第一作者：Kaili Li
通讯作者：Liu Ye
DOI：https://doi.org/10.1021/acs.est.1c05020
文字摘要：数学建模在减少废水处理厂（WWTPs）排放一氧化二氮（N2O）方面发挥了关键作用。该项工作中提出了一种新颖的混合建模方法，通过将首要原则模型与深度学习技术相结合来预测N2O排放。该混合模型已在全尺度废水处理厂成功实施并得到验证。与纯机理模型或纯深度学习模型相比，这种混合模型在WWTP的N2O排放建模中展示出更高的准确性。同样重要的是，由于数据要求较低，混合模型比纯深度学习模型更具可应用性；而与纯机理模型相比，则是因为校准要求更低。这种优越的性能归因于所提模型的混合特性。它将关键的废水处理知识作为首要成分，并通过数据驱动的深度学习方法整合了较不被理解的N2O产生过程。开发的混合模型在不同情况下也成功预测了N2O通量，显示出该模型的普适性。混合模型还展示了在N2O减排工作中的巨大潜力。尽管如此，混合模型评估N2O减排策略的能力仍需通过实验验证。超越WWTP中的N2O建模，这种新颖的混合化建模概念也有可能应用于其他环境系统。
图片摘要：
一氧化二氮（N2O）是废水处理中释放的一种强效温室气体，全球变暖潜力为CO2的265倍。N2O排放占废水处理厂运营碳足迹的83%，因此减少其排放已成为应对快速气候变化的重要任务。在这方面，数学模型已被认为是评估N2O减排策略及其对废水处理效率的有效工具。
首要原则模型基于经典活性污泥模型开发，涵盖单一路径到多路径N2O生成机制。这些模型对于预测不同废水处理系统中N2O十分关键，但N2O的产生机制复杂且难以准确捕捉。模型中的N2O排放受物理液-气传质过程控制，而多变的假设条件增加了模型的不确定性。近年来，深度学习的应用日益增多，特别是在城市水管理领域，如故障检测和废水处理过程变量预测。这种技术通过从大量数据中提取高级特征来避免复杂的机制，但其应用通常受限于数据的可用性和动态生化反应的复杂性。
因此，该研究提出了一种新颖的混合建模方法，结合了机理和深度学习模型的优势，克服了数据限制和缺乏关键特征的挑战。该方法成功预测了全尺寸推流式活性污泥厂的气态N2O排放量，并显示出不同情况下的适用性和减排潜力。
收集的数据如下：
进水特征，包括铵 (NH4--N)、亚硝酸盐 (NO2--N)、硝酸盐 (NO3--N)、COD和DO浓度 总废水和空气流量 为期23天的位置3和4的气态N2O浓度、空气流量和温度 为期2天的密集采样过程中位置1-6的液相N2O、NH4+-N、NO2--N、NO3--N、DO`和 COD 浓度
仅考虑硝化和反硝化过程中主要氮形态的转化，N2O的产生并未包含在内 铵在硝化过程直接氧化为亚硝酸盐，而不考虑羟胺作为中间体 反硝化过程被视为硝酸盐到亚硝酸盐，然后到氮气的两步过程 除了异养生物的缺氧生长外，反应模型还包括其有氧生长
深度学习模型
该研究开发了两种不同的深度学习模型来比较它们的性能，即传统的长短期记忆 (LSTM) 和强化学习的teacher-forcing LSTM（图1）。这项工作中，传统LSTM 的两个隐藏层分别使用了 128 个和 64 个隐藏神经元。所有隐藏层均包含 ReLu 激活函数用于处理非线性信息。超参数调整后选择 0.1 的 dropout 率和 0.001 的学习率。teacher-forcing LSTM 是编码器-解码器结构：
编码器和解码器分别由3层和1层的LSTM组成，每层隐藏神经元64个 编码器和解码器后分别使用有16个和8个隐藏神经元的两个全连接DENSE层
传统LSTM和teacher-forcing LSTM的N2O预测性能比较
红色矩形表明两种模型结构之间存在明显的性能差异。从数量上讲，teacher-forcing LSTM 的 MSE 优于传统 LSTM，分别为 0.0545 和 0.0596。MSE 下降 9.4% 。
集成第一原理和深度学习方法的混合模型
将深度学习方法与基于知识的首要原则模型（ASM）相结合，构建了混合模型，如图1所示。基于知识的ASM模型模拟了推流反应器中发生的生化反应及其污染物浓度变化，基于数据的深度学习方法使用这些数据直接预测N2O的产生。
图 4. 图形表示：（a）混合模型结果与（b）基于ASM白盒模型结果。（c）teacher-forcing LSTM黑盒模型与混合模型的比较以及（d）白盒模型与混合模型的比较。
模型适用性评估
点击“原文链接”，查看论文
声明：本公众号分享的前沿学术成果来源于各学术网站，不依法享有其所有权。若原作者发现本次分享中的文字及图片涉及侵权，请立刻联系公众号后台或发送邮件，我们将及时修改或删除！
邮箱：environmodel@sina.com
若您认为有用，欢迎
将Environmodel设为星标，或
点击“在看”或“分享”给他人
