Biologisch 2,4,6

Wissenschaftliche Berichte Band 13, Artikelnummer: 9053 (2023) Diesen Artikel zitieren

88 Zugriffe

Details zu den Metriken

Die Belastung durch stickstoffhaltige Schadstoffe wie 2,4,6-Trinitrotoluol (TNT), die von der Munitions- und Militärindustrie in die Umwelt abgegeben werden, sowie durch TNT-kontaminiertes Abwasser können schwerwiegende Gesundheitsprobleme zur Folge haben. Die TNT-Entfernung durch Belebtschlamm mit erweiterter Belüftung (EAAS) wurde in der aktuellen Studie mithilfe künstlicher neuronaler Netzwerkmodellierung optimiert. Um die beste Entfernungseffizienz zu erreichen, wurden in dieser Studie 500 mg/L chemischer Sauerstoffbedarf (CSB), 4 und 6 Stunden hydraulische Verweilzeit (HRT) und 1–30 mg/L TNT verwendet. Die Kinetik der TNT-Entfernung durch das EAAS-System wurde durch die Berechnung der kinetischen Koeffizienten K, Ks, Kd, max, MLSS, MLVSS, F/M und SVI beschrieben. Zur Optimierung der durch TNT-Eliminierung gewonnenen Daten wurden ein adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS) und genetische Algorithmen (GA) verwendet. Zur Analyse und Interpretation der gegebenen Daten wurde der ANFIS-Ansatz verwendet, dessen Genauigkeit bei etwa 97,93 % lag. Die effektivste Entfernungseffizienz wurde mit der GA-Methode ermittelt. Unter idealen Bedingungen (10 mg/L TNT-Konzentration und 6 Stunden) betrug die Wirksamkeit der TNT-Entfernung des EAAS-Systems 84,25 %. Unsere Ergebnisse zeigten, dass die auf dem künstlichen neuronalen Netzwerksystem (ANFIS) basierende EAAS-Optimierung die Wirksamkeit der TNT-Entfernung verbessern könnte. Darüber hinaus kann behauptet werden, dass das verbesserte EAAS-System im Vergleich zu früheren Experimenten in der Lage ist, Abwässer mit höheren TNT-Konzentrationen zu extrahieren.

Wasserqualität und Ressourcenknappheit sind zwei Probleme, mit denen die Welt heute aufgrund geografischer, anthropologischer und sozioökonomischer Einflüsse konfrontiert ist1. Dementsprechend gelten eine nachhaltige Rückgewinnung und Wiederverwendung der Abwasserressourcen seit langem als vielversprechende Ansätze zur Überwindung dieser Probleme. Das Vorhandensein einer breiten Palette gefährlicher Verbindungen im Abwasser, darunter Pestizide, polyzyklische aromatische Kohlenwasserstoffe, Polyphenolverbindungen, Öl, Tenside und Nitroaromaten, hat es jedoch schwieriger gemacht, Strategien mit der gewünschten Effizienz zur Entfernung dieser Schadstoffe zu entwickeln2,3. Im Hinblick auf viele organische und anorganische Verbindungen in häuslichen und industriellen Abwässern wurden verschiedene biologische und chemische Abwasserbehandlungsverfahren angewendet, um die Schadstoffentfernung aus Abwässern zu bewältigen4,5,6,7,8.

Unter den oben genannten Schadstoffen gelten nitroaromatische Verbindungen (NAC) als eine der Hauptquellen für die Verunreinigung von Abwasserressourcen, die bei unsachgemäßer Beseitigung zu ernsthaften Problemen führen können9. Diese Verbindungen sind eine besondere Klasse aromatischer Moleküle mit mindestens einer Nitrogruppe (–NO2) an ihrem Benzolring. Es wurde gezeigt, dass NACs in der Umwelt weit verbreitet sind10, und 1,3,5-Trinitrobenzol (TNB), 2,4,6-Trinitrotoluol (TNT), Trinitrophenol, Tetrylnitramin und Hexanitrobenzol gehören zu den bekannten NACs1 .

TNT (2,4,6-Trinitrotoluol) ist eine multifunktionale aromatische Substanz, die in einer Vielzahl von Bereichen eingesetzt wird, darunter Arzneimittel, Insektizide, Fungizide, Herbizide, Polyurethanschäume und Farbstoffe. Darüber hinaus gehört es zu den traditionellsten Sprengstoffen, die noch immer im Bergbau verwendet werden11. Der TNT-Produktionsprozess umfasst mehrere Schritte, bei denen Abfallstoffe entstehen, die schließlich in die Umgebung gelangen und möglicherweise Wasserressourcen und Boden kontaminieren könnten. Mononitrotoluol (MNT), Dinitrotoluol (DNT), Sulfate, Dinitrotoluolsulfonat (DNTS) und verschiedene andere Nitrobenzole (NB) sind ebenfalls die wichtigsten Derivate von TNT mit potenziellen Gesundheitsrisiken. Es ist bekannt, dass in TNT-kontaminiertem Abwasser unterschiedliche Mengen dieser stickstoffhaltigen Substanzen vorhanden sind und für die Verfärbung verantwortlich sind (z. B. orangefarbenes Wasser, rotes Wasser, gelbes Wasser usw.)9. Es wurde auch über TNT-verschmutztes Abwasser mit einem hohen chemischen Sauerstoffbedarf (CSB) berichtet, der zwischen 600 und 6000 mg/l schwankt12. Dementsprechend hat sich gezeigt, dass das Vorhandensein von TNT und anderen verwandten aromatischen Chemikalien im Abwasser die regionale Ökologie massiv beeinträchtigt. Basierend auf den Richtlinien der Environmental Protection Agency (EPA) sollte die maximale Konzentration von TNT in Wasser und Boden 2 µg/L bzw. 17,2 mg/L nicht überschreiten13,14. Andere haben auch gezeigt, dass das Vorhandensein weiterer Nitrobenzolderivate – MNT, DNT, Sulfonate und andere – die Kontaminationsgrade erhöhen könnte11,12,13,14,15. Unter Berücksichtigung dieser Hinweise sollte TNT-kontaminiertes Abwasser ordnungsgemäß behandelt werden, bevor es in Gewässer eingeleitet wird.

