AAO污水处理工艺介绍.pptVIP

3、中试运行小结 3.3 结论3 四、交互式反应器中运行研究  进水COD180mg/L，且平均COD/TN4.3，进水TP0.41~3.49mg/L，当NH4+-N去除率80%时，由于碳源严重不足，脱氮效率不高，随回流污泥进入厌氧区的NO3?-N对生物除磷效果造成不利影响，TP去除率在50%以下。 当NH4+-N去除率50%，且进水COD超过60mg/L时，进入厌氧区的硝酸盐浓度持续低于2.0mg/L，系统的生物除磷能力逐渐加强； 当进水COD持续在100mg/L以上时，出水TP可在1.0mg/L以下。虽然进入厌氧区的NO3?-N对除磷有不利影响，但系统的除磷功能不会丧失殆尽，但是降雨引起的进水COD急剧下降能导致系统除磷功能完全丧失 3.4 结论4 低碳高氮磷城市污水，因碳源不足，采用AAO模式时，一旦出水NH4+-N和TN满足《城镇污水处理厂污染物排放标准》(GB 18918-2002)中的一级B标准，出水TP不达标。 建议采用生物脱氮法保证出水氮达标，投加混凝剂保证出水磷达标。 3、中试运行小结 3.5 结论5 四、交互式反应器中运行研究  交互式反应器系统AAO运行模式下，降雨季节，进水COD较低， SVI基本50mL/g，MLVSS/MLSS降雨频繁时有下降的趋势，在0.25~0.4 雨水较少时，SVI和MLVSS/MLSS均有升高的趋势， SVI在50~90mL/g，MLVSS/MLSS在0.4~0.5之间。 3.6 结论6 增加抗冲击负荷能力措施： ①增大混合液回流比； ②加大系统进水流量； ③维持反应器系统MLVSS在1000mg/L以上； ④投加混凝剂。 当进水COD平均值小于70mg/L，为提高系统抗冲击负荷的能力，保证出水氨氮达标，可将HRT缩短为4h，以增加污泥的有机负荷，减缓污泥的内源呼吸过程，维持系统MLVSS在1000mg/L以上。 考虑到低碳高氮磷城市污水的脱氮和抗冲击负荷能力，系统的混合液回流比宜在1~2之间，污泥回流比宜在0.5~1.0之间。 1、BP神经网络技术 1.1 特点 五、交互式反应器BP神经网络模型研究  (1)高度的并行性； (2)高度的非线性全局作用； (3)良好的容错性与联想记忆功能； (4)强大的自适应、自学习功能。 1.2 设计 (1)网络的层数（输入层、隐含层、输出层）； (2)隐含层的神经元数量； (3)传递函数（Sigmoid) 2、交互式反应器BP神经网络模型 2.1 双隐含层MIMO 五、交互式反应器BP神经网络模型研究  2.2 双隐含层MISO (1)记忆能力强； (2)自学能力和抗干扰能力差； (3)训练时间长 (4)模拟结果较差 (1)记忆能力强； (2) 预测能力差 (3)自学能力和抗干扰能力差； (4)训练时间长 2.3 单隐含层MISO (1)预测表现稳定； (2) 预测能力强； (3)训练速度快； (4)神经元数量以10个为宜 3、BP神经网络模型模拟结果 3.1 出水NH3-N预测 五、交互式反应器BP神经网络模型研究  3.2 出水TN预测 A:输入进水：COD、SS、NH3-N、NO3-N B:输入进水：COD、SS、NH3-N、TN (1)二组相关系数基本一样 (2)A组预测性优于B组 A:输入进水：COD、SS、NH3-N、TP B:输入进水：COD、SS、TN、TP (1)二组相关系数基本一样 (2)A组预测数据、训练数据均优于B组 3.3 出水NO2-N预测 A:输入进水：COD、NO3-N、NO2-N、NH3-N B:输入进水： COD、NO3-N、NO2-N、TN (1)二组训练误差接近 (2)A组预测数据误差优于B组 3、BP神经网络模型模拟结果 3.4 出水NO3-N预测 五、交互式反应器BP神经网络模型研究  A:输入进水：COD、NO3-N 、NO2-N、NH3-N B:输入进水：COD、 NO3-N 、NO2-N、 TN (1)预测误差接近，A组训练误差小 (2)二组误差均较大 C：输入进水：COD、NO3-N 、NO2-N、NH3-N、TN 隐含层神经元个数由10增加为12 (3) 误差依然较大：原始数据变化幅度大；进水NO3-N 较小时，对网络性能影响大；数据量和数据精度有限 3.5 出水TP预测 A:输入进水：COD、SS、TP、NH3-N B:输入进水： COD、SS、TP、TN (1)二组训练误差接近 (2)B组预测数据误差优于A组,但二组预测误差均较大 (3)进水中TP浓度低；测量误差致出水TP大于进水；数据规律性差 1、ANFIS网络模型 1.1 特点 六、交互式反应器ANFIS仿真模型研究  (1)很好的