如何增强污水处理厂设计方案合理性：机理模型的应用

Q
先进设计工具和理念如何提升设计效率
A
以建模工具为例，我们在做一个模型分析的时候会做很多文件，针对不同情景进行分析，希望达到的目的是让情景尽量覆盖到污水处理厂所有可能会遇到的边界情况。很多人会有一个疑问，既然我们其中一项重要工作是要建立这么多的文件，能不能把要做的范围都放进去，让模型自己计算呢？其实并不是这样。对于熟悉建模工具的人来讲，设置一个文件速度很快，但是理解调研模型产出以及客户所提供的数据和工艺是要花更多时间的。我在做这项工作时，并不是机械地设置一个范围，然后按照这个范围每隔一个区间取一个数、算一个值，再一起做比较。而是在每一次计算获得结果之后，结合前面所有的结果，整体判断下一步应该去真正考虑的极限条件在哪里。在这个过程中，真正使用模型进行设置和计算的时间非常短。模型是一个工具，它像一个框架，带着我们的思路，让思路更加有逻辑性，也让我们的认识逐渐深入。在建模过程中，70%的时间是用在数据上面的，在经历了建模的整个过程之后，我们可能还会对工艺产生更多的疑问，想要去了解它，这时候就需要去阅读更多的书籍、资料和文献。模型或者工具的作用是把现有的知识体系进行了整合，让实现计算和看到结果的过程大大缩短，并且让我们有能力去看到不同情景下以及动态运算的结果。在这里面节省出来的时间，我们可以更多地用在对数据的理解、对知识的认知、对自己逻辑框架的建立上面。

Q
模型参数的灵敏度分析以及模型校准的方法
A
大家经常提到的一个事情就是参数的灵敏度分析，我本人在最开始建模的时候用过MATLAB以及AQUASIM自己写模型，这种情况下肯定是要有灵敏度分析的。对于一个成熟的商业模型来讲，如果以学习和加深认识的目的去做灵敏度分析也是可以的。但是在实际工作中，我认为这可能反而是一种误区。
对于机理模型来讲，需要去调整的核心参数是非常明确的。例如建立一个模型，需要输入四组数据，第一是流程和尺寸、第二是进水的水量水质、第三是运行参数、第四是组分。如果是市政污水处理厂的模拟，大部分是不需要去改变任何动力学参数的，需要改变的是通过其它实验获得更多的信息来把进水组分更加准确地确定下来。我们到污水处理厂实际去考察，有可能会发现运营人员提供的一些运行参数和实际情况是不一致的，这其实是理解的问题。曾经有个我们参与的项目，是多点进水的污水处理厂，工作人员提供的进水分配与我计算得出的数据差异较大，我们补充监测了多点进水不同的流量，测出来的结果是和我们的计算值一致的。当我们看到模型不匹配的时候，第一反应不是要去随便调整里面的参数，而是要了解污水厂到底是怎么运行的，这些运行参数设置的合不合理，再通过实验更加细致的搞清楚进水组分比例。
哪些情况是需要调整动力学参数的呢？一是来水有明显的工业进水，可能会需要比较频繁调整硝化菌的反应速率，当进水受到比较多工业水影响的时候，硝化菌速率是很有可能受到影响的。二是当污水厂是在一种低溶氧的情况运行时，生物动力学是有区别的，在这种情况下，一方面是要通过实验来确认一些数据，另外可以去调整相应的一些参数，比如普通异养菌的生长速率以及溶解氧的半饱和系数等参数，从细枝末节的参数开始，而不是上来就把核心参数，比如计量学参数里面的微生物产率改变。我见到很多论文，在进行灵敏度分析之后，发现模型对这些参数很灵敏，于是就改变这些参数。当你把机理模型中机理的部分改变了之后，模型整体的预测性就下降了，它影响的是整个矩阵的机理性。

Q
工艺模拟软件在工业污水中如何应用
A
以BioWin为例，它是有专门针对工业污水的一些特征污染物的。工业污水的一个特点是其中的物质多种多样，如果对污染物进行一对一的检测，实验成本很高，不具备日常实操的可行性，而且由于混合效应，能够把污染物测准、把混合后的影响效果判定清晰也是非常困难的事情。因此还是要回到框架性的模拟方式，对进水组分去进行调整，当然这个组分可能和市政污水非常不一样。再有就是工业污水的动力学参数，不论是硝化菌还是普通异养菌，都可能会有很大区别。我们在实际工业污水的案例中还发现，由于工业污水处理厂的运行方式不同，可能在计量学参数上也会发生改变；这时需要非常谨慎，一定要通过实际的数据和长期的验证来确定这些参数确实需要改变。国内在工业污水模拟的研究在逐渐增加，我们应该借助好模型工具，更加深入去认识和研究。

Q
温室气体排放的模拟功能如何实现
A
温室气体主要涉及到二氧化碳，甲烷和氧化亚氮。BioWin从2012年的4.1版本就具备了这三类气体在生化处理过程中的计算，现在相关的模型更是得到了进一步的扩展，把国际水协IWA温室气体专题报告中依据性较强的模型都囊括了进来。以氧化亚氮（N2O）为例，模型可以计算在不同的生长环境，比如厌氧、缺氧、好氧，或者是厌氧消化反应器在这些环境下，生化反应是如何受到环境影响进而造成微生物产生温室气体排放的。由此可以看出，模型计算不是纯宏观或表观地评估，而是把相应的模型扩展，在模拟中能够呈现出这些反应的效果。
模型计算的结果，可以在软件工具中通过一些图表来展示。现有标准下，温室气体排放的评估还是从行业、项目整体的宏观性评估更多一些，还没有深入到每一个工艺、每一个过程的细节性计算上；但理论性、技术性的研究是应该走在前面的；现有的模型可以帮助我们计算每一个区域的液体、气体中具体产生了多少排放。有了细致化的计算之后，当需求和应用变得越来越精细化的时候，监测的手段和要求也提升了的时候，就能够让我们在实践中更加细致地去评估。

Q
机理模型和数据驱动模型如何结合
A
机理模型和数据驱动模型有很多结合方式，它们是互为补充的。数据驱动模型可以弥补监测上面的不足，可以对数据的频率进行补差。机理模型要求输入与现实是相符的，当收集的数据质量有问题的时候，可以用数据驱动模型对机理模型的预测结果进行调整。在谈模型结合的时候，首先要思考的是我们的应用目标是什么，如果目的是为了诊断，单独使用机理模型即可，当预测结果和现实测量的结果发生偏差的时候，恰恰就提示我们去关注监测或者运行出了什么问题。数据驱动模型不具备机理的解释性，它追求的就是拟合度，可以想象，当模型计算结果可以很好地预测接下来的情况时，对前馈控制会有很大帮助。机理模型强调的是对整个工艺有全局性的理解，而数据驱动模型的有效场景往往是局部。假如两个模型得到有机的结合，可以帮助运行人员对工艺获得全局理解和优化，再到更有效的控制；实践中，这也必然是一个跨领域的协作。在模型结合应用的时候，相应的监测设备的使用和维护也是非常重要的。工程项目如果要真正的实现节能降耗，一定需要长期的维护投入、知识理念和技术更新。从业者应当通过系统性的学习，真实的理解这些技术，才能够更好的去结合。