Bisher wurden in verschiedenen Aufbereitungsprozessen physikalische, chemische und biologische Strategien eingesetzt, um diesen Abwasserschadstoff zu eliminieren oder zu adsorbieren16. Trotz einiger ihrer Vorteile kann es ihnen an Kosteneffizienz oder Zuverlässigkeit für den Einsatz in großem Maßstab mangeln17. Aber in dieser Situation haben biologische Behandlungsmethoden, die mikrobielle Konsortien einsetzen, große Aufmerksamkeit erhalten, da sie die Fähigkeit haben, TNT zu mineralisieren und harmlose Nebenprodukte (mikrobielle Biomasse, H2 und CO2) zu erzeugen. Aufgrund ihrer Zugänglichkeit, hohen Wirksamkeit und Umweltfreundlichkeit haben biologische Methoden in letzter Zeit großes Interesse bei der Behandlung solcher Abwässer geweckt. Darüber hinaus war ein wirksamer biologischer Abbau dieser Schadstoffe sowohl unter aeroben als auch unter anaeroben Bedingungen möglich18,19.

Die Effizienz des Belebtschlammprozesses wurde durch eine Reihe von Änderungen gesteigert, die in Übereinstimmung mit der Literatur vorgenommen wurden. Belebtschlamm mit erweiterter Belüftung (EAAS) ist unter diesen die am weitesten verbreitete Modifikation des Belebtschlammsystems (AS). Die Verwendung dieser Methode zur Abwasserbehandlung unterliegt jedoch erheblichen Einschränkungen wie hoher Verweilzeit (HRT), geringer aktiver Biomasse usw niedrige organische Laderate. Im Gegensatz dazu erhöhen die hohe Belüftungskapazität dieses Systems und die vollständige Durchmischung des Behälterinhalts die Zuverlässigkeit des Prozesses20. Darüber hinaus zählen ein geringer BSB-Abfluss, ein geringer Restbelebtschlamm und ein geringer Ammoniakaustrag zu den Vorteilen des EAAS. Da die Vorteile des EAAS-Systems häufig seine Nachteile überwiegen, scheint es daher wichtig zu sein, die Bedingungen anzupassen, unter denen die beste Entfernungseffizienz erzielt werden kann21.

Im letzten Jahrzehnt wurden mehrere mathematische Modelle eingeführt, um die Behandlungsprozesse zu optimieren. In diesem Zusammenhang wird künstliche Intelligenz (KI) in großem Umfang zur Datensimulation und zur genauen Optimierung biologischer Prozesse eingesetzt. Zu den am häufigsten verwendeten KI-Ansätzen gehören das adaptive Neuro-Fuzzy-Inferenzsystem (ANFIS), die Fuzzy-Logik, die Support-Vektor-Maschine, der genetische Algorithmus (GA), die Antwortoberflächenmethodik (RSM) und das künstliche neuronale Netzwerk (ANN)22. Das adaptive Neuro-Fuzzy-Inferenzsystem (ANFIS) ist ein moderner und effektiver Ansatz zur Modellierung von Input-Output-Beziehungen in komplexen Systemen23. Bei dieser Methode ist es möglich, aus Trainingsdaten als KNN zu lernen und diese dann auf einem Fuzzy-Inferenzsystem (FIS) zu lösen. Abschließend werden die verborgenen Schichten durch ein FIS im ANFIS-Netzwerk genau identifiziert. Diese Methode eliminiert die wichtige Herausforderung, die verborgenen Schichten im ANN-Modell zu bestimmen und vorherzusagen. Dies kann ein wichtiger Grund für die Verwendung der ANFIS-Methode sein, da dieser Ansatz kein komplexes mathematisches Modell aufweist und eine schnelle und flexible Methode zur Entwicklung von Vorhersagemodellen für biochemische Behandlungsprozesse darstellt24. Ein genetischer Algorithmus (GA) ist ebenfalls eine Forschungsmethode, um genaue oder ungefähre Lösungen für Optimierungsprobleme zu erhalten24. GAs sind Optimierungstechniken, die auf der Grundlage der Prinzipien der Evolution und der natürlichen Genetik gesteuert werden24. Einer der Vorteile dieser Methode ist die Möglichkeit, klare Modelle für komplexe und schwierige Systeme zu erstellen. Dadurch kann diese Methode zur Optimierung von Systemen eingesetzt werden, in denen diskontinuierliche, zufällige und nichtlineare Funktionen nicht für Standardoptimierungsmuster geeignet sind24.

ANN ist ein gängiger Ansatz des maschinellen Lernens, der eine Teilmenge der KI darstellt. Da die Kenntnis der physikalischen Eigenschaften des Prozesses nicht erforderlich ist, gehören neuronale Netze zur Kategorie der „Black-Box“-Modelle. Es stellt eine Verbindung zwischen den Eingabe- und Ausgabevariablen her. Wie der Anstieg der Forschung im Laufe der Zeit zeigt, scheint sich die Tendenz weiter in Richtung KNN-Modelle zu bewegen. Dies ist denkbar, da ANN gegenüber herkömmlichen Modellen mehrere Vorteile bietet. Zu diesen Vorteilen gehören die Modellierung komplexer nichtlinearer Funktionen mit hoher Präzision, die Unterstützung der MIMO-Modellierung (Multiple Inputs and Multiple Outputs), die Arbeit mit chaotischen und unvollständigen Daten, der geringere Verarbeitungsaufwand und die Möglichkeit, das Modell mit neuen Daten zu aktualisieren oder zu trainieren. Neben den Vorteilen hat die ANN-Modellierung auch einige Nachteile. Zu diesen Nachteilen gehört die Tatsache, dass die Modellparameter (Anzahl der Knoten, verborgene Schichten) keine physikalische Bedeutung haben und dass es keine akzeptierte Methode zur Bestimmung des Netzwerkdesigns gibt. Darüber hinaus können Tests und Fehler zu einer Über- oder Unteranpassung führen und bieten keine einheitliche Lösung. Darüber hinaus kann sich ein schlecht ausgebildetes Netzwerk auf ein lokales Minimum zusammenballen. Daher wurden in dieser Arbeit ANFIS- und GA-Techniken verwendet, um die Daten zu simulieren, zu modellieren und zu optimieren. Neben der Modellierung der idealen Leistung des Systems und der Bestimmung seiner kinetischen Koeffizienten bestand das Ziel dieser Studie darin, festzustellen, ob das biologische System mit erweiterter Belüftung TNT erfolgreich aus dem Abwasser entfernen kann. Untersuchungen zur TNT-Eliminierung mittels EAAS gibt es laut Literaturauswertung nicht.

