《Aquacultural Engineering》:Experimental Investigation and ANN-Based Modeling of COD Removal from Real Aquaculture Wastewater
编辑推荐:
本研究利用本土微藻共生体处理真实鱼类养殖废水,通过光谱转换(白光、红光、蓝光)和强度优化,结合人工神经网络模型(ANN)预测COD去除效率,在最优条件下实现约90%的COD去除率(从830 mg/L降至120 mg/L),为可持续废水处理提供创新框架。
Leila Nedaei | Hanieh Shokrkar | Reza Alizadeh
伊朗大不里士萨汉德理工大学化学工程学院生物技术研究中心
摘要
富含营养的水产养殖废水由于其高有机负荷,对水生生态系统构成了重大威胁。在本研究中,我们在实际鱼场废水中培养了一种本地微藻联合体,并在不同的光照条件下进行了实验(三种光谱:白色、红色和蓝色;四种光照强度;以及一种荧光光谱转换剂Basic Red 1)。结果表明,150 μmol photons m?2 s?1的白色光与Basic Red 1的组合实现了最高的COD去除效率,将COD从830 mg L?1降低到了120 mg L?1(去除率约为90%)。首次采用了一种具有11个隐藏神经元的三层人工神经网络(ANN),并通过Levenberg–Marquardt算法进行了优化,用于模拟COD去除动态。该ANN具有较高的预测准确性(R2 ≈ 0.99951,MSE ≈ 0.0002),敏感性分析显示光谱和培养基类型是最具影响力的参数。实验数据与人工神经网络预测结果之间的高度一致性证实了该模型的稳健性。总体而言,本研究建立了一种创新且可持续的方法,利用本地混合藻类文化从实际水产养殖废水中去除COD,同时为工艺优化和未来规模化提供了可靠的建模工具。
引言
水产养殖已成为全球增长最快的行业之一,在满足快速增长的人口对动物蛋白的需求方面发挥着关键作用。然而,这一行业的迅速扩张产生了大量富含营养的废水。将这些废水排放到水生环境中可能会对生态系统产生严重影响。这些废水中通常含有高浓度的有机和无机化合物,包括化学需氧量(COD)、氮和磷,这可能导致富营养化、氧气耗尽、鱼类死亡以及长期的生态失衡(Nedaei & Shokrkar 2025a)。因此,开发高效、可持续且经济可行的水产养殖废水处理策略以减少COD至关重要,因为水质控制不仅对鱼类健康至关重要,也对环境可持续性具有重要意义。
传统的COD去除方法包括化学方法(如氯化法和高级氧化法)、物理过程(曝气和脱气)以及生物处理(细菌硝化-反硝化作用)(Nedaei & Shokrkar 2025b)。虽然这些方法在实验室条件下表现良好,但在工业规模上存在显著局限性,包括高昂的运营成本、能源消耗和技术复杂性。在这种情况下,微藻作为一种环保且可持续的替代方案受到了广泛关注。微藻可以同时去除COD和其他营养化合物,并产生有价值的生物质,这些生物质可以转化为生物燃料、蛋白质、营养保健品和其他高价值产品(Nedaei & Shokrkar 2023, Nedaei et al., 2024)。
许多微藻种类,包括Chlorella vulgaris、Tetradesmus obliquus、Nannochloropsis属物种和Spirulina platensis,已被研究用于处理合成废水和生成生物活性代谢物(Nedaei et al., 2015)。例如,Delavari Amrei等人(2023)报告称,在富含Basic Red 1的BG-11培养基中,Chlorella vulgaris的生物量有所增加;然而,他们的研究并未提供关于污染物去除效率或细胞内代谢物合成的证据(Amrei et al., 2025)。类似地,Seo等人(2015)发现Nannochloropsis gaditana在R-101的作用下脂质产量有所提高,但实验仅限于受控的无菌实验室条件,从而限制了其环境相关性(Seo et al., 2025)。Park等人(2018)记录了Spirulina platensis在红光照射下的脂质和蛋白质产量增加,但他们的研究中既没有使用实际废水,也没有使用荧光光谱转换剂(Park et al., 2025)。在另一项研究中,Marcilhac等人(2014)在厌氧消化条件下测试红光和白光时,仅实现了中等的COD降低效果和有限的藻类生长(Marcilhac et al., 2025)。
与以往主要在受控实验室条件下使用合成培养基培养单一藻株的罗丹明辅助研究不同,本研究建立了一个更广泛且面向应用的框架。在本研究中,本地混合藻类联合体直接在实际鱼场废水中培养,从而反映了真实的环境复杂性和操作变异性。此外,系统地评估了一种光谱转换剂(Basic Red 1,商业上称为Rhodamine 6G)在三种光谱(白色、红色和蓝色)和四种光照强度(200、150、100和50 μmol photons m?2 s?1)下的效果,采用了一种综合实验设计。这种综合配置为在实际操作条件下同时评估COD去除效率和藻类生长动态提供了平台。
此外,引入了一种新的光学设置以提高光谱准确性和重复性:培养瓶外部进行了包裹以减少光散射,光源位于中心位置,荧光溶液放置在灯和培养基之间。这种配置确保了可控的光照分布,减少了外部干扰,并实现了有针对性的光谱转换,从而提高了微藻的性能。除了实验设计外,还使用基于实际废水数据训练的人工神经网络对COD去除动态进行了建模。本地联合体、实际废水、系统的光谱-强度评估、优化的光学配置以及基于ANN的预测共同使本研究区别于早期的罗丹明辅助微藻系统,为水产养殖废水处理提供了一个可扩展且具有环境相关性的框架。
研究片段
微藻培养
在本研究中,混合和本地微藻种群来自两个自然来源:伊朗东阿塞拜疆省萨拉布市的一个名为El-Goli的池塘和从一个鱼场收集的水产养殖废水。与基于单一种类的研究不同,这些自然适应的联合体直接用于评估它们在实际废水处理和生物质增强方面的性能。
每次实验都在一个一升的Erlenmeyer烧瓶中进行,其中含有800毫升预处理的废水。
反向传播算法的选择
为了确定最合适的BP算法,在相同的网络条件下测试了十一种变体:一个三层ANN,隐藏层使用切线Sigmoid激活函数,输出层使用线性传递函数,以及十个隐藏神经元。在测试的算法中,Levenberg–Marquardt方法表现最佳,产生了最低的均方误差(MSE)(表2)。
基准分析显示,一些训练算法表现出
结论
本研究证明,将本地微藻联合体与优化的光照制度和光谱转换剂相结合可以显著提高实际鱼场废水处理的效率。与许多依赖合成培养基和单一种类的先前研究不同,本研究使用了实际废水和多样化的藻类群落,在最佳条件下实现了超过90%的COD去除率,将浓度从830 mg L?1降低到了120 mg L?1。此外,
未引用的参考文献
([4], [13], [16], [21])
CRediT作者贡献声明
Hanieh Shokrkar:撰写 – 审稿与编辑、监督、方法论、数据管理、概念化。Leila Nedaei:撰写 – 原稿撰写、软件开发、方法论、研究、数据分析。Reza Alizadeh:监督。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。