Modelando o desempenho de um fixo integrado

Scientific Reports volume 12, Número do artigo: 9416 (2022) Cite este artigo

879 Acessos

1 Citações

1 Altmétrica

Detalhes das métricas

Os sistemas IFAS são inerentemente complexos devido ao uso híbrido de colônias bacterianas suspensas e aderidas para fins de degradação de poluentes como parte do tratamento de águas residuais. Isso apresenta desafios ao tentar representar esses sistemas matematicamente devido ao grande número de parâmetros envolvidos. Além de tornar-se complicado, grande esforço será incorrido durante a calibração do modelo. Este artigo demonstra uma abordagem sistemática para calibração de um modelo de processo IFAS que incorpora duas análises de sensibilidade para identificar parâmetros influentes e detectar colinearidade de um subconjunto de 68 parâmetros cinéticos e estequiométricos, e o uso do algoritmo de otimização Nelder-Mead para estimar os valores necessários desses parâmetros. O modelo considera a remoção de três poluentes críticos, incluindo a demanda bioquímica de oxigênio (DBO), nitrogênio total (TN) e sólidos suspensos totais (TSS). Os resultados das análises de sensibilidade identificaram quatro parâmetros que foram a principal influência no modelo. O modelo foi considerado mais sensível aos dois parâmetros estequiométricos, incluindo rendimento heterotrófico aeróbico em substrato solúvel, cujos efeitos totais foram responsáveis ​​por 92,4% da sensibilidade de saída do modelo BOD e 92,8% da sensibilidade de saída do modelo TSS. Observou-se que o rendimento heterotrófico anóxico em substrato solúvel foi responsável por 54,3% da sensibilidade de saída TN do modelo. Em menor grau, os dois parâmetros cinéticos, taxa de decaimento heterotrófico aeróbico e fator de redução para desnitrificação em nitrito, foram responsáveis ​​por apenas 8,0% e 13,1% das sensibilidades de saída BOD e TN do modelo, respectivamente. A estimativa do parâmetro identificou a necessidade de apenas pequenos ajustes nos valores padrão para obter precisão suficiente da simulação com desvio dos dados observados de apenas ± 3,6 mg/L, ± 1,3 mg/L e ± 9,5 mg/L para BOD, TN e TS respectivamente. A validação mostrou que o modelo era limitado em sua capacidade de prever o comportamento do sistema sob estresse extremo de oxigênio dissolvido.

Modelos de processos computacionais de estações de tratamento de águas residuais (ETE) têm sido utilizados há muito tempo pelos benefícios que oferecem1. Esses benefícios podem incluir a investigação de projetos alternativos e cenários operacionais em busca de maior eficiência ou desempenho, ou para obter informações sobre o comportamento do sistema em cenários circunstanciais2. Por meio da modelagem, a alta demanda de tais investigações em tempo e recursos que seriam acumulados com a experimentação física pode ser superada com relativa facilidade sem comprometer a confiança nos resultados. Por exemplo, um modelo pode permitir que um engenheiro de processo identifique o tamanho do tanque anóxico necessário para permitir desnitrificação suficiente em um sistema sem construir muitos tanques anóxicos de tamanhos diferentes.

Embora modelos complexos possam fornecer insights para o sistema simulado que, de outra forma, seriam obscurecidos por modelos simplificados, isso só é válido se o sistema físico for representado com precisão. A calibração de modelos biológicos de ETEs é normalmente a fase mais exigente do desenvolvimento de modelos em termos de tempo, esforço e recursos financeiros necessários para coletar os dados necessários2,3,4,5. De fato, vários protocolos como BIOMATH, STOWA, WERF e HSG foram desenvolvidos para orientar a calibração de modelos de lodo ativado (AS)6,7,8,9,10. Embora cada uma dessas abordagens ofereça diferenças distintas, elas compartilham demandas comuns por grandes quantidades de dados que devem ser obtidas por meio de pesquisa no local, amostragem intensiva e testes respirométricos/titrimétricos em lote que exigem muito dos recursos (consulte 3 para uma revisão crítica) .

Como modelos ambientais, os modelos de processo de tratamento biológico de águas residuais (WWT) são inerentemente complexos. Por sua própria natureza, eles são altamente dimensionais e não lineares devido à vasta gama de cinética e estequiometria que estão incluídos. Por exemplo, mesmo o popular Modelo de Lodo Ativado (ASM) em sua forma mais antiga consistia em cinco parâmetros estequiométricos para descrever as reações bioquímicas, 14 parâmetros cinéticos e 13 equações diferenciais1. Não é surpresa, portanto, que os modelos WWT se tornem superparametrizados em relação a determinadas observações quando esses modelos são desenvolvidos para fornecer uma representação mais detalhada dos processos subjacentes ou para modelar tecnologias emergentes e contaminantes11,12,13,14.