Die Materialien des Experiments, zu denen Kaliumdichromat, Silbersulfat, Quecksilbersulfat, Acetonitril, Methanol, Triton x-114 und Aceton gehörten, wurden von Merck in Deutschland gekauft. Im Pilotmaßstab wurde in dieser Studie Belebtschlamm mit einem erweiterten Belüftungssystem bestehend aus Belebungsbecken, Nachklärbecken, synthetischer Abwasseraufbereitung und Sammelbecken eingesetzt. Das Belebungsbecken war 38,5 cm hoch, 15 cm breit und 44 cm lang, und das Sedimentationsbecken war 21 cm hoch, 20 cm breit und 30 cm lang (Abb. 1). Das Fassungsvermögen des erweiterten Belebungsbeckens betrug 34 l. Das System war mit einer Abwassereinspritzung und Schlammrücklaufpumpen ausgestattet, die kontinuierlich arbeiteten. In dieser Studie wurde das synthetische Abwasser mit CSB (500 mg/L), HRT (4–6 Stunden) und TNT (1–30 mg/L) verwendet. Im Einzelnen wurde das synthetisch aufbereitete Abwasser dem System zunehmend zugeführt, bis das Gleichgewicht erreicht war. Anschließend wurde die Konzentration erhöht, um den Prozess abzuschließen. Anschließend wurde das verbleibende TNT im Abwasser mithilfe eines Hochleistungsflüssigkeitschromatographiesystems (HPLC, Waters Co. und Millennium-Software) analysiert, das mit einem UV-Vis-Detektor Modell 486 und einer gebrauchten Säule (250 mm × 4,6 mm × 5) ausgestattet war µm). Als mobile Phase dienten Acetonitril und Wasser im Verhältnis 80:20. Das Injektionsvolumen betrug 20 µl, die Fließgeschwindigkeit durch die Säule betrug 1 ml/min und die verwendete Absorptionswellenlänge betrug 210 nm. Alle zwei Wochen wurde eine Probe der extrahierten Probe, die das explosive Material enthielt, für die CSB-Prüfung entnommen und die Analyse gemäß dem in den Standardmethoden11 beschriebenen Prüfverfahren durchgeführt. Abschließend wurde die Prozesseffizienz nach folgender Gleichung berechnet:

wobei C0 und Ct (mg/L) die Anfangs- und Endkonzentrationen von TNT sind25.

Schematische Darstellung des EAAS-Piloten.

Zur Durchführung statistischer Analysen wurde die Software SPSS-v.20 (Inc., Chicago, USA) verwendet. Zur Bewertung der Datenverteilung wurde der Kolmogorov-Smirnov-Test verwendet. Der Median und der Mittelwert ± SD wurden berechnet.

Das ANFIS-Modell basiert auf der Sugeno-Struktur mit einer Fuzzy-Neuronalen Modellierung, die in der MATLAB 2017-Software erstellt wurde. Die ANFIS-Architektur basiert auf künstlichen neuronalen Netzen und Fuzzy-Logik, die die optimale Verteilung der Zugehörigkeitsfunktionen zwischen Eingabe- und Ausgabedaten erreicht. Die fünf Hauptschichten der ANFIS-Modellbildung sind (1) Fuzzy-Schicht, (2) Produktschicht, (3) normalisierte Schicht, (4) Nicht-Fuzzy-Schicht und (5) Gesamtausgabeschicht.

In dieser Studie werden verschiedene Zugehörigkeitsfunktionen wie die dreieckige Zugehörigkeitsfunktion (trimf), die trapezförmige Zugehörigkeitsfunktion (trapmf), die verallgemeinerte Glocken-Zugehörigkeitsfunktion (gbellmf), die Gaußsche Kurven-Zugehörigkeitsfunktion (gaussmf), die Gaußsche Hybrid-Zugehörigkeitsfunktion (gauss2mf), P- Die Formzugehörigkeitsfunktion (pimf), die Differenz zwischen zwei Sigmoid-Zugehörigkeitsfunktionen (dsigmf) und das Produkt zweier Sigmoid-Zugehörigkeitsfunktionen (psigmf) wurden untersucht. Um die am besten geeignete Zugehörigkeitsfunktion zu ermitteln, wurde der vom Reaktor erhaltene Datensatz (110 Proben) zufällig in zwei Kategorien unterteilt: 85 % Training und 15 % Testen. Außerdem wurde in dieser Forschung ein hybrider Lernalgorithmus eingesetzt, um die Konvergenzrate zu erhöhen. Dieser Algorithmus wurde verwendet, um die beiden Methoden der kleinsten Quadrate und des Gradienten zu integrieren, um die Eingabeparameter zu aktualisieren. Zur Optimierung der Eingabeparameter wurde die Methode der kleinsten Quadrate eingesetzt. Anschließend wurde die Abstiegsgradientenmethode angewendet, um die Standardparameter besser anzupassen. Schließlich wurde die ANFIS-Ausgabe durch die folgenden Parameter26 bestimmt. Zu diesem Zweck wurden F/M, HRT, SRT, MLSS, MLVSS, SVI und TNTin als Eingabeparameter in das Modell eingeführt. Als Antwortparameter wurde die Entfernung von TNT berücksichtigt.

