中国环境科学

水质参数(mg/L)	原水	预处理后
NH₄⁺-N	600~2200	600~2200
NO₂^－-N	5~487	5~487
总氮	800~2800	800~2800
硫酸根	8000~14000	8000~14000
Fe²⁺	500~700	<30
pH值	3~5.5	7.5~8.3

水质参数(mg/L)	原水	预处理后
NH₄⁺-N	600~2200	600~2200
NO₂^－-N	5~487	5~487
总氮	800~2800	800~2800
硫酸根	8000~14000	8000~14000
Fe²⁺	500~700	<30
pH值	3~5.5	7.5~8.3

数据点	1	2	3	4	5	6	7	8	9	10	11	12
NH₄⁺-N_inf (mg/L)	1337.00	1394.00	1314.00	1286.00	1325.00	1438.00	1422.00	1298.00	1343.00	1400.00	1421.00	1474.00
NO₂^--N_inf (mg/L)	1.00	7.20	58.00	89.30	108.60	29.30	22.40	1.00	0.60	37.00	46.90	38.80
NO₃^--N_inf (mg/L)	101.00	112.00	94.30	74.00	65.00	46.00	47.70	53.00	49.00	136.00	48.00	92.80
pH值	7.80	7.80	7.90	7.86	7.90	8.00	8.00	7.80	8.00	7.81	7.81	7.94
HRT (h)	134.58	133.33	123.61	125.22	123.08	120.00	133.95	142.57	122.03	123.08	123.08	121.01
T (℃)	34.40	33.40	33.80	34.20	34.20	33.60	34.10	34.10	34.10	34.10	33.50	33.50
DO (mg/L)	0.58	0.60	2.20	2.80	2.20	2.20	2.20	1.00	1.10	1.10	1.10	1.10
TNRE (%)	76.66	76.59	75.58	74.22	75.33	76.05	75.95	74.90	75.64	76.80	76.92	76.43
Predicted TNRE (%)	76.46	76.02	76.57	78.12	76.70	74.73	74.83	76.28	74.49	77.65	77.23	75.51
Prediction error (%)	-0.26	-0.74	1.30	5.25	1.82	-1.72	-1.48	1.85	-1.52	1.11	0.40	-1.20

数据点	1	2	3	4	5	6	7	8	9	10	11	12
NH₄⁺-N_inf (mg/L)	1337.00	1394.00	1314.00	1286.00	1325.00	1438.00	1422.00	1298.00	1343.00	1400.00	1421.00	1474.00
NO₂^--N_inf (mg/L)	1.00	7.20	58.00	89.30	108.60	29.30	22.40	1.00	0.60	37.00	46.90	38.80
NO₃^--N_inf (mg/L)	101.00	112.00	94.30	74.00	65.00	46.00	47.70	53.00	49.00	136.00	48.00	92.80
pH值	7.80	7.80	7.90	7.86	7.90	8.00	8.00	7.80	8.00	7.81	7.81	7.94
HRT (h)	134.58	133.33	123.61	125.22	123.08	120.00	133.95	142.57	122.03	123.08	123.08	121.01
T (℃)	34.40	33.40	33.80	34.20	34.20	33.60	34.10	34.10	34.10	34.10	33.50	33.50
DO (mg/L)	0.58	0.60	2.20	2.80	2.20	2.20	2.20	1.00	1.10	1.10	1.10	1.10
TNRE (%)	76.66	76.59	75.58	74.22	75.33	76.05	75.95	74.90	75.64	76.80	76.92	76.43
Predicted TNRE (%)	76.46	76.02	76.57	78.12	76.70	74.73	74.83	76.28	74.49	77.65	77.23	75.51
Prediction error (%)	-0.26	-0.74	1.30	5.25	1.82	-1.72	-1.48	1.85	-1.52	1.11	0.40	-1.20

厌氧氨氧化工艺处理氧化铁红废水的工程研究

PDF下载

杨俊锋 ¹ , 陈振国 ²^,³ , 郑旭文 ² , 章裕 ¹ , 李嘉懿 ¹ , 周松伟 ² , 汪晓军 ¹^,²^,^*

中国环境科学 | 水污染与控制 2025,45(1): 158-166

收起

中国环境科学 | 水污染与控制 2025, 45(1): 158-166

厌氧氨氧化工艺处理氧化铁红废水的工程研究

全屏

杨俊锋¹, 陈振国²^,³, 郑旭文², 章裕¹, 李嘉懿¹, 周松伟², 汪晓军¹^,²^,^*

作者信息

^1.华南理工大学环境与能源学院，广东广州 510006

^2.佛山市化尔铵生物科技有限公司，广东佛山 528300

^3.华南师范大学环境学院，广东广州 510006

杨俊锋(1996-)，男，安徽六安人，博士研究生，主要研究方向为水污染控制理论与技术.发表论文6篇.1169748545@qq.com.

