Математична модель та чисельне дослідження процесу біологічного очищення стічних вод за умов нерівномірного навантаження системи очистки

А.П. Cафоник, д-р техн. наук, О.В. Рогов, аспірант, М.М. Трохимчук, аспірант
Національний університет водного господарства та природокористування
Україна, 33028, м. Рівне, вул. Соборна 11
тел. (0362) 633209, е-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.; Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2023, 45(2):03-15

https://doi.org/10.15407/emodel.45.02.003

АНОТАЦІЯ

Розроблено математичну модель процесу біологічного очищення стічних вод, в основу якої покладено зміну концентрації органічних забруднень в біореакторі з часом; зміну концентрації активного мулу в біореакторі з часом; зміну концентрації активного мулу в реакторі з часом із врахуванням нерівномірності надходження стічних вод на очисні споруди; процес потрапляння до біоректора субстрату (можливе потрапляння різної кіль­кості в різні моменти часу). Здійснено програмну реалізацію запропонованого алгоритму розв’язку відповідної модельної задачі мовою Python. Наведено результати комп’ютерних експериментів із дослідження ефективності очищення стічних вод у реакторах біологічного очищення для різних умов експлуатації споруд. Отримані результати можна використовувати при проєктуванні споруд біологічного очищення або при реконструкції наявних біореакторів для їх перспективної роботи в нових умовах експлуатації.

КЛЮЧОВІ СЛОВА:

математична модель, біологічна очистка стічних вод, умови нерівномірності.

СПИСОК ЛІТЕРАТУРИ

1. Yun Y., Lee E., Kim K., Han J. Sulfate reducing bacteria-based wastewater treatment system integrated with sulfi de fuel cell for simultaneous wastewater treatment and electricity generation // Chemosphere, 2019, 233, рр. 570—578. DOI: https://doi.org/10.1016/j.chemosphere. 05.206.
2. Ghangrekar M.M., Shinde V.B. Performance of membrane-less microbial fuel cell treating wastewater and effect of electrode distance and area on electricity production // Bioresource Technology, 2007, 97, рр. 2879–2885. DOI: https://doi.org/10.1016/j.biortech.2006.09.050
3. Seung Hyuk Baek, Seok Ku Jeon, Krishna Pagilla. Mathematical modeling of aerobic membrane bioreactor (MBR) using activated sludge model no. 1 (ASM1) // Journal of Industrial and Engineering Chemistry, 2009, 15(6), pp. 835—840. DOI: https://doi.org/ 1016/j.jiec.2009.09.009.
4. Gladys Jiménez-García, Rafael Maya-Yescas. Chapter Two - Mathematical modeling of mass transport in partitioning bioreactors // Advances in Chemical Engineering, 2019, 54, pp. 53—74. DOI: https://doi.org/10.1016/bs.ache.2019.01.001.
5. Hong-Gui Han, Chen-Xuan Sun, Xiao-Long Wu et al. Dynamic–static model for monitoring wastewater treatment processes // Control Engineering Practice, 2023, 132, pp. 105—424. DOI: https://doi.org/10.1016/j.conengprac.2022.105424.
6. Peng Chang, Xun Bao, FanChao Meng, RuiWei Lu. Multi-objective Pigeon-inspired Optimized feature enhancement soft-sensing model of Wastewater Treatment Process // Expert Systems with Applications, 2023, 215, pp. 119—193. DOI: https://doi.org/10.1016/j.eswa. 2022.119193
7. Pezhman Kazemi, Christophe Bengoa, Jean-Philippe Steyer, Jaume Giralt. Data-driven techniques for fault detection in anaerobic digestion process // Process Safety and Environmental Protection, 2021, 146, pp. 905—915. DOI: https://doi.org/10.1016/j.psep.2020.12.016.
8. Hongjun Xiao, Daoping Huang, Yongping Pan et al. Fault diagnosis and prognosis of wastewater processes with incomplete data by the auto-associative neural networks and ARMA model // Chemometrics and Intelligent Laboratory Systems, 2017, 161, 2017, pp. 96—107. DOI: https://doi.org/10.1016/j.chemolab.2016.12.009.
9. Laurent Lardon, Ana Punal, Jean-Philippe Steyer On-line diagnosis and uncertainty management using evidence theory––experimental illustration to anaerobic digestion processes // Journal of Process Control, 2004, 14(7), pp. 747—763. DOI: https://doi.org/10.1016/ j.jprocont.2003.12.007.
10. Sánchez-Fernández A., Baldán F.J., Sainz-Palmero G.I. et al. Fault detection based on time series modeling and multivariate statistical process control // Chemometrics and Intelligent Laboratory Systems, 2018, 182, pp. 57—69. DOI: https://doi.org/10.1016/j.chemolab. 2018.08.003.
11. Doris Brockmann, Yves Gérand, Chul Park et al. Wastewater treatment using oxygenic photogranule-based process has lower environmental impact than conventional activated sludge process // Bioresource Technology, 2021, 319, pp. 124—204. DOI: https://doi.org/ 1016/j.biortech.2020.124204.
12. Safonyk A., Zhukovskyy V., Burduk A. Modeling of biological wastewater treatment process taking into account reverse effect of concentration on diffusion coefficient // Conference Paper 10th International Conference on Advanced Computer Information Technologies (ACIT2020), 2020, pp. 29—35. DOI: 10.1109/ACIT49673.2020.9208814.
13. Safonyk A., Bomba A., Tarhonii I. Modeling and automation of the electrocoagulation process in water treatment // Advances in Intelligent Systems and Computing, 2019, 871, pp. 451—463. DOI: https://doi.org/10.1007/978-3-030-01069-0_32.
14. Safonyk A., Martynov S., Kunуtskіy S. Modeling of the contact removal of iron from groundwater // International Journal of Pure and Applied Mathematics, 2019, 32, pp. 71—82. DOI: https://doi.org/10.12732/ijam.v32i1.7.

Повний текст: PDF