Bemerkenswert ist, dass die Genauigkeit und Angemessenheit der von ANFIS präsentierten Modelle durch die Berechnung des Koeffizienten (R2) und des quadratischen Mittelfehlers (RMSE) wie folgt bestimmt wurden (Gleichungen 2 und 3)27,28:

Der GA wurde verwendet, um die optimalen Bedingungen für die TNT-Entfernung als Fitnessfunktion basierend auf dem in dieser Studie entwickelten ANFIS-Modell zu ermitteln. Alle GA-Analysen wurden in der MATLAB-Softwareversion R2017a durchgeführt.

Die anderen im genetischen Algorithmus berücksichtigten Parameter waren: die Anzahl der Generationen 250, die Rangskalierungsfunktion, die Selektionsfunktion der stochastischen Uniform, die Anzahl der Elite 2, der Crossover-Anteil gleich 0,8 und die Mutationsfunktion der Einschränkungsabhängigkeit und Kombination der Streufunktion28.

Es ist allgemein bekannt, dass die Exposition gegenüber Schadstoffkonzentrationen, die die Grenzwerte überschreiten, die Funktion und Beseitigungseffizienz der biologischen Prozesse beeinträchtigen kann. In dieser Studie wurden mehrere TNT-Konzentrationen (1, 10 und 30 mg/L) verwendet, um die Effizienz der Systementfernung während 4 und 6 Stunden zu beurteilen. Wie in Abb. 2a und b dargestellt, verringerte sich die Entfernungseffizienz durch Erhöhung der TNT-Konzentration von 1 auf 30 mg/L. Die durchschnittlichen TNT-Entfernungswerte für 1, 10 und 30 mg/L betrugen 89,56 % ± 3,29, 80,43 % ± 4,54 und 82,79 % ± 1,43 nach 4 Stunden und 92,83 % ± 1,58, 82,08 % ± 3,53 und 84,25 % ± 1,93 bei HRT 6 Stunden. Es kann davon ausgegangen werden, dass dies auf die Toxizität des Schadstoffs im Prozessreaktor oder die Entstehung gefährlicherer Nebenprodukte zurückzuführen ist, die eine wirksame Entfernung von TNT durch Bakterienkonsortien verhindern. Da TNT andererseits von Natur aus stickstoffhaltig ist, lässt sich auch schließen, dass höhere TNT-Konzentrationen die für die Bakterien verfügbare Kohlenstoffquelle beeinflussen, was wiederum die Entfernungseffizienz verringert16. Permatasari et al.30 und Dionisi et al.29 haben auch gezeigt, dass das Verhältnis von C:N:P (100:5:1 bis 100:10:1) für biologische Aktivitäten entscheidend ist. Basierend auf den Ergebnissen entsprach die Konzentration von 10 mg/L TNT der niedrigsten Entfernungseffizienz; Durch die Erhöhung der Konzentration auf 30 mg/L konnte jedoch die Entfernungseffizienz gesteigert werden. Dies könnte auf ein stärkeres Wachstum der Biomasse im Reaktor bei höheren Schadstoffkonzentrationen zurückzuführen sein, was zu einer verstärkten Entfernung von TNT führt. Darüber hinaus würde sich bei einer höheren TNT-Konzentration die Zeit bis zur Anpassung der Biomassebakterien verkürzen, was wiederum mit einer höheren Entfernung des untersuchten Schadstoffs verbunden sein könnte. Solche Argumente können auch für geringere Konzentrationen zutreffen, da wir eine höhere Entfernungseffizienz bei 1 mg/L TNT beobachtet haben. Darüber hinaus sind die Biomassebakterien bei niedrigeren Konzentrationen keinen höheren Mengen toxischer Nebenprodukte ausgesetzt29,31,32.

Vergleich der TNT-Entfernungseffizienz bei verschiedenen HRT 4 h (a) und 6 h (b) und TNT-Konzentrationen.

Wie in Abb. 2 dargestellt, wurde die Entfernungseffizienz durch die Erhöhung der hydraulischen Verweildauer erhöht. Daraus lässt sich schließen, dass Bakterien bei einer längeren Verweilzeit die TNT-Verbindung effektiv abbauen könnten, wodurch mehr tote Bakterien und aktiver Schlamm diese an der Oberfläche adsorbieren könnten. Darüber hinaus kann es zu mehr Kollisionen und Wechselwirkungen zwischen TNT-Molekülen und anderen Chemikalien im Abwasser kommen, indem die hydraulische Verweilzeit erhöht wird, was zu einer höheren Entfernung von TNT-Molekülen führt. Mehrere andere Studien haben auch gezeigt, dass sich bei längerer Verweildauer mehr Bakterien an den Schadstoff anpassen könnten, was zu einer besseren Eliminierung führen würde. Darüber hinaus können auch verschiedene Chemikalien oder deren neu gebildete Nebenprodukte im Abwasser die TNT-Entfernung erhöhen. Last but not least; Eine längere Verweilzeit gibt den Bakterien die Möglichkeit, die interessierende Verbindung effektiver abzubauen32,33.

Wie bereits erwähnt, kann die Konzentration von Schadstoffen biologische Prozesse beeinflussen, was sich wiederum auf die CSB-Werte und die damit verbundene Prozesseffizienz auswirkt. Wie in Abb. 3a und b gezeigt, wurde durch die Erhöhung der TNT-Konzentration auch die Effizienz der CSB-Entfernung erhöht. Da CSB Bestandteil der meisten Schadstoffe ist, kann davon ausgegangen werden, dass bei höherer Konzentration des untersuchten Schadstoffes die CSB-Werte ansteigen. Infolgedessen betrug die durchschnittliche CSB-Entfernungseffizienz für TNT-Konzentrationen im Bereich von 1 bis 30 mg/L 31,89 % ± 3,03 bis 35,89 % ± 2,89 für 4 Stunden und 43,67 % ± 2,70 bis 45 % ± 2,23 für 6 Stunden. Andererseits kann behauptet werden, dass mit steigender Schadstoffkonzentration auch der Bedarf der Bakterien an Kohlenstoff und Stickstoff zum Abbau und zur Entfernung organischer Stoffe steigt, was zu einer Steigerung der Wirksamkeit der CSB-Entfernung führen kann. Darüber hinaus benötigen Bakterien bei steigendem TNT-Gehalt mehr Substrat, was ihr Wachstum fördert und wiederum die Wirksamkeit der CSB-Eliminierung verbessert29,31,34.

Vergleich der CSB-Entfernungseffizienz bei verschiedenen HRT 4 h (a) und 6 h (b) und TNT-Konzentrationen.

Eine der wichtigsten Methoden zur Bestimmung der idealen Bedingungen im Hinblick auf Prozesseffizienz, Kosteneffizienz und wahrscheinliche großtechnische Nutzung ist die Bestimmung der kinetischen Koeffizienten und der damit verbundenen Parameter. Wie in Tabelle 1 gezeigt, sind die kinetischen Koeffizienten über eine Vielzahl von HRT- und Schadstoffkonzentrationen hinweg nahezu konstant und unveränderlich. Nur einige Koeffizienten, darunter Ks, MLSS, MLVSS und SVI, weisen eine geringe Variation auf, die durch Variationen in der Schadstoffkonzentration und der hydraulischen Verweilzeit verursacht wird.

Tabelle 2 fasst die Wirksamkeit verschiedener biologischer Prozesse bei der Entfernung von TNT sowie einigen anderen Schadstoffen zusammen. Basierend auf den berichteten Ergebnissen und den Erkenntnissen der vorliegenden Studie zeigen biologische Prozesse, die Langzeitbelebungsschlamm verwenden, eine ausreichende Effizienz und solche, die mit einer kurzen Verarbeitungszeit betrieben werden, können zur Entfernung organischer Schadstoffe eingesetzt werden. Allerdings wurden einige von ihnen mit längeren hydraulischen Verweilzeiten durchgeführt und sind daher im Hinblick auf Wirtschaftlichkeit und Produktivität normalerweise nicht akzeptabel.

Für diese Arbeit wurden die ANFIS-Struktur und das Netzwerkmodell verwendet, um die ATN-Entfernung vorherzusagen. Die Ergebnisse sind in Abb. 4 dargestellt.

Entwickelte ANFIS-Struktur.

Wie in den Methoden erwähnt, wurden zur Durchführung des Trainingsprozesses das FIS-System vom Typ Sugeno und die Mitgliedschaftsfunktion eingesetzt. Das FIS verfügt über die 7 Eingänge F/M, HRT, SRT, MLSS, MLVSS, SVI und TNTin. Um die geänderten Regeln in einem bestimmten Datensatz zu generieren, wurde die Netzwerkpartitionierungstechnik verwendet. Zu diesem Zweck wurden 85 % des Datensatzes (92 Proben) zum Trainieren des ANFIS-Modells und die restlichen 15 % des Datensatzes (16 Proben) zum Testen der Vorhersagefähigkeit des relevanten Modells verwendet.

Das ANFIS-Modell führt zunächst den Trainingsprozess für den Trainingsdatensatz durch und testet dann die Ergebnisse mit den Testdaten. Darüber hinaus wurde im ANFIS-Modelltrainingsprozess der Eingabedatensatz mehrmals gezeichnet, um mögliche Fehler zu vermeiden. Die für die Kartierung erforderliche Anzahl an Iterationen wurde in Epochen angegeben. Um die Gültigkeit und Effizienz des Modells nach dem Trainingsprozess zu messen, wurde dieses Modell außerdem an 16 Datensätzen getestet.

Im nächsten Schritt wurden die Ergebnisse der Trainings- und Testprozesse des ANFIS-Modells unter Verwendung verschiedener Arten von Zugehörigkeitsfunktionen analysiert. Den erhaltenen Ergebnissen zufolge wies die Gaußsche Zugehörigkeitsfunktion (gaussmf) einen geringeren Vorhersagefehler auf als andere Funktionen. Der RMSE wurde für das Training mit 6,593E-3 und für das Testen mit 7,904E-3 ermittelt. Die ANFIS-Struktur funktionierte gut, wenn jeder Eingabevariablen zwei Zugehörigkeitsfunktionen zugewiesen wurden. Abbildung 5a stellt die Trainingsfehlerkurve für die experimentellen Werte der ATN-Entfernung dar. Abbildung 5b und c zeigen die experimentellen Ergebnisse der ATN-Entfernung unter ähnlichen Verarbeitungsbedingungen unter Verwendung des ANFIS-Modells zum Vergleich von Trainings- und experimentellen Datensätzen. Darüber hinaus beträgt R2 in dieser Studie etwa 97,93 % bzw. 94,34 % für den Trainings- und Testdatensatz, was auf die Genauigkeit und Angemessenheit des Modells hinweist.

(a) Trainingsfehlerkurve des ANFIS-Modells zur TNT-Entfernung, (b) Vergleich experimenteller und vorhergesagter Werte im Training und (c) Testprozesse.

In der vorliegenden Studie wurde der genetische Algorithmus verwendet, um die Eingabeparameter zu optimieren und letztendlich die höchste Entfernungseffizienz zu erreichen. Das entworfene ANFIS-Modell wurde als Fitnessfunktion in GA eingeführt. In Abb. 6 ist ein Diagramm der besten und durchschnittlichen Fitnesswerte jeder Generation dargestellt. Tabelle 3 stellt auch die besten Fitnesswerte in der letzten Generation dar. Daher waren die optimalen Werte der Eingabeparameter F/M, HRT, SRT, MLSS, MLVSS, SVI und TNTin jeweils 0,32, 5,81, 12,12, 2814,74, 2407,21, 144,84 und 4,78, was führt zur höchsten Entfernungseffizienz (96,80 %).