通讯作者:

*责任作者，教授，cexjwang@scut.edu.cn

Research on the engineering of anammox process for treating iron oxide red wastewater

Jun-feng YANG¹, Zhen-guo CHEN²^,³, Xu-wen ZHENG², yu ZHANG¹, Jia-yi LI¹, Song-wei ZHOU², Xiao-jun WANG¹^,²^,^*

Affiliations

^1.School of Environment and Energy, South China University of Technology, Guangzhou 510006, China

^2.Hua An Biotech Co., Ltd., Foshan 528300, China

^3.School of Environment, South China Normal University, Guangzhou 510006, China

出版时间: 2025-01-20

文章导航

摘要

收起

本研究针对物化预处理后的氧化铁红高氨氮废水，构建了工程尺度的厌氧氨氧化系统(CANON).在为期165d的连续运行过程中，CANON系统展现出良好的稳定性和抗冲击能力，其氨氮去除率和总氮去除率(TNRE)分别达90%和80%.Spearman分析和SHAP特征重要性分析揭示了水质参数及环境参数对TNRE的影响.微生物群落分析揭示了系统中微生物种群结构的显著变化，优势厌氧氨氧化菌从Candidatus Anammoxoglobus过渡到Candidatus Kuenenia(相对丰度13.22%)，优势氨氧化细菌为Nitrosomonas(相对丰度1.27%).此外，本研究建立的机器学习模型(XGBoost)对TNRE的预测准确率超过了99.9%，并在实际应用中对新数据点的预测准确度达到98%.本研究为厌氧氨氧化工艺的工程化应用和智能化发展提供了宝贵的实践经验.

关键词

厌氧氨氧化 / 氧化铁红废水 / 微生物群落 / 机器学习模型

Abstract

收起

In this study, a full-scale CANON system was constructed to treat high ammonia nitrogen iron oxide wastewater following physicochemical pretreatment. Over the course of 165days of continuous operation, the CANON system demonstrated excellent stability and shock resistance, achieving ammonia and total nitrogen removal efficiencies (TNRE) of 90% and 80%, respectively.Spearman correlation analysis and SHAP feature importance analysis were employed to elucidate the impact of water quality and environmental parameters on TNRE. Microbial community profiling unveiled substantial shifts in microbial population structures within the system, marked by the transition of the dominant anammox bacteria from Candidatus Anammoxoglobus to Candidatus Kuenenia, accounting for a relative abundance of 13.22%. Nitrosomonas was identified as the predominant ammonium-oxidizing bacteria with a relative abundance of 1.27%. Additionally, a machine learning model based on XGBoost was developed, which achieved a predictive accuracy of over 99.9% for TNRE, with a prediction precision of 98% for new data points in practical applications. This research provides valuable empirical insights into the engineering application and intelligent development of anammox processes.

Key words

anammox / iron oxide red wastewater / microbial community / machine learning model

引用本文

杨俊锋, 陈振国, 郑旭文, 章裕, 李嘉懿, 周松伟, 汪晓军. 厌氧氨氧化工艺处理氧化铁红废水的工程研究. 中国环境科学, 2025 , 45 (1) : 158 -166 .

Jun-feng YANG, Zhen-guo CHEN, Xu-wen ZHENG, yu ZHANG, Jia-yi LI, Song-wei ZHOU, Xiao-jun WANG. Research on the engineering of anammox process for treating iron oxide red wastewater[J]. China Environmental Science, 2025 , 45 (1) : 158 -166 .

正文

收起

厌氧氨氧化（Anammox）工艺作为一种自养生物脱氮过程，展现了其在现代含氨氮废水处理领域中的革命性潜力.在该工艺中，anammox菌在厌氧或缺氧条件下，利用二氧化碳（CO₂）为碳源，以亚硝态氮（NO₂^--N）为电子受体，氧化氨氮（NH₄⁺-N）生成氮气（N₂）.到目前为止，已经鉴定出参与厌氧氨氧化反应的6个厌氧氨氧化菌属，包括Candidatus Kuenenia、Candidatus Brocadia、Candidatus Scalindua、Candidatus Jettenia、Candidatus Anammoxoglobus和Candidatus Anammoximicrobium^[1-2].与传统的硝化-反硝化工艺相比，厌氧氨氧化工艺具有无需外源有机碳、曝气量少、占地面积小、污泥产量低、脱氮效能高等优势，显著降低了废水处理的运营成本^[3].作为近年来最具经济环境效益的新型污水生物脱氮工艺，厌氧氨氧化工艺与我国“双碳”发展目标完美契合，它的工程应用推广将有助于推动我国可持续发展理念的贯彻落实.

然而，厌氧氨氧化工艺在实际废水处理中的应用仍然是一个巨大的挑战.一方面，anammox菌生长缓慢（倍增时间长达10~12d），导致启动周期延长且细胞增殖低^[4].另一方面，厌氧氨氧化反应需要氨氮和亚硝态氮两种基质同时存在才能发生，而污水中90%的氮是以氨氮和硝态氮（NO₃^--N）形式存在，亚硝态氮含量很低.因此，如何稳定且高效地获取亚硝态氮成为厌氧氨氧化工程化应用中的核心技术难题，也是学术界长期关注的研究焦点^[5-7].在众多厌氧氨氧化组合工艺中，部分硝化（PN）通过氨氧化细菌（AOB）产生亚硝态氮，为anammox菌提供了必需的底物.由于AOB和anammox菌都是自养型微生物，部分硝化/厌氧氨氧化（CANON）不需要添加额外的有机碳源，同时可以节省约60%的曝气成本^[8-9].

针对具有低pH值、高Fe²⁺含量、高氨氮浓度及高硫酸根浓度等特性的氧化铁红生产废水，厌氧氨氧化工艺显示出潜在的处理优势.相关研究^[10]采用CANON工艺处理氧化铁红废水，100d后反应器总氮去除率可稳定在70%以上.尽管CANON工艺在实验室研究中取得了良好的结果，但目前仍缺乏长期运行的实际数据来验证其稳定性和可靠性.因此，深入探讨CANON工艺在处理氧化铁红高氨氮废水中的可行性及其长期运行性能，对于推进该技术的实际应用至关重要.近年来，各类基于人工智能的机器学习算法在解决环境问题上展现出巨大潜力.人工神经网络（ANN）和随机森林（RF）等机器学习方法被用于预测生物炭产量及生物炭对土壤中重金属的固定效率^[11-12].还开发了RF和极限梯度提升（XGBoost）模型，用于揭示厌氧消化过程与抗生素抗性基因间复杂的非线性关系^[13].机器学习模型可以帮助预测环境工程和生物处理系统中自变量和因变量之间的非线性复杂关系.然而，复杂的微生物种群关系和系统性数据集的缺乏导致通过机器学习探究CANON工艺氮去除性能的研究较少.

本文成功建立了一个工程尺度的厌氧氨氧化系统，用于氧化铁红废水的处理.通过对CANON工艺长期运行的稳定性及抗冲击能力进行全面评估，本文明确了调控过程中氮去除效能与工艺参数之间的相关性，揭示了系统内部优势微生物菌群的演替规律.为了进一步提升研究的深度和广度，本文采用了机器学习算法构建预测模型.通过整合实验数据、微生物生态学分析以及数据驱动的建模方法，本文致力于为厌氧氨氧化工艺在工业废水处理领域的实际应用奠定基础，并为未来相关领域的研究提供宝贵的经验和启示.

1 材料与方法

收起

1.1 实验用水来源与特性

本研究涉及的实验用水来自广东省江门市一家氧化铁红厂生产过程中产生的废水.该废水首先经过物化预处理，旨在沉淀去除其中浓度较高的Fe²⁺（500~700mg/L），并调整pH值至中性.经过预处理后，废水的主要污染物为NH₄⁺-N，呈现出低碳氮比的特性.详细的水质指标见表1.废水处理过程中需要补充碱度，碱度投加量（以NaCO₃计）为3000~4000mg/L.为了保障微生物群落的营养供给，还需补充微量元素^[14]，微量元素投加量为1L/m³.

1.2 运行调试及数据收集

工程厌氧氨氧化系统位于广东省江门市某氧化铁红厂，其示意图见图1.首先利用离心泵将调节池中的废水泵入厌氧氨氧化池，通过自流作用流经4个厌氧氨氧化池处理后流出.厌氧氨氧化池内部固定了多重醛化纤维填料，曝气盘沿厌氧氨氧化池底部均匀分布，配备了气体流量计和内回流泵（回流比为50~100：1）.经过为期一个月的精心调试，该系统的生物填料已初步接种了源自佛山市一长期稳定运行的厌氧氨氧化工程化装置的成熟污泥，上述实验旨在确保系统能够快速启动并实现高效脱氮.然后，对系统进行了长达165d的连续监测，期间收集了大量运行数据，如系统进出水氮浓度、温度（T）、pH值、溶解氧（DO）、进水量与循环流量等关键环境参数.这些数据的收集工作严格遵循科学研究规范，确保数据的质量和完整性.本研究将这些数据用于深入探讨CANON系统在实际工业废水中的运行特性，并作为原始数据集进一步用于机器学习探索.

1.3 分析项目与方法

用DO计（Oxi 3310，WTW，Germany）和pH计（pH 3210，WTW，Germany）测量T、DO和pH值.根据《水和废水监测分析方法》，采用0.45μm滤膜过滤水样后用比色法测定水质指标，其中NO₂^--N采用N-（1-萘基）-乙二胺分光光度法；NH₄⁺-N采用纳氏试剂分光光度法；NO₃^--N采用紫外分光光度法.此外，在本研究中，根据式（1）和（2）计算氨氮去除率（NRE）和总氮去除率（TNRE）.

（1）

（2）

式中：NH₄⁺-N_inf与NH₄⁺-N_eff分别为进、出水氨氮浓度，mg/L；TN_inf与TN_eff分别为进、出水总氮浓度，mg/L.

1.4 高通量测序

为了详细解析CANON系统中的微生物群落演替规律，首先从中试装置中（Day0）提取了生物膜样品，随后在系统运行第50d（Day50）、系统运行第100d（Day100）和系统运行第160（Day160）d分别提取了生物膜样品进行高通量测序分析.根据制造商的方案^[15]，采用PowerSoil的DNA分离试剂盒（MoBio Laboratories，USA）提取微生物DNA，在0.8%琼脂糖凝胶上检测基因组DNA的纯度和质量.用338F（ACTCCTACGGGAGGCAGCAG）和806R（GGACTACHVGGGTWTCTAAT）引物对细菌16S rRNA基因V3-V4高变区进行PCR扩增，PCR产物用QIAquick凝胶提取试剂盒（QIAGEN，Germany）纯化^[16].样品委托上海派诺森生物有限公司进行分析，在Miseq平台上用报道的方法进行高通量测序^[17].

1.5 机器学习模型

本文使用两种流行的回归算法支持向量回归（SVR）和XGBoost来构建基于原始数据集的预测模型.这两种算法都广泛应用于机器学习，并在各种应用中表现出良好的性能.SVR是一种监督学习算法，旨在根据输入特征找到能准确预测输出值的最佳线性或非线性函数，从而建立回归模型.该算法能够处理非线性数据，并对数据中的异常值具有鲁棒性.本研究中SVR算法使用了径向基函数核.XGBoost是一种集合学习方法，它将多个弱学习器组合成一个强学习器.它利用梯度提升框架迭代添加决策树，以优化模型的损失函数.XGBoost以其高精度、可扩展性和速度而著称.本研究借助Python编程语言及其丰富的数据库，构建了SVR和XGBoost模型.利用Scikit-Learn（版本1.2.1）中的StandardScaler，对输入特征进行了标准化处理，以获得相似的比例和近似正态分布，从而优化机器学习模型的收敛训练过程.归一化数据集被随机分为两部分：70%用于机器学习模型训练，其余30%用于最终机器学习模型测试.测试集和训练集都是从归一化数据集中随机提取的.通过对SVR和XGBoost算法进行超参数调整，获得了两个最优机器学习模型.其中，SVR模型采用RBF核，C为100，gamma设为auto；XGBoost模型则设迭代次数为100，树深度为10，学习率为0.1.然后通过判定系数（R²）和均方根误差（RMSE）这两个指标来评估模型在定量预测中的性能和预测精度.R²和RMSE值分别使用式（3）和（4）计算.

（3）

（4）

式中：n是训练集或测试集中的数据点总数；

是系统的实际TNRE值；

是预测的TNRE值；y_m是所有实际TNRE值的平均值.

2 结果与讨论

收起

2.1 CANON系统的脱氮性能

CANON系统运行过程中进出水NH₄⁺-N、NO₂^--N、NO₃^--N和总氮（TN）浓度变化情况及系统的氮去除率变化情况见图2.具体而言，0~50d为CANON系统的启动及活性增长阶段，此时进水NH₄⁺-N浓度在1000.00~1600.00mg/L之间波动，进水NO₂^--N浓度在100.00~300.00mg/L之间波动（图2（a））.为了有效地培育AOB和anammox菌，本文采取了有效的操作策略：通过提高回流比（50~100：1）以缓解高浓度进水NO₂^--N对anammox菌活性的潜在抑制作用；将DO浓度控制在1.00mg/L以下，确保出水NH₄⁺-N水平高于150.00mg/L，并维持pH值不低于7.80，试图通过低DO和高游离氨（FA）抑制亚硝酸盐氧化菌（NOB）的生长.在启动初期（0~22d），CANON系统经历了严峻考验，其出水NO₂^--N浓度最高达145.10mg/L.值得注意的是，NO₂^--N浓度在CANON系统沿程分布均匀，波动范围有限.举例而言，第10d时，厌氧氨氧化池1/2/3/4中的NO₂^--N浓度分别为115.52，113.70，111.92和111.50mg/L，呈现出一种稳定的梯度特征.大量研究表明^[18-19]，游离亚硝酸（FNA）才是制约anammox菌活性的关键因子之一，而非直接的NO₂^--N积累.Fgli等^[20]也发现当FNA浓度为0.04mg/L时，含有Candidatus Kuenenia的富集培养物的活性被完全抑制.因此，在启动初期，本文通过调控pH值和T来应对高NO₂^--N浓度引发的FNA浓度激增风险，使系统中FNA浓度大部分时间保持在0.014mg/L以下，有效避免了anammox菌活性受到FNA的抑制威胁.此外，位于生物膜外层的好氧细菌以及宏观有机物质也对内部anammox菌起到保护作用^[21].随着生物膜内部anammox菌的活性逐渐增强，系统出水NO₂^--N浓度在第50d显著下降至62.5mg/L（FNA为0.010mg/L）.此阶段内CANON系统对NH₄⁺-N和TN的平均去除率分别为86.35%和72.81%（图2（c））.特别值得关注的是，系统出水NO₂^--N浓度明显低于进水水平，而出水NO₃^--N浓度并未出现预期中的上升现象，甚至在某些情况下低于进水（图2（b））.表明该操作策略有效地促进了AOB和anammox菌的活性，同时成功抑制了NOB的生长.这一结论得到了2.3节中微生物学分析的支持，在系统运行第50d（Day50）的生物膜样品中，anammox菌和AOB的丰度显著增加，而NOB并未被检出.

在CANON系统运行的第50~100d期间，系统进水NH₄⁺-N在600.00~1900.00mg/L之间波动，进水NO₂^--N在30.00~360.00mg/L之间波动.尽管面临进水氮浓度的较大波动，系统对NH₄⁺-N和TN的平均去除率分别为89.96%和75.76%.尤其值得关注的是，随着系统的持续运行，出水NO₂^--N浓度逐渐显著降低至仅7.00mg/L（第61d），而出水NO₃^--N浓度并未显著升高，这表明anammox菌的活性得到了进一步增强.Wang等^[22]在处理猪场沼液的CANON系统中也发现了类似的现象，随着系统中脱氮功能菌从适应期过渡到稳定期，厌氧氨氧化反应加强使得NO₂^--N浓度降低.为了进一步优化系统的脱氮性能，特别是在促进以AOB为代表的部分硝化反应以产生更多NO₂^--N方面，本研究在第80d提高了系统的曝气量，从而使系统的DO升至2.00mg/L左右.这一调整带来了积极的效果，CANON系统的NH₄⁺-N去除率较之前提高了12.96%（第101d），系统的整体脱氮性能也因此得到了进一步增强.这一结果与Di等^[23]的研究结论相一致，即适度提高系统中的DO浓度有助于提升CANON系统的NH₄⁺-N去除率.第100~165d，系统进水NH₄⁺-N浓度为800.00~2200.00mg/L，进水NO₂^--N浓度在5.00~487.00mg/L之间波动.进水NH₄⁺-N和NO₂^--N的波动幅度进一步扩大，这对CANON系统的稳定性和抗冲击能力来说是一个严峻挑战.即便如此，系统对NH₄⁺-N和TN的平均去除率仍分别稳定在90.96%和75.17%（图2（c））.总体而言，尽管面临极端的进水氮浓度波动（NH₄⁺-N最低为625.00mg/L，最高达2160.00mg/L；NO₂^--N最高达487.00mg/L，平均171.00mg/L），CANON系统的NH₄⁺-N去除率仍能逐步稳定在90%左右，TN去除率也逐步稳定在80%左右，显示出良好的稳定性和抗冲击能力.

2.2 TNRE与其他因素的相关性分析

通过Spearman相关分析深入探讨了厌氧氨氧化工艺中TNRE、水质参数和环境参数之间的相关性（图3）.通过对连续165d的监测数据进行全面分析，揭示了各变量间的内在联系.如图3所示，TNRE与进水NH₄⁺-N呈现显著的正相关关系，而与进水NO₃^--N的相关性虽较弱，但也是正面趋势.此外，TNRE与T之间的正相关性进一步佐证了温度对厌氧氨氧化反应动力学的积极影响.

值得注意的是，TNRE与进水NO₂^--N之间观察到了负相关性，这一发现不仅与韩等^[24]的结论相吻合，而且突显了NO₂^--N在厌氧氨氧化工艺中的特殊性.与NH₄⁺-N和NO₃^--N相比，NO₂^--N对微生物的影响更明显，当进水中的NO₂^--N浓度超过一定阈值时，会抑制anammox菌的活性，导致anammox菌的代谢速率降低，进而减少系统的总氮去除能力.此外，DO与TNRE呈现负相关性，这与先前的研究一致^[25].在CANON系统运行过程中，过高的DO水平会促进NOB的生长，同时抑制anammox菌的活性，导致总氮去除效率下降.针对此问题，Li等^[26]的研究表明，在严格控制低DO（0.50~0.60mg/L）条件下，利用CANON工艺处理氨氮浓度200.00mg/L、抗生素浓度达5.00mg/L的模拟废水时，可实现高达86.10%的TN去除率.这些发现为理解和优化厌氧氨氧化工艺提供了重要的科学依据和实践指导.

2.3 微生物群落分析

图4（a）列出了4个样品在门水平上的微生物群落核心种群（相对丰度大于0.5%）.中试装置（Day0）中主要菌群为变形菌门（Proteobacteria）、厚壁菌门（Firmicutes）、绿弯菌门（Chloroflexi）和浮霉菌门（Planctomycetota）等.Proteobacteria是所有样品中最丰富的一门（28%~44%），这与以往的研究一致，Proteobacteria是废水处理中与许多功能物种共有的最常见的一门^[27-29].与中试装置相比，随着CANON工艺的逐步启动，系统中微生物的种群结构发生了明显的变化.Proteobacteria在中试装置中的占比为44.22%，而在CANON工艺系统中的丰度逐渐降低，在Day50中占比为35.39%，而在Day160中占比为28.07%.另外，在中试装置中，Planctomycetota的相对丰度为7.43%，随着CANON工艺的成功启动，其相对丰度逐步提高至13.72%（Day160）.研究表明，在厌氧氨氧化系统中，Planctomycetota和Proteobacteria的很多细菌都与脱氮作用相关^[30].

在属水平上（图4（b）），细菌的相对丰度在4个样品之间表现出一定的差异.中试装置（Day0）中Enterobacter丰度较高，而在CANON系统中可忽略不计. Nitrosomonas作为一种典型的AOB，其普遍存在于CANON系统中.具体而言，Nitrosomonas的丰度从初始的0.2%（Day0）显著提升至1.27%（Day160），并且在CANON系统中并未检出NOB属的硝化螺旋菌（Nitrospira）.这表明本研究通过控制DO和FA在CANON系统中稳定实现了对NOB的抑制.关于厌氧氨氧化工艺的关键微生物anammox菌，本研究Day0中主要anammox菌为Candidatus Anammoxoglobus；而在CANON系统中，关键厌氧氨氧化微生物却变成了Candidatus Kuenenia，并且有良好的厌氧氨氧化活性.这可能是因为Candidatus Kuenenia对NO₂^--N的底物亲和力高于Candidatus Anammoxoglobus，并且能够通过异化NO₃^--N还原过程去除废水中的NO₃^--N^[31].此外，本研究所处理的氧化铁红废水的盐度较的，而有研究表明Candidatus Kuenenia是高盐废水的适盐微生物^[32].在CANON系统运行至第160d时，本文观察到系统中反硝化菌的相对丰度发生了显著变化，如Bacillus的相对丰度从初始的22.54%降至19.77%，而Trueper和Exiguobacterium的相对丰度则分别从2.21%和7.09%显著增加至13.09%和10.23%.这一变化趋势与图2（b）中CANON出水NO₃^--N浓度的下降趋势紧密相关，反硝化菌群有效地促进了氮循环中的NO₃^--N还原，进而提升了系统的TNRE，这些属在反硝化过程中发挥着重要作用^[33-35].

2.4 机器学习模型的预测性能

本研究采用两种机器学习算法—SVR和XGBoost，以7项关键的输入特征（进水NH₄⁺-N、进水NO₂^--N、进水NO₃^--N、pH值、HRT、T和DO）为依据，构建了预测CANON系统TNRE的模型.图5和图6展示了两个模型TNRE实际值和预测值的对比.为了精确评估模型的预测性能，采用了R²和RMSE这两项统计指标.R²的值趋近于1表明模型的拟合度更高，而较低的RMSE值则反映了模型的预测误差更小.研究结果表明，XGBoost模型在预测TNRE方面的表现显著优于SVR模型.具体来说，SVR模型在训练集和测试集上的R²分别为0.905和0.939，相应的RMSE分别为1.8385和1.3612.相比之下，XGBoost模型在训练集和测试集上的R²值均极为接近于1，RMSE值亦几乎接近于0，展现出极高的预测精确度.XGBoost模型之所以胜出，这可能是因为其损失函数的独特设计，该设计巧妙地权衡了预测误差与模型复杂度，有效规避了模型过拟合的风险^[36].这些结果表明，具有更好的灵活性、能使损失函数加速收敛的XGBoost模型是预测CANON系统TNRE的最佳算法.

此外，本研究运用了SHAP（Shapley Additive exPlanations Plot）方法来量化并可视化7个输入特征对于XGBoost模型预测结果（TNRE）的边际贡献.SHAP图以色彩编码的形式直观地展示了每个特征对模型预测结果的影响：红色代表该特征对TNRE产生正向的促进作用，而蓝色则表明其具有负向的抑制效果.如图7所示，进水NH₄⁺-N被识别为对TNRE预测最具影响力的关键特征，并且其对TNRE的影响表现为显著的正贡献.这一发现与本文第2.2节中关于NH₄⁺-N与TNRE间存在正相关的论述相一致.需要注意的是，这一正向影响关系在实际操作中存在复杂性.进水NH₄⁺-N浓度并非越高越好，当进水NH₄⁺-N浓度超出一定范围（如>1800.00mg/L），可能会超出微生物的处理能力，产生抑制效应，从而降低系统的TNRE.此外，过高的NH₄⁺-N浓度还可能影响系统的其他运行参数，如pH值、DO等，进而间接影响TNRE.除此之外，SHAP分析还揭示了其他几个重要特征对TNRE的正向影响.具体而言，进水NO₃^--N和T均对TNRE表现出正贡献，这也与第2.2节的结果相呼应.然而，本研究亦识别出两个对TNRE构成负向影响的特征：即进水NO₂^--N和DO.其中，NO₂^--N的负面效应在前文中已有详细讨论，指出其过量存在会抑制anammox菌的活性，进而降低TNRE.至于DO，其对TNRE的负贡献表明在CANON工艺运行中需要严格控制DO，以免过高的氧浓度对anammox菌活性造成不利影响.

2.5 XGBoost模型的深入验证与性能评估

本文针对XGBoost模型的泛化性能进行了更为严苛的测试.在接下来的两周内，本文采集了一系列CANON系统的数据点，共计12项，旨在挖掘其潜在价值（表2）.值得注意的是，这些新数据点是独立于本文先前构建模型所依赖的原始数据集的，它们代表着不同的情境和变量范围，尤其是进水NO₂^--N浓度和T这两个关键参数，它们的取值已超出了原有数据集的边界.通过将这些新数据点引入XGBoost模型，本文得以评估其在新数据上的表现.令人惊讶的是，模型的预测误差大部分控制在±2%以内，这一成绩远超本文的预期.考虑到XGBoost模型是在有限且特定的原始数据集基础上训练而成，这一低误差率的出现，无疑是对该模型鲁棒性和预测准确性的有力证明.该方法可以极大地减少试验调整所需的时间和成本，对于加速科研进程、优化工程设计方案具有重要的意义.

3 结论

收起

3.1 成功构建了工程化的CANON系统，该系统在处理氧化铁红高氨氮废水时表现出卓越的脱氮性能和稳定性.通过长达165d的连续监测，系统对氨氮和总氮的平均去除率分别稳定在90%和80%左右，即使在极端的进水氮浓度波动下，系统仍展现出良好的抗冲击能力.

3.2 高通量测序结果显示，与中试装置相比，系统的微生物种群发生了较大的变化.优势anammox菌由Candidatus Anammoxoglobus转变为Candidatus Kuenenia，优势AOB为Nitrosomonas，NOB则受到有效抑制.

3.3 采用SVR和XGBoost两种机器学习算法，构建了预测TNRE的模型，并通过SHAP分析量化了各输入特征对预测结果的边际贡献.结果表明，XGBoost模型在预测TNRE方面展现出更高的准确度和鲁棒性，并且其对新数据的预测误差大部分控制在±2%以内.

基金

收起

2022年广东省基础与应用基础基金自然科学基金资助项目(2022A1515011466)
2024年广州市科技计划项目(2024B03J1278)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

Khramenkov

S V

，Kozlov

M N

，Kevbrina

M V

，et al. A novel bacterium carrying out anaerobic ammonium oxidation in a reactor for biological treatment of the filtrate of wastewater fermented sludge [J]. Microbiology，2013，82(5):628-636.

[2]

Zhu

J C

，Zou

X Y

，Zheng

，et al. Typical community structure and functional genes of anammox and changes in the effects of saline wastewaters: A critical review [J]. Journal of Environmental Chemical Engineering，2023，11(6):111481.

[3]

Tang

C J

，Zheng

，Wang

C H

，et al. Performance of high-loaded ANAMMOX UASB reactors containing granular sludge [J]. Water Research，2011，45(1):135-144.

[4]

，Chen

J J

，Garlapati

V K

，et al. Novel insights into Anammox-based processes: A critical review [J]. Chemical Engineering Journal，2022，444:136534.

[5]

，Peng

Y Z

. Technical revolution of biological nitrogen removal from municipal wastewater: Recent advances in Anammox research and application (in Chinese) [J]. Science China，2022，52:389-402.

[6]

Wang

X J

，Chen

Y X

，Chen

Z G

. Anaerobic ammonia oxidation and its research progress for the treatment of low C/N ratio ammonia nitrogen wastewater [J]. Industrial Water Treatment，2022，42(11):25-31.

[7]

Wang

K C

，Li

，Gu

，et al. How to provide nitrite robustly for anaerobic ammonium oxidation in mainstream nitrogen removal [J]. Environmental Science & Technology，2023，57(51):21503-21526.

[8]

Wang

Z Y

，Zheng

，Duan

H R

，et al. A 20-year journey of partial nitritation and Anammox (PN/A): from sidestream toward mainstream[J]. Environmental Science & Technology，2022，56(12):7522-7531.

[9]

Wang

，Wang

J J

，Zhou

M D

，et al. A versatile control strategy based on organic carbon flow analysis for effective treatment of incineration leachate using an anammox-based process [J]. Water Research，2022，215:

[10]

Feng

X H

，Wang

X J

，Chen

Z G

，et al. Treatment of iron oxide red wastewater by partial nitritation /Anammox process [J]. China Water & Wastewater，2019，35(1):102-106.

[11]

Sun

，Zhang

Y Y

，Lu

，et al. The application of machine learning methods for prediction of metal immobilization remediation by biochar amendment in soil [J]. Science of the Total Environment，2022，829:

[12]

Palansooriya

K N

，Li

，Dissanayake

P D

，et al. Prediction of soil heavy metal immobilization by biochar using machine learning [J]. Environmental Science & Technology，2022，56(7):4187-4198.

[13]

Haffiez

，Chung

T H

，Zakaria

B S

，et al. Exploration of machine learning algorithms for predicting the changes in abundance of antibiotic resistance genes in anaerobic digestion [J]. Science of the Total Environment，2022，839:156211.

[14]

Yang

Y Y

，Chen

Z G

，Wang

X J

，et al. Partial nitrification performance and mechanism of zeolite biological aerated filter for ammonium wastewater treatment [J]. Bioresource Technology，2017，241:473-481.

[15]

Xie

M Q

，Xu

L I

，Zhang

，et al. Viable but nonculturable state of yeast Candida sp. Strain LN1 induced by high phenol concentrations[J]. Applied and Environmental Microbiology，2021，87(18):e01110-01121.

[16]

，Cao

S B

，Li

B K

，et al. Performance and microbial community analysis of a novel DEAMOX based on partial-denitrification and anammox treating ammonia and nitrate wastewaters [J]. Water Research，2017，108:46-56.

[17]

Yan

，Wen

H J

，Li

Q Q

，et al. Enhanced elemental sulfur recovery and nitrogen removal through coupling of sulfide-dependent denitrification and anammox processes during ammonium- and sulfide-laden waste stream treatment [J]. International Biodeterioration & Biodegradation，2020，155:105086.

[18]

Zhou

，Oehmen

，Lim

，et al. The role of nitrite and free nitrous acid (FNA) in wastewater treatment plants[J]. Water Research，2011，45(15):4672-4682.

[19]

Jin

R C

，Yang

G F

，Yu

J J

，et al. The inhibition of the Anammox process: A review [J]. Chemical Engineering Journal，2012，197:67-79.

[20]

Egli

，Fanger

，Alvarez

P J J

，et al. Enrichment and characterization of an anammox bacterium from a rotating biological contactor treating ammonium-rich leachate [J]. Archives of Microbiology，2001，175(3):198-207.

[21]

Carvajal-Arroyo

J M

，Sun

，Sierra-Alvarez

，et al. Inhibition of anaerobic ammonium oxidizing (anammox) enrichment cultures by substrates，metabolites and common wastewater constituents [J]. Chemosphere，2013，91(1):22-27.

[22]

Wang

Z L

，Xin

，Wang

，et al. Start-up and microbial communities analysis of CANON process for the treatment of anaerobic digester liquor of swine wastewater [J]. Acta Scientiae Circumstantiae，2018，38(10):162-170.

[23]

，Sui

Q W

，Chen

Y L

，et al. Partial nitritation-Anammox process treating magnetic coagulation domestic sewage [J]. China Environmental Science，2020，40(11):4712-4720.

[24]

Han

X K

，Wang

Z R

，Peng

Y Z

，et al. A review of several important factors influencing the Anammox process [J]. China Environmental Science，2023，43(5):2220-2227.

[25]

Yue

，Yu

G P

，Lu

Y Q

，et al. Effect of dissolved oxygen on nitrogen removal and the microbial community of the completely autotrophic nitrogen removal over nitrite process in a submerged aerated biological filter [J]. Bioresource Technology，2018，254:67-74.

[26]

，Yao

，Liu

，et al. Achieving simultaneous nitrogen and antibiotic removal in one-stage partial nitritation-Anammox (PN/A)process [J]. Environment International，2020，143:105987.

[27]

Zeng

，Hu

，Wang

D H

，et al. Improving a compact biofilm reactor to realize efficient nitrogen removal performance: step-feed，intermittent aeration，and immobilization technique [J]. Environmental Science and Pollution Research，2018，25(7):6240-6250.

[28]

，Li

X F

，Huang

G S

，et al. Adsorption and biodegradation functions of novel microbial embedding polyvinyl alcohol gel beads modified with cyclodextrin: a case study of benzene [J]. Environmental Technology，2019，40(15):1948-1958.

[29]

Cao

，Wang

T Y

，Qin

Y J

，et al. Nitrogen removal characteristics and diversity of microbial community in ANAMMOX reactor [J]. Environmental Science，2017，38:1544-1550.

[30]

Zhao

Y C

，Liu

Y L

，Li

Y S

，et al. Effects of high sludge loss on the nitrogen removal performance and microbial community of anammox process [J]. China Environmental Science，2022，42(5):2161-2168.

[31]

Kartal

，Kuypers

M M M

，Lavik

，et al. Anammox bacteria disguised as denitrifiers: nitrate reduction to dinitrogen gas via nitrite and ammonium [J]. Environmental Microbiology，2007，9(3):635-642.

[32]

C H

，Dong

，Li

，et al. Nitritation-anammox process - A realizable and satisfactory way to remove nitrogen from high saline wastewater [J]. Bioresource Technology，2019，275:86-93.

[33]

Meng

，Sheng

，Meng

. Changes in nitrogen removal and microbiota of anammox biofilm reactors under tetracycline stress at environmentally and industrially relevant concentrations [J]. Science of The Total Environment，2019，668:379-388.

[34]

Sun

H S

，Liu

，Xu

S J

，et al. Myriophyllum aquaticum constructed wetland effectively removes nitrogen in swine wastewater [J]. Frontiers in Microbiology，2017，8:1-14.

[35]

Mcilroy

S J

，Starnawska

，Starnawski

，et al. Identification of active denitrifiers in full-scale nutrient removal wastewater treatment systems [J]. Environmental Microbiology，2016，18(1):50-64.

[36]

Chakraborty

，Elzarka

. Early detection of faults in HVAC systems using an XGBoost model with a dynamic threshold [J]. Energy and Buildings，2019，185:326-344.

2025年第45卷第1期

PDF下载

引用本文

BibTeX

文章信息

接收时间：2024-06-28
首发时间：2026-03-18
出版时间：2025-01-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-06-28

基金

2022年广东省基础与应用基础基金自然科学基金资助项目(2022A1515011466)

2024年广州市科技计划项目(2024B03J1278)

作者信息

^1.华南理工大学环境与能源学院，广东广州 510006

^2.佛山市化尔铵生物科技有限公司，广东佛山 528300

^3.华南师范大学环境学院，广东广州 510006

通讯作者:

*责任作者，教授，cexjwang@scut.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zghjkx/CN/1241049968291673020

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT