了一個(gè)堆棧降噪自動(dòng)編碼器（stack denoising auto encoder，SDAE）深度學(xué)習(xí)網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)（Bayesian network，BN）用于預(yù)測(cè)廢水SBR，以確定廢水處理系統(tǒng)的出水質(zhì)量。將預(yù)測(cè)結(jié)果與監(jiān)測(cè)數(shù)據(jù)進(jìn)行比較時(shí)，TN出水和TP出水的準(zhǔn)確率分別為93.1%和95.2%。Zhang等[30]將ANN和GA結(jié)合，以模擬納米復(fù)合吸收劑去除水中磷酸鹽的潛力，R2為0.99。總之，將人工神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，應(yīng)用于生化處理過程中的養(yǎng)分去除。單個(gè)模型ABM、ANN、SDAE和BN的誤差較大，精度較低。Antwi等[31]開發(fā)了兩個(gè)新的前饋BP-ANN模型，以模擬Anammox和部分硝化過程中廢水中NH+4

和TN的去除，R2為0.989～0.997，一致性指數(shù)為0.993～0.998。

2.2 典型污染物去除

1）重金屬

Messikh等[32]將RBF-ANN模型應(yīng)用于工業(yè)園區(qū)乳化液膜工藝中，以預(yù)測(cè)除銅效率。與其他神經(jīng)網(wǎng)絡(luò)相比，RBF-ANN的訓(xùn)練速度更快。預(yù)測(cè)值與實(shí)驗(yàn)數(shù)據(jù)非常吻合，R2為0.997。Fawzy等[33]基于ANFIS研究了長(zhǎng)苞香蒲對(duì)水溶液中Cd2+離子的吸附效率，結(jié)果表明，Cd2+的吸附主要受pH值的影響。人工神經(jīng)網(wǎng)絡(luò)可預(yù)測(cè)廢水中As3+和As5+的藻類修復(fù)效率，結(jié)果表明As3+和As5+的藻核介導(dǎo)率最高，分別為85%和88%。實(shí)驗(yàn)和模型模擬數(shù)據(jù)的R2為0.999 8（針對(duì)As3+和As5+），所建立的ANN模型可以確定不同條件下As3+與As5+的消除過程[34]。在模擬氨基硫脲改性殼聚糖對(duì)Pb2+去除的影響時(shí)，多層感知器人工神經(jīng)網(wǎng)絡(luò)（multilayer perceptron-artificial neural network，MLP-ANN）的預(yù)測(cè)精度（R2為0.990）高于RSM[35]。

2）有機(jī)污染物

ANN可以準(zhǔn)確預(yù)測(cè)海水中光誘導(dǎo)多環(huán)芳烴的降解[36]。MLP-ANN和RBF-ANN方法可以模擬和優(yōu)化廢水中亞甲基藍(lán)和孔雀石綠的去除效率，MLP-ANN模型的預(yù)測(cè)結(jié)果優(yōu)于其他方法[37]。Ghaedi等[38]使用ANN-GA模擬了三酰胺在單壁和多壁碳納米管上的吸附行為，結(jié)果表明，ANN-GA模型預(yù)測(cè)的吸附效率比MLR模型更高。ANN-GA的R2為0.986，均方差為0.000 5。MLR的R2是0.751，均方差是0.011。此外，ANN還可以很好地優(yōu)化使用殼聚糖/沸石固定床柱去除廢水中的微污染物（雙酚A、卡馬西平、酮洛芬和托納利）[39]。Bararpour等[40]基于RSM和ANN，研究了K2S2O8和H2O2對(duì)廢水中2-硝基苯酚降解的影響。ANN的預(yù)測(cè)效果比RSM更好，R2更高，為0.987 7。

2.3 混合污染物

基于MLP-ANN和RBF-ANN模擬SBR中污染物的去除，COD、TP和NH4+-N去除率分別為86%、79%和93%[41]。對(duì)于所有MLP-ANN和RBF-ANN模型，R2在0.90到0.99之間變化，RMSE接近于零。仿真結(jié)果表明，與RBF-ANN模型相比，MLP-ANN模型具有更高的R2和更低的RMSE值。SDAE深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測(cè)的RMSE為5.94（COD）、1.27（NH4+-N）和1.26（TN），與其他5個(gè)測(cè)試模型（BP-ANN、支持向量回歸、極限學(xué)習(xí)機(jī)、梯度增強(qiáng)決策樹和堆疊自動(dòng)編碼器）相比，效果最好[42]。Kundu等[43]對(duì)BP-ANN模型進(jìn)行了適當(dāng)?shù)挠?xùn)練和測(cè)試，以預(yù)測(cè)SBR期間的COD和NH4+-N去除率，實(shí)驗(yàn)誤差為3.3%，R2為0.95。BP-ANN-GA和MLP-ANN模型都可以模擬和優(yōu)化水溶液中Pb2+和孔雀綠的去除，去除率至少為98.7%，R2大于0.999（Pb2+與孔雀綠去除的R2分別為0.999 70和0.999 94）[44]。Zhu等[45]發(fā)現(xiàn)隨機(jī)森林具有良好的精度和預(yù)測(cè)性能（R2為0.973），可用于模擬生物炭中6種重金屬（Zn2+、Cu2+、Pb2+、Cd2+、Ni2+、As3+）的吸附。一般來說，廢水中重金屬的去除主要包括物理和化學(xué)處理過程；ANN及其組合是這些過程廣泛使用的模型，R2接近1。

就污染物類型而言，人工智能技術(shù)在工藝園區(qū)除磷方向的應(yīng)用是未來研究的熱點(diǎn)。此外，由于監(jiān)測(cè)技術(shù)的不斷進(jìn)步，人們意識(shí)到從廢水中去除不斷發(fā)現(xiàn)的新型污染物的重要性，人工智能技術(shù)在新型污染物去除中的研究有望成為未來研究的重點(diǎn)。

3 人工智能在廢水處理降低成本和能耗中的應(yīng)用

AI技術(shù)的應(yīng)用還可以通過使用DM、ANN、RL、ANFIS、NF、FL和ES模型減少工業(yè)園區(qū)中廢水處理的能源、化學(xué)品和勞動(dòng)力的消耗，從而降低高達(dá)30%的運(yùn)營(yíng)成本。通過控制曝氣，人工智能技術(shù)可以平均減少15%的能源消耗。

3.1 能源消耗

Han等[27]提出了一種改進(jìn)的MOOC策略，并開發(fā)了一種可描述水質(zhì)和能耗復(fù)雜動(dòng)態(tài)過程的自適應(yīng)核函數(shù)模型。與自適應(yīng)多目標(biāo)差分進(jìn)化算法和比例積分控制器策略相比，該MOOC策略在干燥、下雨和暴風(fēng)雨天氣條件下分別降低了1.6%、1.2%和2.2%的能耗值。Kusiak等[46]采用DM法通過控制待處理廢水中的DO來優(yōu)化活性污泥工藝。如果能源節(jié)約優(yōu)先于污水質(zhì)量，氣流可以減少15%。Asadi等[47]將DM開發(fā)的模型應(yīng)用于曝氣過程的優(yōu)化；由于曝氣氧氣減少，能源消耗降低了31.4%，同時(shí)保持相同（高于標(biāo)準(zhǔn)）的出水質(zhì)量。泵系統(tǒng)是工業(yè)園區(qū)污水處理過程中耗能的重要組成部分，Zhang等[48]采用神經(jīng)網(wǎng)絡(luò)對(duì)泵能耗和流體流速進(jìn)行建模，以降低能耗，模型誤差lt;3%。Filipe等[49]將統(tǒng)計(jì)學(xué)習(xí)和深度RL結(jié)合在一種創(chuàng)新的預(yù)測(cè)控制中，降低了電力消耗，與正常運(yùn)行條件相比減少了16.7%。Zhang等[50]為改善污水泵送系統(tǒng)性能而開發(fā)的數(shù)據(jù)驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)，在保持泵送性能的同時(shí)，能夠節(jié)約能源，平均節(jié)能約10%；最高的節(jié)能場(chǎng)景代表能源使用量減少25%。Fiter等[51]采用FL控制來降低廢水處理的能耗，結(jié)果表明曝氣模糊控制可以在保持良好去除水平的同時(shí)實(shí)現(xiàn)超過10%的節(jié)能。在一系列的計(jì)算機(jī)仿真中，模糊神經(jīng)被用來演示ANFIS控制器在實(shí)現(xiàn)經(jīng)濟(jì)目標(biāo)方面的性能。作為一種功能強(qiáng)大且高效的DO控制工具，該模型可節(jié)省近33%的運(yùn)行成本[2]。

3.2 其他成本

Hernández-Del-Olmo等[16]使用RL模型來最小化運(yùn)行成本，并將水質(zhì)保持在可接受的水平，從而提高污水處理工藝的性能。Mandal等[34]建立BP-ANN來預(yù)測(cè)As3+在鹽酸鈰上的吸附，降低了吸附劑材料的成本。Chen等[52]將模糊系統(tǒng)與BP-ANN結(jié)合，模擬曝氣淹沒生物膜廢水處理過程中的曝氣過程。為了解決工業(yè)園區(qū)廢水進(jìn)水速率和有機(jī)負(fù)荷要求變化的問題，AI系統(tǒng)控制了廢水處理過程中的氣流速率。采用模糊控制，系統(tǒng)可節(jié)省約38%的運(yùn)行成本。為了提高控制系統(tǒng)的精度，Chen等[25]設(shè)計(jì)了一種基于粗糙集的混合NF控制系統(tǒng)，包括神經(jīng)網(wǎng)絡(luò)、遺傳算法和神經(jīng)網(wǎng)絡(luò)。這種高效的混合控制實(shí)現(xiàn)了工業(yè)園區(qū)廢水處理過程中處理不確定性的實(shí)時(shí)控制目標(biāo)?；诖植诩哪：刂葡到y(tǒng)（rough set based fuzzy control system，RsFLC）的平均運(yùn)行成本比模糊邏輯控制系統(tǒng)低1.2%。Sweetapple等[53]采用非優(yōu)勢(shì)排序遺傳算法ii研究了一種經(jīng)濟(jì)的、減少?gòu)U水處理過程中溫室氣體排放的方法，最大減排量為18.5%，可降低4.1%的運(yùn)營(yíng)成本。Bozkurt等[54]建立了基于專家系統(tǒng)的數(shù)學(xué)規(guī)劃框架，提出了多準(zhǔn)則改進(jìn)措施。由于沼氣產(chǎn)量高、能耗低，選擇并優(yōu)化了厭氧氨氧化反應(yīng)器作為處理工藝?？偟膩碚f，使用DM、GA、ANN、NF、FL和ES模型優(yōu)化了工業(yè)園區(qū)建筑設(shè)計(jì)和運(yùn)營(yíng)成本（包括能源和試劑），可降低高達(dá)30%的成本。

4 人工智能在廢水處理運(yùn)行管理中的應(yīng)用

人工智能技術(shù)主要在廢水處理管理中使用ANN、ANN-GA、DM、標(biāo)準(zhǔn)樹（model tree，MT）、SVM、NF和ANFIS等模型，幫助模擬、預(yù)測(cè)、評(píng)價(jià)和診斷工藝園區(qū)廢水處理中的管理問題。在廢水生物處理過程中，AI技術(shù)在提高曝氣效率、泵效率和解決污泥膨脹問題（R2為0.82～0.99）方面起到了輔助作用。采用人工神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)-遺傳算法控制廢水物理處理和廢水處理中的膜污染（R2為0.99）。

4.1 生物工藝

生物廢水處理工藝時(shí)常遇到各種運(yùn)行問題，而從一個(gè)廢水處理系統(tǒng)的運(yùn)行中獲得的經(jīng)驗(yàn)很難應(yīng)用到另一個(gè)廢水處理系統(tǒng)中。Huang等[3]建立了好氧生物廢水處理工藝的ANFIS和ANN評(píng)價(jià)系統(tǒng)。研究表明，ANFIS誘導(dǎo)的曝氣性能優(yōu)于ANN。ANFIS模型的R2為0.99，ANN的R2為0.95。Sattar等[55]基于自適應(yīng)學(xué)習(xí)網(wǎng)絡(luò)進(jìn)化的多項(xiàng)式回歸（evolutionary polynomial regression，EPR）和MT評(píng)估并預(yù)測(cè)了3種流態(tài)下階梯氦氣的充氣效率，其性能優(yōu)于現(xiàn)有的基于回歸的方程。此外，EPR優(yōu)于MT，因?yàn)樗鼮槊總€(gè)狀態(tài)提供一個(gè)方程，而MT可以提供多個(gè)方程。NF模型被用來預(yù)測(cè)高速厭氧過程（厭氧流化床，厭氧過濾器和上流式厭氧污泥床反應(yīng)器）對(duì)不同干擾的性能。實(shí)驗(yàn)表明，神經(jīng)模糊建模能較好地模擬系統(tǒng)性能。在厭氧流化床上，體積甲烷生產(chǎn)率、進(jìn)水總有機(jī)碳（total organic carbon，TOC）和揮發(fā)性脂肪酸（volatile fatty acid，VFA）的RMSE分別為0.146、6.67和6.55，R2分別為0.99、0.83和0.72。厭氧濾池中體積甲烷生產(chǎn)率、TOC和VFA的RMSE分別為0.154、39.92和50.62，R2分別為0.93、0.97和0.88。而對(duì)于上流式厭氧污泥床，體積甲烷生產(chǎn)率、TOC和VFA的RMSE分別為0.40、9.37和7.24，R2分別為0.88、0.84和0.81 [56]。Sahely等[57]利用神經(jīng)網(wǎng)絡(luò)對(duì)厭氧廢水處理系統(tǒng)的干擾進(jìn)行了診斷。當(dāng)混合液揮發(fā)性懸浮固體濃度達(dá)到25 000 mg/L時(shí)，COD去除率和甲烷產(chǎn)率分別提高到98%和25 L/d。污水處理過程中發(fā)生的突發(fā)有機(jī)物過載是污水處理過程中主要的干擾因素。Mahanty等[58]通過人工神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)回歸模型評(píng)估了位于韓國(guó)蔚山工業(yè)園區(qū)的造紙、化工、石化、汽車和食品工業(yè)的工業(yè)污泥在沼氣生產(chǎn)共消化中的特征和影響，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)的建模和可預(yù)測(cè)性優(yōu)于回歸模型，準(zhǔn)確度（AF）1.01，偏差（BF）1.00，均方根誤差3.56，預(yù)測(cè)標(biāo)準(zhǔn)誤差2.51%?；の勰鄬?duì)甲烷比產(chǎn)量的影響最大，相對(duì)重要性為28.59%，其次是造紙污泥（20.07%）、食品污泥（19.59%）、石化污泥（15.92%）和汽車污泥（15.82%）。

Carrasco等[59]開發(fā)了一種模糊ES來診斷污水處理廠的中試狀態(tài)，分析其運(yùn)行趨勢(shì)，并為操作員提供可靠的信息和良好的建議。Carrasco等[60]用FL對(duì)工業(yè)園區(qū)厭氧污水處理廠的酸化狀態(tài)進(jìn)行了診斷。為了監(jiān)測(cè)SVI，建立了神經(jīng)網(wǎng)絡(luò)模型（MLP-ANN和RBF-ANN）來預(yù)測(cè)污水生物處理的污泥膨脹。MLP-ANN的預(yù)測(cè)結(jié)果比RBF-ANN的預(yù)測(cè)結(jié)果更準(zhǔn)確；此外，MLP-ANN對(duì)于非正態(tài)化數(shù)據(jù)具有最高的R2值（0.99）和最低的RMSE值（4 mL/g）[41]。為提高污水生物處理中SVI的預(yù)測(cè)精度，Han等[61]提出了一種面向信息的自組織循環(huán)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和改進(jìn)的Levenberg-Marquardt算法，在該研究中，故障變量的檢測(cè)準(zhǔn)確率為1.0%，提出的智能檢測(cè)方法有效。Hamedi等[62]采用神經(jīng)網(wǎng)絡(luò)、基因表達(dá)式編程和最小二乘支持向量機(jī)等方法，通過計(jì)算膜污染阻力，模擬優(yōu)化膜生物反應(yīng)器的性能。其中，最小二乘支持向量機(jī)優(yōu)化效果最好（均方差為0.000 2，R2為0.99）。Yu等[63]將一種基于變頻突變策略的改進(jìn)粒子濾波算法方法用于活性污泥廢水處理過程故障診斷。該算法在活性污泥過程中具有良好的估計(jì)精度和故障診斷能力。Dehghani等[64]建立了ANFIS和灰狼優(yōu)化算法的混合模型，從短期到長(zhǎng)期對(duì)進(jìn)水流量進(jìn)行建模和預(yù)測(cè)。與ANFIS模型相比，該混合模型具有更好的預(yù)測(cè)精度和更高的效率。

4.2 物理過程

AI還可用于控制污水過濾和廢水處理過程中的膜污染。Aydiner等[65]通過FFNN模型模擬了橫流微過濾中的通量下降，該模型提供了準(zhǔn)確的預(yù)測(cè)，R2為0.99。MLP-ANN和ANN分別被很好地用來表示廢水處理中橫流微過濾和膜生物反應(yīng)器中整體水力阻力的演變[66]。人工神經(jīng)網(wǎng)絡(luò)可用于預(yù)測(cè)大型膜生物反應(yīng)器中的污染，結(jié)果表明（除了傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型外）支持向量機(jī)、遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）、神經(jīng)網(wǎng)絡(luò)（elman neural network，ENN）、小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，WNN）和自組織映射（self-organizing map，SOM）也具有很強(qiáng)的膜污染預(yù)測(cè)能力[67]，WNN的預(yù)測(cè)精度高于BP-ANN模型。Najafzadeh等[68]采用前饋BP-ANN、ANFIS、RBF-ANN和支持向量機(jī)技術(shù)模型對(duì)影響廢水處理性能的進(jìn)水流量進(jìn)行預(yù)測(cè)。基于5年數(shù)據(jù)的模型性能結(jié)果表明，支持向量機(jī)和前饋BP-ANN預(yù)測(cè)流量比ANFIS和RBF-ANN更準(zhǔn)確。

5 人工智能在廢水回用中的應(yīng)用

AI技術(shù)可以通過水回用支持工業(yè)園區(qū)的污水處理的可持續(xù)發(fā)展，在改善園區(qū)環(huán)境質(zhì)量和產(chǎn)生經(jīng)濟(jì)效益的同時(shí)增加節(jié)水。許多研究人員對(duì)工業(yè)園區(qū)廢水處理的可持續(xù)水/廢水管理展開了研究[5， 69-72]。AI技術(shù)可以實(shí)現(xiàn)廢水處理過程中清潔水、能源和各種材料的回收。廢水回用可以改善環(huán)境質(zhì)量，產(chǎn)生經(jīng)濟(jì)效益，同時(shí)節(jié)約水資源[54]。Chen等[25]利用建立的神經(jīng)網(wǎng)絡(luò)模型評(píng)估了接觸曝氣對(duì)地下水回用產(chǎn)生的廢水回用潛力。為了提高廢水回用的成本效益，在模型中考慮降雨指數(shù)作為有用的輸入，并根據(jù)天氣條件做出不同的決策。Akhoundi等[70]以循證推理方法優(yōu)先考慮廢水回用應(yīng)用和處理技術(shù)，廢水回用主要面向農(nóng)業(yè)灌溉、人工地下水回灌和工業(yè)應(yīng)用。基于證據(jù)的推理方法為廢水回用的可持續(xù)性評(píng)估提供了一種協(xié)調(diào)、綜合的方法。

6 人工智能技術(shù)在廢水處理應(yīng)用中的局限性

毫無疑問，人工智能在工業(yè)園區(qū)各種水處理過程中表現(xiàn)出比傳統(tǒng)建模程序更優(yōu)越的性能。這些技術(shù)的成功實(shí)施刺激了模型結(jié)構(gòu)的進(jìn)一步研究和創(chuàng)新，以克服水處理行業(yè)中這些技術(shù)有效運(yùn)行的一些限制?，F(xiàn)有人工智能技術(shù)的缺點(diǎn)包括：1）實(shí)際工程中，尤其是工業(yè)園區(qū)中在運(yùn)行條件下由于自然限制和過程動(dòng)力學(xué)的變化會(huì)經(jīng)歷很多波動(dòng)，訓(xùn)練數(shù)據(jù)的可變性導(dǎo)致用歷史數(shù)據(jù)訓(xùn)練的模型的結(jié)果不夠準(zhǔn)確；2）神經(jīng)元之間的隨機(jī)偏差和權(quán)重導(dǎo)致模型的再現(xiàn)性較差，并且分析通常導(dǎo)致局部最優(yōu)，而不是整個(gè)過程動(dòng)力學(xué)的覆蓋范圍。此外，局部收斂和無法檢測(cè)過擬合也是其缺點(diǎn)。自動(dòng)化領(lǐng)域未來的研究需要集中在分析整個(gè)工業(yè)園區(qū)的廢水處理的模型開發(fā)上，包括混凝、消毒、BOD和COD測(cè)定等幾個(gè)串聯(lián)過程，以便對(duì)整體動(dòng)力學(xué)進(jìn)行建模。開發(fā)的混合模型通過所產(chǎn)生的模型的協(xié)同性能顯示出卓越的可解釋性。因此，除了已經(jīng)開發(fā)的混合人工智能模型結(jié)構(gòu)外，還應(yīng)該提出通過引入混合結(jié)構(gòu)來減少限制的深入分析。

7 研究現(xiàn)狀總結(jié)與未來前景

通過文獻(xiàn)計(jì)量分析和系統(tǒng)綜述，從技術(shù)、經(jīng)濟(jì)、管理和廢水回用4個(gè)方面分析了人工智能技術(shù)在工業(yè)園區(qū)廢水處理中的應(yīng)用。ANN和FL模型是單一模型中使用最廣泛的方法，而NF和ANN-GA在混合模型中使用得更頻繁。從預(yù)測(cè)和優(yōu)化常規(guī)污染物、典型重金屬、有機(jī)污染物和混合污染物的去除方面分析了人工智能對(duì)廢水處理的技術(shù)支持。在常規(guī)污染物（NH+4

、NO?3

、TP和PO3?4

）去除研究中，主要使用了ANN、FL、ANFIS、ABM和ANN-GA等模型，其準(zhǔn)確度（R2）在0.63～0.99之間。ANN、ANN-GA和ANN-PSO對(duì)廢水中重金屬（Cu2+、Cd2+、As3+、Mn2+和Cr6+）去除的預(yù)測(cè)精度高達(dá)0.948～1.000。人工神經(jīng)網(wǎng)絡(luò)主要研究了有機(jī)污染物和混合污染物的去除，其R2高達(dá)0.99左右。人工智能技術(shù)的應(yīng)用還可以通過使用DM、ANN、RL、ANFIS、NF、FL和ES模型來減少能源、化學(xué)品和勞動(dòng)力的消耗，從而將運(yùn)營(yíng)成本降低30%。通過控制曝氣，AI技術(shù)可以平均降低15%的能耗。人工智能技術(shù)在污水處理管理中主要使用ANN、GA、DM、MT、SVM、NF和ANFIS等模型來幫助模擬、預(yù)測(cè)、評(píng)估和診斷污水處理操作。在污水生物處理過程中，人工智能技術(shù)有助于提高曝氣效率、泵效，以及解決污泥膨脹問題（R2為0.82～0.99）。在水和廢水處理的物理處理中，使用ANN和ANN-GA控制膜污染（R2為0.99）。人工智能技術(shù)（ANN、ANFIS、NF、RL和MOOC）通過控制日流量、進(jìn)水流量、監(jiān)測(cè)系統(tǒng)以及污水處理廠的自動(dòng)化（R2為0.90～0.99）來提高處理效率，降低成本。人工智能技術(shù)可以通過水的再利用來支持污水處理的可持續(xù)發(fā)展，在提高環(huán)境質(zhì)量和產(chǎn)生經(jīng)濟(jì)效益的同時(shí)提高節(jié)水率。ANN、FL、DM和GA是廢水處理中使用最廣泛的單一模型，盡管NF和ANN-GA等組合方法可以提供更高的精度和更低的誤差。

未來人工智能在廢水處理廠中應(yīng)用時(shí)，應(yīng)當(dāng)同時(shí)解決復(fù)雜實(shí)際應(yīng)用中的污染物去除、成本降低、水重復(fù)利用和管理挑戰(zhàn)。

1）需要對(duì)單個(gè)或混合人工智能模型進(jìn)行優(yōu)化，以期在復(fù)雜的運(yùn)行環(huán)境下顯示出更大的潛力，實(shí)現(xiàn)運(yùn)行最優(yōu)、污染物去除率更高和運(yùn)行成本更低。

2）通過廢水處理過程重要參數(shù)的變化，增強(qiáng)AI技術(shù)的預(yù)測(cè)能力，為操作人員提供有能力管理參數(shù)沖擊的機(jī)會(huì)，確保廢水排放水質(zhì)標(biāo)準(zhǔn)。

3）基于實(shí)驗(yàn)的數(shù)據(jù)規(guī)模較小、范圍狹窄，限制了AI模型的實(shí)際應(yīng)用；建議未來的研究提供更多的現(xiàn)場(chǎng)或在線數(shù)據(jù)，以期在廢水處理的實(shí)際應(yīng)用中AI模型變得更友好，執(zhí)行得更快、更準(zhǔn)確。

4）應(yīng)該開發(fā)一種結(jié)合廢水處理系統(tǒng)和綜合方面的模式，這種模式應(yīng)有助于同時(shí)充分解決污染物去除、成本降低、水回用和管理挑戰(zhàn)。

參考文獻(xiàn)

1

郝馨， 付紹珠， 于博洋， 等. 焦化廢水處理難點(diǎn)、新型技術(shù)與研究展望[J]. 土木與環(huán)境工程學(xué)報(bào)（中英文）， 2020， 42（6）： 153-164. [百度學(xué)術(shù)]

HAO X， FU S Z， YU B Y， et al. Difficulties， new technology and research prospect of coking wastewater treatment [J]. Journal of Civil and Environmental Engineering， 2020， 42（6）： 153-164. （in Chinese） [百度學(xué)術(shù)]

2

FAISAL M， MUTTAQI K M， SUTANTO D， et al. Control technologies of wastewater treatment plants： The state-of-the-art， current challenges， and future directions [J]. Renewable and Sustainable Energy Reviews， 2023， 181： 113324. [百度學(xué)術(shù)]

3

HUANG M Z， MA Y W， WAN J Q， et al. A sensor-software based on a genetic algorithm-based neural fuzzy system for modeling and simulating a wastewater treatment process [J]. Applied Soft Computing， 2015， 27： 1-10. [百度學(xué)術(shù)]

4

SHI J X， HUANG W P， HAN H J， et al. Pollution control of wastewater from the coal chemical industry in China： Environmental management policy and technical standards [J]. Renewable and Sustainable Energy Reviews， 2021， 143： 110883. [百度學(xué)術(shù)]

5

IKE I S， ASADU C O， EZEMA C A， et al. ANN-GA， ANFIS-GA and thermodynamics base modeling of crude oil removal from surface water using organic acid grafted banana pseudo stem fiber [J]. Applied Surface Science Advances， 2022， 9： 100259. [百度學(xué)術(shù)]

6

MANNINA G， REBOU?AS T F， COSENZA A， et al. Decision support systems （DSS） for wastewater treatment plants： A review of the state of the art [J]. Bioresource Technology， 2019， 290： 121814. [百度學(xué)術(shù)]

7

IRATNI A， CHANG N B. Advances in control technologies for wastewater treatment processes： Status， challenges， and perspectives [J]. IEEE/CAA Journal of Automatica Sinica， 2019， 6（2）： 337-363. [百度學(xué)術(shù)]

8

MIRGHASEMI S， MACNAB C J B， CHU A. Dissolved oxygen control of activated sludge biorectors using neural-adaptive control [C]//2014 IEEE Symposium on Computational Intelligence in Control and Automation （CICA）. December 9-12， 2014， Orlando， FL， USA. IEEE， 2015： 1-6. [百度學(xué)術(shù)]

9

GOMM J B， DOHERTY S K， WILLIAMS D. Control of pH in-line using a neural predictive strategy [C]//UKACC International Conference on Control. Control '96. Exeter， UK. IET， 1996： 2： 1058-1063. [百度學(xué)術(shù)]

10

TRAORé A， GRIEU S， PUIG S， et al. Fuzzy control of dissolved oxygen in a sequencing batch reactor pilot plant [J]. Chemical Engineering Journal， 2005， 111（1）： 13-19. [百度學(xué)術(shù)]

11

JIANG Y B， JIANG J Y， WEI X D， et al. Bioaugmentation technology for treatment of toxic and refractory organic waste water based on artificial intelligence [J]. Frontiers in Bioengineering and Biotechnology， 2021， 9： 696166. [百度學(xué)術(shù)]

12

HUANG M Z， WAN J Q， MA Y W， et al. A fast predicting neural fuzzy model for on-line estimation of nutrient dynamics in an anoxic/oxic process [J]. Bioresource Technology， 2010， 101（6）： 1642-1651. [百度學(xué)術(shù)]

13

WEN C H， VASSILIADIS C A. Applying hybrid artificial intelligence techniques in wastewater treatment [J]. Engineering Applications of Artificial Intelligence， 1998， 11（6）： 685-705. [百度學(xué)術(shù)]

14

DAI H L， CHEN W L， LU X W. The application of multi-objective optimization method for activated sludge process： A review [J]. Water Science and Technology， 2016， 73（2）： 223-235. [百度學(xué)術(shù)]

15

GERNAEY K V， VAN LOOSDRECHT M C M， HENZE M， et al. Activated sludge wastewater treatment plant modelling and simulation： State of the art [J]. Environmental Modelling amp; Software， 2004， 19（9）： 763-783. [百度學(xué)術(shù)]

16

HERNáNDEZ-DEL-OLMO F， LLANES F H， GAUDIOSO E. An emergent approach for the control of wastewater treatment plants by means of reinforcement learning techniques [J]. Expert Systems with Applications， 2012， 39（3）： 2355-2360. [百度學(xué)術(shù)]

17

MORAL H， AKSOY A， GOKCAY C F. Modeling of the activated sludge process by using artificial neural networks with automated architecture screening [J]. Computers amp; Chemical Engineering， 2008， 32（10）： 2471-2478. [百度學(xué)術(shù)]

18

WAN J Q， HUANG M Z， MA Y W， et al. Prediction of effluent quality of a paper mill wastewater treatment using an adaptive network-based fuzzy inference system [J]. Applied Soft Computing， 2011， 11（3）： 3238-3246. [百度學(xué)術(shù)]

19

HUANG M， HAN W， WAN J， et al. Multi-objective optimisation for design and operation of anaerobic digestion using GA-ANN and NSGA-II [J]. Journal of Chemical Technology amp; Biotechnology， 2016， 91（1）： 226-233. [百度學(xué)術(shù)]

20

SABOUR M R， AMIRI A. Comparative study of ANN and RSM for simultaneous optimization of multiple targets in Fenton treatment of landfill leachate [J]. Waste Management， 2017， 65： 54-62. [百度學(xué)術(shù)]

21

CHEN H W， YU R F， NING S K， et al. Forecasting effluent quality of an industry wastewater treatment plant by evolutionary grey dynamic model [J]. Resources， Conservation and Recycling， 2010， 54（4）： 235-241. [百度學(xué)術(shù)]

22

PAI T Y， YANG P Y， WANG S C， et al. Predicting effluent from the wastewater treatment plant of industrial park based on fuzzy network and influent quality [J]. Applied Mathematical Modelling， 2011， 35（8）： 3674-3684. [百度學(xué)術(shù)]

23

ALTOWAYTI I W A H， SHAHIR S， EISA T A E， et al. Smart modelling of a sustainable biological wastewater treatment technologies： A critical review [J]. Sustainability， 2022， 14（22）： 15353. [百度學(xué)術(shù)]

24

NADIRI A A， SHOKRI S， TSAI F T C， et al. Prediction of effluent quality parameters of a wastewater treatment plant using a supervised committee fuzzy logic model [J]. Journal of Cleaner Production， 2018， 180： 539-549. [百度學(xué)術(shù)]

25

CHEN J C， CHANG N B， SHIEH W K. Assessing wastewater reclamation potential by neural network model [J]. Engineering Applications of Artificial Intelligence， 2003， 16（2）： 149-157. [百度學(xué)術(shù)]

26

BUCCI V， MAJED N， HELLWEGER F L， et al. Heterogeneity of intracellular polymer storage states in enhanced biological phosphorus removal （EBPR）： Observation and modeling [J]. Environmental Science amp; Technology， 2012， 46（6）： 3244-3252. [百度學(xué)術(shù)]

27

HAN H G， ZHANG L， LIU H X， et al. Multiobjective design of fuzzy neural network controller for wastewater treatment process [J]. Applied Soft Computing， 2018， 67： 467-478. [百度學(xué)術(shù)]

28

PANG J W， YANG S S， HE L， et al. An influent responsive control strategy with machine learning： Q-learning based optimization method for a biological phosphorus removal system [J]. Chemosphere， 2019， 234： 893-901. [百度學(xué)術(shù)]

29

LI D， YANG H Z， LIANG X F. Prediction analysis of a wastewater treatment system using a Bayesian network [J]. Environmental Modelling amp; Software， 2013， 40： 140-150. [百度學(xué)術(shù)]

30

ZHANG Y Y， PAN B C. Modeling batch and column phosphate removal by hydrated ferric oxide-based nanocomposite using response surface methodology and artificial neural network [J]. Chemical Engineering Journal， 2014， 249： 111-120. [百度學(xué)術(shù)]

31

ANTWI P， ZHANG D C， XIAO L W， et al. Modeling the performance of Single-stage Nitrogen removal using Anammox and Partial nitritation （SNAP） process with backpropagation neural network and response surface methodology [J]. Science of the Total Environment， 2019， 690： 108-120. [百度學(xué)術(shù)]

32

MESSIKH N， CHIHA M， AHMEDCHEKKAT F， et al. Application of radial basis function neural network for removal of copper using an emulsion liquid membrane process assisted by ultrasound [J]. Desalination and Water Treatment， 2015， 56（2）： 399-408. [百度學(xué)術(shù)]

33

FAWZY M， NASR M， ADEL S， et al. Environmental approach and artificial intelligence for Ni（Ⅱ） and Cd（Ⅱ） biosorption from aqueous solution using Typha domingensis biomass [J]. Ecological Engineering， 2016， 95： 743-752. [百度學(xué)術(shù)]

34

MANDAL S， MAHAPATRA S S， SAHU M K， et al. Artificial neural network modelling of As（Ⅲ） removal from water by novel hybrid material [J]. Process Safety and Environmental Protection， 2015， 93： 249-264. [百度學(xué)術(shù)]

35

ZAFERANI S P G， EMAMI M R S， AMIRI M K， et al. Optimization of the removal Pb （Ⅱ） and its Gibbs free energy by thiosemicarbazide modified chitosan using RSM and ANN modeling [J]. International Journal of Biological Macromolecules， 2019， 139： 307-319. [百度學(xué)術(shù)]

36

GIWA A， YUSUF A， BALOGUN H A， et al. Recent advances in advanced oxidation processes for removal of contaminants from water： A comprehensive review [J]. Process Safety and Environmental Protection， 2021， 146： 220-256. [百度學(xué)術(shù)]

37

ASFARAM A， GHAEDI M， HAJATI S， et al. Synthesis of magnetic γ-Fe2O3-based nanomaterial for ultrasonic assisted dyes adsorption： Modeling and optimization [J]. Ultrasonics Sonochemistry， 2016， 32： 418-431. [百度學(xué)術(shù)]

38

GHAEDI A M， GHAEDI M， POURANFARD A R， et al. Adsorption of triamterene on multi-walled and single-walled carbon nanotubes： Artificial neural network modeling and genetic algorithm optimization [J]. Journal of Molecular Liquids， 2016， 216： 654-665. [百度學(xué)術(shù)]

39

VAKILI M， MOJIRI A， KINDAICHI T， et al. Cross-linked chitosan/zeolite as a fixed-bed column for organic micropollutants removal from aqueous solution， optimization with RSM and artificial neural network [J]. Journal of Environmental Management， 2019， 250： 109434. [百度學(xué)術(shù)]

40

BARARPOUR S T， FEYLIZADEH M R， DELPARISH A， et al. Investigation of 2-nitrophenol solar degradation in the simultaneous presence of K2S2O8 and H2O2： Using experimental design and artificial neural network [J]. Journal of Cleaner Production， 2018， 176： 1154-1162. [百度學(xué)術(shù)]

41

BAGHERI M， MIRBAGHERI S A， EHTESHAMI M， et al. Modeling of a sequencing batch reactor treating municipal wastewater using multi-layer perceptron and radial basis function artificial neural networks [J]. Process Safety and Environmental Protection， 2015， 93： 111-123. [百度學(xué)術(shù)]

42

SHI S， XU G R. Novel performance prediction model of a biofilm system treating domestic wastewater based on stacked denoising auto-encoders deep learning network [J]. Chemical Engineering Journal， 2018， 347： 280-290. [百度學(xué)術(shù)]

43

KUNDU P， DEBSARKAR A， MUKHERJEE S. Artificial neural network modeling for biological removal of organic carbon and nitrogen from slaughterhouse wastewater in a sequencing batch reactor [J]. Advances in Artificial Neural Systems， 2013， 2013： 1-15. [百度學(xué)術(shù)]

44

DIL E A， GHAEDI M， ASFARAM A， et al. Preparation of nanomaterials for the ultrasound-enhanced removal of Pb2+ ions and malachite green dye： Chemometric optimization and modeling [J]. Ultrasonics Sonochemistry， 2017， 34： 677-691. [百度學(xué)術(shù)]

45

ZHU X Z， WANG X N， OK Y S. The application of machine learning methods for prediction of metal sorption onto biochars [J]. Journal of Hazardous Materials， 2019， 378： 120727. [百度學(xué)術(shù)]

46

KUSIAK A， WEI X P. Optimization of the activated sludge process [J]. Journal of Energy Engineering， 2013， 139（1）： 12-17. [百度學(xué)術(shù)]

47

ASADI A， VERMA A， YANG K， et al. Wastewater treatment aeration process optimization： A data mining approach [J]. Journal of Environmental Management， 2017， 203： 630-639. [百度學(xué)術(shù)]

48

ZHANG Z J， ZENG Y H， KUSIAK A. Minimizing pump energy in a wastewater processing plant [J]. Energy， 2012， 47（1）： 505-514. [百度學(xué)術(shù)]

49

FILIPE J， BESSA R J， REIS M， et al. Data-driven predictive energy optimization in a wastewater pumping station [J]. Applied Energy， 2019， 252： 113423. [百度學(xué)術(shù)]

50

ZHANG Z J， KUSIAK A， ZENG Y H， et al. Modeling and optimization of a wastewater pumping system with data-mining methods [J]. Applied Energy， 2016， 164： 303-311. [百度學(xué)術(shù)]

51

FITER M， GüELL D， COMAS J， et al. Energy saving in a wastewater treatment process： An application of fuzzy logic control [J]. Environmental Technology， 2005， 26（11）： 1263-1270. [百度學(xué)術(shù)]

52

CHEN J C， CHANG N B. Mining the fuzzy control rules of aeration in a submerged biofilm wastewater treatment process [J]. Engineering Applications of Artificial Intelligence， 2007， 20（7）： 959-969. [百度學(xué)術(shù)]

53

SWEETAPPLE C， FU G T， BUTLER D. Multi-objective optimisation of wastewater treatment plant control to reduce greenhouse gas emissions [J]. Water Research， 2014， 55： 52-62. [百度學(xué)術(shù)]

54

BOZKURT H， VAN LOOSDRECHT M C M， GERNAEY K V， et al. Optimal WWTP process selection for treatment of domestic wastewater： A realistic full-scale retrofitting study [J]. Chemical Engineering Journal， 2016， 286： 447-458. [百度學(xué)術(shù)]

55

SATTAR A A， ELHAKEEM M， REZAIE-BALF M， et al. Artificial intelligence models for prediction of the aeration efficiency of the stepped weir [J]. Flow Measurement and Instrumentation， 2019， 65： 78-89. [百度學(xué)術(shù)]

56

TAY J H， ZHANG X Y. A fast predicting neural fuzzy model for high-rate anaerobic wastewater treatment systems [J]. Water Research， 2000， 34（11）： 2849-2860. [百度學(xué)術(shù)]

57

SAHELY B S G E， BAGLEY D M. Diagnosing upsets in anaerobic wastewater treatment using Bayesian belief networks [J]. Journal of Environmental Engineering， 2001， 127（4）： 302-310. [百度學(xué)術(shù)]

58

MAHANTY B， ZAFAR M， PARK H S. Characterization of co-digestion of industrial sludges for biogas production by artificial neural network and statistical regression models [J]. Environmental Technology， 2013， 34（13/14）： 2145-2153. [百度學(xué)術(shù)]

59

CARRASCO E F， RODR??GUEZ J， PU?AL A， et al. Rule-based diagnosis and supervision of a pilot-scale wastewater treatment plant using fuzzy logic techniques [J]. Expert Systems with Applications， 2002， 22（1）： 11-20. [百度學(xué)術(shù)]

60

CARRASCO E F， RODR??GUEZ J， PU?AL A， et al. Diagnosis of acidification states in an anaerobic wastewater treatment plant using a fuzzy-based expert system[J]. Control Engineering Practice， 2004， 12（1）： 59-64. [百度學(xué)術(shù)]

61

HAN H G， LIU Z， GUO Y N， et al. An intelligent detection method for bulking sludge of wastewater treatment process [J]. Journal of Process Control， 2018， 68： 118-128. [百度學(xué)術(shù)]

62

HAMEDI H， EHTESHAMI M， AHMAD MIRBAGHERI S， et al. New deterministic tools to systematically investigate fouling occurrence in membrane bioreactors [J]. Chemical Engineering Research and Design， 2019， 144： 334-353. [百度學(xué)術(shù)]

63

YU P， CAO J， JEGATHEESAN V， et al. Activated sludge process faults diagnosis based on an improved particle filter algorithm [J]. Process Safety and Environmental Protection， 2019， 127： 66-72. [百度學(xué)術(shù)]

64

DEHGHANI M， SEIFI A， RIAHI-MADVAR H. Novel forecasting models for immediate-short-term to long-term influent flow prediction by combining ANFIS and grey wolf optimization [J]. Journal of Hydrology， 2019， 576： 698-725. [百度學(xué)術(shù)]

65

AYDINER C， DEMIR I， YILDIZ E. Modeling of flux decline in crossflow microfiltration using neural networks： The case of phosphate removal [J]. Journal of Membrane Science， 2005， 248（1/2）： 53-62. [百度學(xué)術(shù)]

66

SCHMITT F， DO K U. Prediction of membrane fouling using artificial neural networks for wastewater treated by membrane bioreactor technologies： Bottlenecks and possibilities [J]. Environmental Science and Pollution Research， 2017， 24（29）： 22885-22913. [百度學(xué)術(shù)]

67

BAGHERI M， AKBARI A， AHMAD MIRBAGHERI S. Advanced control of membrane fouling in filtration systems using artificial intelligence and machine learning techniques： A critical review [J]. Process Safety and Environmental Protection， 2019， 123： 229-252. [百度學(xué)術(shù)]

68

NAJAFZADEH M， ZEINOLABEDINI M. Prognostication of waste water treatment plant performance using efficient soft computing models： An environmental evaluation [J]. Measurement， 2019， 138： 690-701. [百度學(xué)術(shù)]

69

LóPEZ-MORALES C A， RODRíGUEZ-TAPIA L. On the economic analysis of wastewater treatment and reuse for designing strategies for water sustainability： Lessons from the Mexico Valley Basin [J]. Resources， Conservation and Recycling， 2019， 140： 1-12. [百度學(xué)術(shù)]

70

AKHOUNDI A， NAZIF S. Sustainability assessment of wastewater reuse alternatives using the evidential reasoning approach [J]. Journal of Cleaner Production， 2018， 195： 1350-1376. [百度學(xué)術(shù)]

71

孫永利， 李鵬峰， 范波， 等. 污水處理廠預(yù)處理單元跌水復(fù)氧問題識(shí)別及控制技術(shù)研究[J]. 給水排水， 2022， 58（10）： 72-77. [百度學(xué)術(shù)]

SUN Y L， LI P F， FAN B， et al. Study on identification and control technology of falling water reoxygenation in pretreatment unit of sewage treatment plant [J]. Water amp; Wastewater Engineering， 2022， 58（10）： 72-77. （in Chinese） [百度學(xué)術(shù)]

72

陳賀添， 李偉， 丁日新， 等. 污水處理廠智能化運(yùn)營(yíng)平臺(tái)搭建思路探討 [J]. 給水排水， 2016， 52（Sup1）： 293-296. [百度學(xué)術(shù)]

CHEN H T， LI W， DING R X， et al. Discussion on the construction of the intelligent operation platform for wastewater treatment plants [J]. Water amp; Wastewater Engineering， 2016， 52（Sup1）： 293-296. （in Chinese） [百度學(xué)術(shù)]