Ergebnisse des genetischen Algorithmus: die besten und durchschnittlichen Fitnesswerte pro Generation.

Unter Verwendung des entworfenen ANFIS-Modells wurden die folgenden Diagramme in der MATLAB-Software gezeichnet. Die in jedem Diagramm angezeigten Parameter wurden als variabel betrachtet und die anderen Parameter für jedes Diagramm waren fest und entsprachen ihren optimalen Werten (erhalten aus dem genetischen Algorithmus) (Abb. 7).

ANFIS-Vorhersage der Abtragsrate in verschiedenen Eingabeparametern.

Eine Sensitivitätsanalyse wird durchgeführt, um die Signifikanz der Auswirkung jedes Parameters auf die Ausgabevariable zu bewerten40. Dies zeigt, inwieweit sich jeder Eingabefaktor auf die Genauigkeit des vorhergesagten Modells auswirkt, und ist schließlich eine gute Möglichkeit, mehr Anwendungen zu entwerfen41. In dieser Studie wurde die Sensitivitätsanalyse mit der Pearson-Korrelationsmethode durchgeführt. Basierend auf dem folgenden Diagramm war die Wirkung der Eingabeparameter in der Reihenfolge der anfänglichen Konzentration von TNTin, MLVSS, MLSS, F/M, HRT, SRT und SVI. Der Einflussfaktor jedes Parameters ist in Abb. 8 sichtbar.

Sensitivitätsanalyse mittels Pearson-Korrelation.

Der biologische EAAS-Prozess bei der TNT-Eliminierung wurde in dieser Untersuchung genutzt, indem ein Pilot mit den Abmessungen 38,5 × 15 × 44 cm entworfen wurde. Die analysierten Parameter waren TNT-Konzentration, HRT und CSB, die optimiert wurden, und die optimale TNT-Entfernungseffizienz unter den Bedingungen von TNT 10 mg/L und HRT 6 Stunden betrug 84,25 %. Kinetische Koeffizienten wurden während des TNT-Entfernungsprozesses berechnet und können anschließend für die Auslegung des Kläranlagensystems im realen Maßstab verwendet werden. Die biologischen Prozesse hängen sowohl von der Erzeugung von Biomasse als auch vom Verbrauch von Sauerstoff ab. Diese Variablen müssen mit Abwässern unterschiedlicher Zusammensetzung weiter untersucht werden, da sie erhebliche Auswirkungen auf die Gestaltung biologischer Abwasserbehandlungsverfahren haben. Zusätzlich wurden die untersuchten Parameter mittels künstlicher neuronaler Netzwerkmodellierung angepasst. Der Modellierungsprozess nutzt die ANFIS-Methode und einen genetischen Algorithmus. Laut ANFIS-Methodenstudie wurde eine Genauigkeit von rund 97,93 % erreicht. Darüber hinaus F/M: 0,32 /Tag, HRT: 5,81 h, SRT: 12,12 h, MLSS: 2814,74 mg/L, MLVSS: 2407,21 mg/L, SVI: 144,84 ml/g, TNTin: 4,78 mg/L und TNT Entfernung 96 % waren die Werte der Parameter, die der genetische Algorithmus optimierte. Folglich hat diese Forschung gezeigt, wie wichtig es ist, die TNT-Konzentration und die HRT zu optimieren, um die optimale Leistung des Prozesses zu erreichen. Für Abwässer mit unterschiedlicher und komplexerer chemischer Zusammensetzung sowie Nitrifikations-/Denitrifikationsmechanismen zur Entfernung nitroaromatischer Verbindungen sind zusätzliche Untersuchungen erforderlich.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich. Darüber hinaus wurde keine Software zum Erstellen von Bildern verwendet.

Aamir, M. et al. Eine neuartige Methodenentwicklung und Validierung zur Bestimmung von 2, 4, 6-Trinitrotoluol und seinen Metaboliten mittels LC-MS/MS. Anal. Biochem. 638, 114496 (2022).

Artikel CAS PubMed Google Scholar

Ahmadi, E. et al. Kinetische Studie und Leistungsbewertung eines integrierten Zweiphasen-Festfilm-Bioreaktors mit Leitblechen zur Bioenergierückgewinnung aus Abwasser und Bioabfallschlamm. Erneuern. Aufrechterhalten. Energy Rev. 121, 109674 (2020).

Artikel CAS Google Scholar

Fawcett-Hirst, W., Temple, TJ, Ladyman, MK & Coulon, F. Eine Übersicht über Behandlungsmethoden für unempfindliches hochexplosives kontaminiertes Abwasser. Heliyon 7, e07438 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Dehghani, MH et al. Adsorption von Bisphenol A (BPA) aus wässrigen Lösungen durch Kohlenstoffnanoröhren: Kinetik- und Gleichgewichtsstudien. Entsalzung. Wassergenuss. 54, 84–923 (2015).

Artikel CAS Google Scholar

Mahvi, AH et al. Photooxidation von Phenol in wässriger Lösung: Toxizität von Zwischenprodukten. Koreanisch J. Chem. Ing. 24, 79–82 (2007).

Artikel CAS Google Scholar

Maleki, A. et al. Untersuchung der Effizienz photochemischer und sonochemischer Prozesse zum Abbau von Farbstoffen in wässriger Lösung. Koreanisch J. Chem. Ing. 27, 1805–1810 (2010).

Artikel CAS Google Scholar

Mahvi, AH Sequenzierungs-Batch-Reaktor: Eine vielversprechende Technologie in der Abwasserbehandlung. Iran. J. Umgebung. Gesundheitswissenschaft. Ing. 5, 79–90 (2008).

CAS Google Scholar

Bazrafshan, E. et al. Schlachtabwasserbehandlung durch kombiniertes chemisches Koagulations- und Elektrokoagulationsverfahren. PLoS ONE 7, e40108 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Rehman, SU et al. Synthese magnetischer Fe3O4-Nanohohlkugeln für die industrielle TNT-Abwasserbehandlung. Nanomaterialien 12, 881 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Algharagholy, LA, Sadeghi, H. & Al-Backri, AA Selektive Erfassung von 2, 4, 6-Trinitrotoluol und Triacetontriperoxid unter Verwendung von Kohlenstoff-/Bornitrid-Heteronanoröhren. Mater. Heute Komm. Rev. 28, 102739 (2021).

Artikel CAS Google Scholar

Zhang, X. et al. PEI-bedecktes KMgF3: Eu2+-Nanopartikel zur Fluoreszenzdetektion von Nitroaromaten in kommunalem Abwasser. Kolloide surfen. B 197, 111379 (2021).

Artikel CAS Google Scholar

Xu, M. et al. Abbau von 2, 4, 6-Trinitrotoluol (TNT): Beteiligung der Protocatechuat-3, 4-Dioxygenase (P34O) in Buttiauxella sp. S19–1. Toxics 9, 231 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

EPA, U. Technisches Informationsblatt – 2, 4, 6-Trinitrotoluol (TNT). Im Büro für feste Abfälle und Notfallmaßnahmen (5106P) (2014).

Singh, SN Biologische Sanierung explosiver Rückstände (Springer, 2013).

Google Scholar

Serrano-González, MY et al. Biotransformation und Abbau von 2, 4, 6-Trinitrotoluol durch mikrobiellen Stoffwechsel und deren Wechselwirkung. Verteidigungstechnologie. 14, 151–164 (2018).

Artikel Google Scholar

Mirshafiee, A. & Darvish, M. Abbau von 2, 4, 6-Trinitrotoluol (TNT) aus wässriger Lösung durch gekoppelten Elektrokoagulationsprozess mit Persulfatsalz. J. Umgebung. Gesundheitswissenschaft. Ing. 19, 1035–1041 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Küce, P., Coral, G. & Kantar, Ç. Biologischer Abbau von 2,4-Dinitrotoluol (DNT) durch Arthrobacter sp. K1 isoliert aus einem mit Rohöl kontaminierten Boden. Ann. Mikrobiol. 65, 467–476 (2015).

Artikel Google Scholar

Dan, NH, Phe, TTM, Thanh, BX, Hoinkis, J. & Le Luu, T. Die Anwendung intermittierender Belüftungssysteme mit erweitertem Zyklus (ICEAS) in der Abwasserbehandlung. J. Water Process Eng. 40, 101909 (2021).

Artikel Google Scholar

Malakootian, M., Toolabi, A. & Hosseini, S. Fortgeschrittene Behandlung des Abwassers, erweiterter Belüftungsprozess unter Verwendung eines biologisch belüfteten Filters (BAF) mit natürlichen Medien: Änderung der Medien, des Designs und des Rückspülprozesses. AMB Express 11, 1–10 (2021).

Artikel Google Scholar

Sonune, A. & Ghate, R. Entwicklungen bei Abwasserbehandlungsmethoden. Desalination 167, 55–63 (2004).

Artikel CAS Google Scholar

Zwain, HM, Nile, BK, Faris, AM, Vakili, M. & Dahlan, I. Modellierung des Schwefelwasserstoffverbleibs und der Emissionen in Kläranlagen mit erweiterter Belüftung unter Verwendung von TOXCHEM-Simulationen. Wissenschaft. Rep. 10, 22209 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Mohammadi, F. et al. Modellierung und Optimierung der Pyrenentfernung aus dem Boden durch Phytoremediation unter Verwendung der Response-Surface-Methodik, künstlicher neuronaler Netze und genetischer Algorithmen. Chemosphere 237, 124486 (2019).

Artikel ADS CAS PubMed Google Scholar

Hadi, S., Taheri, E., Amin, MM, Fatehizadeh, A. & Aminabhavi, TM Synergistischer Abbau von 4-Chlorphenol durch Persulfat- und Oxalsäuremischung mit heterogenem Fenton-ähnlichem System zur Abwasserbehandlung: Adaptive Neuro-Fuzzy-Inferenzsystemmodellierung . J. Umgebung. Verwalten. 268, 110678 (2020).

Artikel CAS PubMed Google Scholar

Kumar, R. & Hynes, NRJ Vorhersage und Optimierung der Oberflächenrauheit beim thermischen Bohren mithilfe des integrierten ANFIS- und GA-Ansatzes. Ing. Wissenschaft. Technol. Int. J. 23, 30–41 (2020).

Google Scholar

Nasiri, A., Rajabi, S., Hashemi, M. & Nasab, H. CuCoFe2O4@ MC/AC als neues hybrides magnetisches Nanokomposit zur Entfernung von Metronidazol aus Abwasser: Bioassay und Toxizität von Abwässern. Sep. Purif. Technol. 296, 121366 (2022).

Artikel CAS Google Scholar

Dolatabadi, M., Mehrabpour, M., Esfandyari, M., Alidadi, H. & Davoudi, M. Modellierung der gleichzeitigen Adsorption von Farbstoff und Metallionen durch Sägemehl aus wässriger Lösung unter Verwendung von ANN und ANFIS. Chemom. Intel. Labor. Syst. 181, 72–78 (2018).

Artikel CAS Google Scholar

Deng, Y., Xiao, H., Saudi J. Biol. Wissenschaft. 26, 1154–1160 (2019).

Artikel PubMed PubMed Central Google Scholar

Jahangir, MH, Reineh, SMM & Abolghasemi, M. Räumliche Vorhersage der Hochwasserzonenkartierung im Kan-Flussbecken, Iran, unter Verwendung eines Algorithmus für künstliche neuronale Netze. Wetter Clim. Extrem. 25, 100215 (2019).

Artikel Google Scholar

Dionisi, D. & Rasheed, AA Maximierung der organischen Belastungsrate und Minimierung des Sauerstoffverbrauchs in aeroben biologischen Abwasserbehandlungsprozessen durch Manipulation der hydraulischen Verweilzeit und der Feststoffverweilzeit. J. Water Process Eng. 22, 138–146 (2018).

Artikel Google Scholar

Permatasari, R., Rinanti, A. & Ratnaningsih, R. In der IOP-Konferenzreihe: Erd- und Umweltwissenschaften. 012048 (IOP Publishing, 2020).

Aziz, A., Basheer, F., Sengar, A., Khan, SU & Farooqi, IH Biologische Abwasserbehandlungstechnologien (anaerob-aerob) für die sichere Ableitung von behandeltem Schlachthof- und Fleischverarbeitungsabwasser. Wissenschaft. Gesamtumgebung. 686, 681–708 (2019).

Artikel ADS CAS PubMed Google Scholar

Shoukat, R., Khan, SJ & Jamal, Y. Hybride anaerobe-aerobe biologische Behandlung für echtes Textilabwasser. J. Water Process Eng. 29, 100804 (2019).

Artikel Google Scholar

Zhang, L., Lin, X., Zhang, Z., Chen, G.-H. & Jiang, F. Elementarer Schwefel als Elektronenakzeptor für die Entfernung organischer Stoffe in einem neuen anaeroben biologischen Abwasserbehandlungsverfahren mit hoher Geschwindigkeit. Chem. Ing. J. 331, 16–22 (2018).

Artikel CAS Google Scholar

Manu, D. & Thalla, AK Modelle der künstlichen Intelligenz zur Vorhersage der Leistung biologischer Kläranlagen bei der Entfernung von Kjeldahl-Stickstoff aus Abwasser. Appl. Wasserwissenschaft. 7, 3783–3791 (2017).

Artikel ADS CAS Google Scholar

Wang, Z., Ye, Z., Zhang, M. & Bai, X. Abbau von 2, 4, 6-Trinitrotoluol (TNT) durch immobilisierte Mikroorganismen-biologische Filter. Prozessbiochem. 45, 993–1001 (2010).

Artikel CAS Google Scholar

Kwon, SH Ein biologischer Ansatz bei der Behandlung von TNT-Abwasser. Toxicol. Umgebung. Chem. 75, 17–23 (2000).

Artikel CAS Google Scholar

Hwang, S., Ruff, TJ, Bouwer, EJ, Larson, SL & Davis, JL Anwendbarkeit der alkalischen Hydrolyse zur Sanierung von TNT-kontaminiertem Wasser. Wasserres. 39, 4503–4511 (2005).

Artikel CAS PubMed Google Scholar

Mareai, BM, Fayed, M., Aly, SA & Elbarki, WI Leistungsvergleich der Phenolentfernung in pharmazeutischem Abwasser durch Belebtschlamm und erweiterte Belüftung, ergänzt durch Aktivkohle. Alex. Ing. J. 59, 5187–5196 (2020).

Artikel Google Scholar

Pirsaheb, M., Khamutian, R. & Khodadadian, M. Ein Vergleich zwischen erweiterter Belüftungsschlamm- und konventioneller Belebtschlammbehandlung zur Entfernung linearer Alkylbenzolsulfonate (Fallstudie: Kläranlage Kermanshah und Paveh). Entsalzung. Wassergenuss. 52, 4673–4680 (2014).

Artikel CAS Google Scholar

Alver, A., Baştürk, E., Tulun, Ş & Şimşek, İ. Adaptive Neuro-Fuzzy-Inferenzsystemmodellierung der 2,4-Dichlorphenol-Adsorption an Aktivkohle auf Holzbasis. Umgebung. Prog. Aufrechterhalten. Energie 39, e13413 (2020).

Artikel CAS Google Scholar

Jiang, Z. et al. Ein verallgemeinertes Vorhersagemodell für TiO2-katalysierte Photoabbaugeschwindigkeitskonstanten von Wasserverunreinigungen durch ein künstliches neuronales Netzwerk. Umgebung. Res. 187, 109697 (2020).

Artikel CAS PubMed Google Scholar

Referenzen herunterladen

Diese Forschung wurde vom Vizekanzleramt für Forschung der Baqiyatallah University of Medical Sciences unterstützt.

Gesundheitsforschungszentrum, Medizinische Universität Baqiyatallah, Teheran, Iran

Hossein Karimi & Ghader Ghanizadeh

Abteilung für Umweltgesundheitstechnik, School of Health, Isfahan University of Medical Sciences, Isfahan, Iran

Farzaneh Mohammadi

Studentisches Forschungskomitee, School of Health, Shiraz University of Medical Sciences, Shiraz, Iran

Sagte Rajabi

Abteilung für Umweltgesundheitstechnik, School of Health, Shiraz University of Medical Sciences, Shiraz, Iran

Sagte Rajabi

Zentrum für Abfallforschung, Institut für Umweltforschung, Medizinische Universität Teheran, Teheran, Iran

Amir Hossein Mahvi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben zur Konzeption und Gestaltung der Studie beigetragen. Materialvorbereitung, Datenerfassung und Analyse wurden von HK, FM, SR, AHM und GG durchgeführt. Der erste Entwurf des Manuskripts wurde von HK, FM und SR verfasst. Die Konzeptualisierung wurde von HK, AHM und GG durchgeführt. Methodik von HK. FM und SR Formale Analyse und Untersuchung durch FM und SR Schreiben – Vorbereitung des Originalentwurfs durch HK, FM und SR Schreiben – Überprüfung und Bearbeitung durch AHM und GG Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Ghader Ghanizadeh.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Karimi, H., Mohammadi, F., Rajabi, S. et al. Biologische 2,4,6-Trinitrotoluol-Entfernung durch erweiterte Belüftung von Belebtschlamm: Optimierung mithilfe eines künstlichen neuronalen Netzwerks. Sci Rep 13, 9053 (2023). https://doi.org/10.1038/s41598-023-34657-z

Zitat herunterladen

Eingegangen: 11. Januar 2023

Angenommen: 04. Mai 2023

Veröffentlicht: 03. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-34657-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht